基于GPU加速的机器人人脸检测系统的设计与实现

摘要

人脸检测作为机器人研究领域中一项重要的研究课题，机器人的实际应用环境对其检测的实时性提出了更为严苛的要求。基于AdaBoost的人脸检测算法是人脸检测中应用最多的算法，该算法在保证了检测率的同时极大的提升了检测速度。
　　本文主要工作分为两部分。一个方面的工作是基于已有的并行AdaBoost人脸检测算法，进行相关的实验验证并进行结果的分析与优选，同时对部分核心算法做更进一步的优化与实现;另一个方面的工作集中于机器人人脸检测系统的构建，系统包含GPU并行人脸检测模块、人脸跟踪模块、人脸样本管理模块等。最终，结合上述两部分的研究成果，同时基于英伟达GTX960硬件设备以及CUDA并行计算架构成功完成了基于GPU加速的机器人人脸检测系统的构建。
　　在基于AdaBoost的人脸检测算法并行化过程中，本人主要完成了原始彩色图像到灰度图像的并行化颜色空间转换;针对灰度图像的转换，本文实验分析并比较了最近邻插值法、双线性插值法对图像进行放缩的效果，最终选用双线性插值法来完成图像的放缩计算;合成金字塔图像的过程中，优化了图像拼接中的左右高度选择的最优解问题;金字塔图像积分图、平方积分图的计算过程中，比较了多种不同的前缀求和算法，经实验验证选用并行前缀求和算法结合图像分块思想以及图像转置（降低访存带来的时耗）来完成了该部分的高效并行计算;检测过程中，采用扫描窗口并行的方法，完图像金字塔的积分图与平方积分图的并行扫描与检测计算，并得到检测结果。
　　在基于GPU加速的机器人人脸检测系统的构建中，本人主要完成的工作包括该系统的需求定义与总体构思，以及最终的实现与验证。系统分为人脸样本管理、GPU端人脸检测、人脸跟踪这三大模块。系统的实际应用结果显示，本文的机器人人脸检测系统能够有效且准确的检测出机器人实时视频中的人脸，并达到实时检测与跟踪，满足系统需求。

目录

声明

致谢

摘要

1 引言

1．1 智能机器人概述

1．2 人脸检测概述

1．2．1 人脸检测技术方法的研究

1．2．2 基于GPU加速的人脸检测技术研究现状

1．3 人脸检测系统评价标准

1．4 本文研究内容与目标

1．5 论文组织结构

2 算法原理与CUDA简介

2．1 基于Adaboost人脸检测算法原理

2．1．1 算法过程详述

2．1．2 Haar特征

2．1．3 分类器级联

2．1．4 人脸检测过程简述

2．2 人脸跟踪算法研究

2．3 CUDA并行编程平台简介

2．4 本章小结

3 并行化人脸检测算法的设计与实现

3．1 图像灰度化并行设计与实现

3．2 金字塔图像生成并行设计与实现

3．2．1 并行化图像放缩设计与实现

3．2．2 并行化拼接金字塔图像设计与实现

3．3 积分图计算并行设计与实现

3．4 人脸检测并行设计与实现

3．5 本章小结

4 机器人人脸检测系统需求定义

4．1 系统概述

4．2 系统功能性需求定义

4．2．1 人脸样本管理模块需求定义

4．2．2 GPU端人脸检测模块需求定义

4．2．3 人脸跟踪模块需求定义

4．3 系统用例分析

4．4 系统界面需求定义

4．5 系统性能需求

4．6 本章小结

5 系统总体构思与设计

5．1 系统设计原则

5．2 系统总体流程设计

5．3 系统关键模块功能性设计

5．3．1 人脸样本管理模块设计

5．3．2 人脸检测模块设计

5．3．3 人脸跟踪模块设计

5．4 本章小结

6 系统详细设计与实现

6．1 人脸样本管理模块详细设计与实现

6．2 人脸检测详细设计与实现

6．2．1 分类器训练系统设计与实现

6．2．2 GPU端人脸检测设计

6．2．2 GPU端人检测实现

6．3 人脸跟踪详细设计与实现

6．3．1 人脸跟踪流程设计

6．3．2 人脸跟踪算法研究

6．3．3 人脸跟踪功能实现

6．4 本章小结

7 系统验证

7．1 测试环境

7．2 结果与分析

7．3 本章小结

8 总结与展望

8．1 研究总结

8．2 前景展望

参考文献

作者简历及攻读硕士／博士学位期间取得的研究成果

学位论文数据集