面向人脸检测的大规模异构并行Adaboost机器学习算法研究

This project focuses on the parallelization of the adaboost machine learning algorithm for face detection.The parallelization is done on large scale heterogeneous parallel super computers.After detailed analysis of the characteristics of the Adaboost algorithm, this project develops dynamic workload distributiong, dynamic performance monitor and analytical performance model to help optimizing the heterogeneous parallel Adaboost algorithm.

本项目以人脸检测为应用背景，将Adaboost机器学习算法针对大规模异构并行系统进行并行化。经过对Adaboost机器学习算法的深入分析，本项目拟从四个粒度开发Adaboost机器学习算法的并行性，从而与大规模异构并行计算系统丰富的并行计算资源相匹配。通过研究支持闭环反馈的动态任务划分算法、异构并行Adaboost算法实时性能监测技术以及异构并行Adaboost算法性能分析模型，不断对异构并行Adaboost算法进行优化，充分利用大规模异构并行计算系统强大的计算能力加速Adaboost机器学习过程。

本课题围绕人脸检测这一应用场景展开，主要针对人脸检测中常用的Adaboost机器学习算法的并行化展开研究。.针对Adaboost机器学习算法不同层次不同粒度的并行性，研发适用于大规模异构并行系统的并行Adaboost机器学习算法。本课题针对大规模异构并行系统的并行Adabosot机器学习算法展开了细致深入的研究工作，通过带负反馈的动态负载均衡、树形训练结果收集、细粒度样本划分等技术使得该并行算法获得了接近线性的扩展性。实验表明该并行Adaboost机器学习算法能够在一个64节点的异构并行系统上获得53倍的加速比。.以并行Adaboost机器学习算法训练得来的分类器为基础，本课题研发了高速准确的实时人脸检测算法。该算法采用课题组原创的复合Haar特征分类器，能够在强背光、侧光等恶劣光照条件下实现良好的人脸检测效果。同时，本课题研发了基于高速特征点匹配的人脸跟踪算法，配合人脸检测，能够针对实时视频流实现高质量的人脸检测跟踪。.本课题以本地银行的ATM厅为实验环境，在真实场景中对课题的研究成果进行了实地测试，获得了良好的效果。实践证明，本课题的成果具有良好的适应性，在安防等领域具备广阔的应用前景。