第5章 总结
本文实现了基于复杂环境下的人脸性别分类，其中用到了两个算法，一个是人脸定位算法，在该算法中，利用人脸的几何特征以及复杂背景下人脸的直方图的特性，进行了阈值的粗估计，直方图的二值化，双眼的定位，及最后的验证。它的主要特点有两个，一是能在任意复杂背景下进行人脸的检测定位，我们在实验中也尽量采用了不同背景下的照片；二是对图像进行了边缘灰度加强，我们采用自己拍摄的照片做实验，分别采用了原始灰度图像和边缘灰度图像做为实验对象比较了两者的实验结果，发现了边缘灰度图像的在关照条件比较差的情况下都能达到预期的效果，一定程度的提高了人眼定位对光照的鲁棒性，也可以说边缘灰度加强就是为了能在环境比较糟糕的条件下检测定位出人脸，最后采用的人脸模板检验人眼及人脸的真实性验证算法使得结果具有唯一性，可靠性。而这两个特性正是我们需要的最好结果，并且对实验最终结果的分析也证实了这个算法的可采用性。
另一个是基于AdaBoost的性别分类算法，进行特征定义，然后用AdaBoost学习算法进行特征的选择以及生成性别分类函数，在学习的过程中虽然花费的时间比较多，但其准确率是比较高的，其主要特点有以下几点：（1）AdaBoost算法的基本目标也可以说它的核心思想是将一组弱学习算法结合成为一个强学习算法，从而通过样本训练得到一个识别准确率理想的分类器。（2）该算法专注的是一些难分类的问题，集中对难学习的分类器进行学习。 此外， AdaBoost算法是一种独立于算法的机器学习技术，其不依赖于特定的分类器和特定的学习算法，而且它可以和各种不同的学习算法组合使用，所以AdaBoost算法具有很强的通用性。
由于是首次接触模式识别方面的课题，入门是很困难的，一开始甚至无从入手，每一步都充满艰辛。通过阅读大量的文献及老师的指导才理出了思路，选取出了算法方案。因此 ，论文存在很多不足是肯定的。本课题采用的检测算法比较单一，对被检测图像的像素大小、背景的复杂程度等都还有一定的......