Viola-Jones人脸检测算法在GPU计算平台上的Naïve版本采用最基本、最简单的并行化策略，即仅并行化检测窗口的检测，具体为：①每次只处理一幅缩放图像，在CPU端循环启动OpenCL kernel以处理所有的缩放图像；②对于每幅缩放图像，每个线程负责一个检测窗口，多个检测窗口可进行并行检测；③使用LDS完成数据本地化，实现work-group内线程的数据共享，减少对访存带宽的依赖；④在线程组织上，采取有多少检测窗口，就开启多少线程的策略，每个work-group大小为256，并采取二维组织形式：16×16。

然而，与CPU版本的性能相比，Naïve版本性能并没有提升，反而有所下降。这主要有两方面的原因：一是没有充分发掘并行性，Naïve版本仅仅开发了三级并行性中的一级，即检测窗口并行；二是在Naïve实现版本中，线程间存在严重的负载不均衡现象，这是GPU这种大规模细粒度并行处理器的梦魇。这使得GPU计算资源远未得到充分利用，从而导致性能的严重降低。其中第二个原因是最主要、最关键的因素。

Viola-Jones人脸检测算法的串行实现中，级联分类器之所以能够提高检测速度，是因为在一般的输入图像中，大部分区域都不包含人脸。通过前面的几级简单分类器可直接滤去这些区域，只对少量的极可能包含人脸的区域使用更为复杂的分类器进行检测。在这个检测过程中，随着弱分类器数量的增加，通过Adaboost构建的强分类器的检测表现也会不断提高。但这种方法也导致了该算法在GPU的实现和优化中，会导致严重的负载不均衡现象，大大限制了其在GPU上的性能。图7-4说明了这种负载不均衡现象的产生过程。

如图7-4所示，假设有9个检测窗口，共开启9个线程，每个线程负责一个窗口的检测。当使用级联分类器进行检测时：窗口（0，0）首先被Stage0分类器检测为肯定不是人脸而被丢弃，在此后的检测过程中，线程（0，0）将一直处于空闲状态，其他线程继续工作；接着在下一级检测中，窗口（1，1）被stage1分类器也检测为不是人脸，因此线程（1，1）在随后的检测中，也将处于空闲状态；更为不幸的是，随着检测的进行，越来越多的窗口被检测为不是人脸而被丢弃，也就是说越来越多的线程处于空闲状态；直到最后一个阶段，只有线程（1，2）处于忙碌状态，而其他线程都处于空闲状态。更为严重的是，根据级联分类器的定义，检测越靠后，分类器级数越高，相对应的计算量就越大。因此，实际的负载不均衡现象远比图7-4描述的严重得多。

图7-4 线程间负载不均衡现象

由此可见，虽然级联分类器方法在串行算法中可大大减少工作量，提高检测速度。但在GPU实现中却会导致严重的线程间负载不均衡现象，成为性能瓶颈，严重制约算法性能。特别是在大多数图像中，人脸区域可能只占很少一部分。如果对该算法的GPU实现不进行改进，这也就意味着在实际GPU程序中，只有一小部分线程会一直处于工作状态，直到检测结束。而绝大部分线程可能很快就退出并在CPU端等待全局同步了。这显然是我们不愿意看到的结果。(www.daowen.com)

此外，为了检测图像中大小不同的人脸，需要将图像按照一定的缩放因子进行放缩。Naïve实现在CPU端循环处理这些缩放图像。这样处理不仅增加了GPU kernel的启动和同步开销，而且当缩放图像过小时（如只有几个甚至一个检测窗口时）而不能充分利用GPU的计算资源时，就不能充分利用GPU强大的计算能力，造成资源浪费。

因此，在实际图片的人脸检测中，Viola-Jones人脸检测算法存在三级负载不均衡：

thread级。线程负责的检测窗口中的图像越接近于人脸，该线程的工作量越大；否则，工作量越小。

work-group级。当一个work-group处理的图像区域包含人脸时，工作量巨大；否则，工作量可能会很小。

图像级。当图像不断放缩而不能充分利用GPU计算资源时，就会导致图像级的负载不均衡。

本书下面的内容将着重讨论如何解决这些负载不均衡的问题。幸运的是，在解决负载不均衡问题的同时，并行性没有充分发掘的问题也一并得到了解决。