基于CPU+GPU桌面集群的人脸特征点实时检测系统研究的中期报告.docxVIP

基于CPU+GPU桌面集群的人脸特征点实时检测系统研究的中期报告 本报告旨在介绍一个基于CPU+GPU桌面集群的人脸特征点实时检测系统的研究进展。该系统的主要目的是在现有的人脸识别技术基础上，进一步实现人脸关键特征点的实时检测，以提高人脸识别的准确性和效率。 在前期研究中，我们主要进行了人脸关键特征点检测算法的调研和探索。我们尝试了基于传统的Haar特征和HOG特征的算法，以及基于深度学习的算法如CNN和ResNet等。经过实验对比，我们选择了ResNet-34作为本系统的基础算法。ResNet-34是一种常用的深度残差网络，其结构简单，并且在人脸检测领域取得了良好的效果。 在中期研究中，我们主要完成了如下工作： 1. 搭建CPU+GPU桌面集群：为了提高人脸特征点检测的效率，我们采用了一台CPU主机和四块GPU显卡的桌面集群。我们使用NVIDIA的CUDA工具包搭建了一个支持多GPU并行加速的深度学习环境。 2. 数据集采集：为了训练和测试我们的人脸特征点检测模型，我们从网上和实际采集中收集了多个包含人脸图片的数据集，并手动标注了每张图片的人脸关键特征点。 3. 训练模型：我们使用Pytorch深度学习框架实现了ResNet-34模型，并在桌面集群上进行了训练。我们采用了Stochastic Gradient Descent（SGD）优化器和交叉熵（Cross-Entropy）作