本章節首先介紹臉部辨識與應用，提出研究動機及研究流程。本章 主要分為研究背景、研究動機與目的、研究流程及研究貢獻共四小節。
說明如下：
第一節 研究背景
臉部辨識（Face Recognition）是一種生物辨識，每個人擁有不同的 臉部特徵，例如眼睛、鼻子、嘴巴及臉部輪廓等特徵，透過這些特徵可 以直接進行身分確認。臉部辨識廣泛應用於隱私安全及監視系統方面，
隱私安全方面例如電腦加密及門鎖系統；監視系統方面例如機場海關即 時監控系統，2001 年美國 911 事件後，臉部辨識更是被重視運用於預防 犯罪行為上。
臉部辨識的方法最常見的有主成分分析法（Principal Component Analysis, PCA），主要分為兩個步驟，分別是訓練與辨識。訓練時，將現 有訓練樣本計算特徵值與特徵向量，保留一定個數的特徵向量構成特徵 空間，將訓練樣本投影至特徵空間，儲存成一訓練集，此方式可以降低 原始圖像維度，減少儲存的空間和計算的複雜度；辨識時，先對測試圖 像進行正規化，再將測試圖像投影至特徵空間，藉由計算測試圖像與訓 練圖像的投影量的歐式距離，決定辨識結果。
第二節 研究動機與目的
應用主成分分析法於臉部辨識時，訓練與辨識這兩個步驟各有其最 耗時的地方，訓練方面最耗時的地方在於計算特徵值與特徵向量，其次
是將訓練樣本投影至特徵空間；辨識方面最耗時的地方在於將待辨識的 圖片投影至特徵空間。
主成分分析法在計算特徵向量，常見的方法有 Non-linear Iterative Partial Least Squares (NIPALS)( Štruc, V., & Pavešić, N., 2009; Wold, S., Esbensen, K., & Geladi, P., 1987; Schwartz, W., Guo, H., & Davis, L., 2010).
與 Gram-Schmidt orthogonalization(Sajid, I., Ahmed, M. M., & Taj, I., 2009; Ramesha, K., & Raja, K. B., 2011; Andrecut, M., 2009)。在特徵值與 特徵向量計算上，2009 年 Andrecut 提出運用圖形處理器（Graphical Processing Units, GPU ） 加 速 非 線 性 迭 代 偏 最 小 二 乘 法 （ Non-linear Iterative Partial Least Squares, NIPALS ） 與 Gram-Schmidt 重 正 交 化
（Gram-Schmidt reorthogonalization, GS）計算的方法。本研究提出以圖 形處理器(Graphical Processing Units, GPU)分別加速臉部辨識的訓練與 辨識步驟，其中訓練步驟以 GPU 加速 NIPALS 和 GS 於計算訓練樣本的 的主成分以及訓練樣本對特徵向量的投影計算，辨識步驟則以 GPU 加 速測試樣本對特徵向量得投影計算。
第三節 研究流程
為做實驗比較，本研究共實現五種 PCA 版本，包括 OpenCV 實現 的 Eigenface、 NIPALS CPU 版本、GS CPU 版本、NIPALS GPU 版本與 GS GPU 版本。Eigenface 是採用 OpenCV Ver. 2.4.5 ，而後面四者是實現 Andrecut 提出兩種計算特徵值與特徵向量的加速方法，並結合 OpenCV 做 PCA 的臉部辨識，並將訓練與辨識時做特徵投影的步驟實現於 GPU 上。資料庫採用 Georghiades, Belhumeur 和 Kriegman (2001)建構的 Extended YaleB 臉部資料庫，其中共有 28 人，每人 9 種姿勢以及 64 種 不同光源的圖像。
第四節 研究貢獻
就上述五種方法，實驗結果顯示，在訓練部分，相較於 OpenCV 實 現的 Eigenface，CPU 版本的 NIPALS 能夠得到 1.3 倍的加速，而 GS 可 得到 1.2 倍的加速，GPU 版本的 NIPALS 能夠得到 5.9 倍的加速，而 GS 可以得到 5.25 倍的加速。另一方面相較於 NIPALS 與 GS 的 CPU 版本，
GPU 版本則可以得到 4.5 倍的加速。在辨識部分，我們也利用 GPU 做 特徵投影的加速，實驗結果顯示透過 GPU 加速可以能夠得到 1.57 倍的 加速。