本文从图像信息的分析和提取角度切入,对基于图像的目标检测技术进行研究,提出了数种基于图像的目标检测方法。首先，事物在空间模式上的呈现总是稳定的，因此，结构是事物内在的属性；其次，它切实反映了事物的内外联系以及上下的约束关系;再次，在图像的所有特征信息中，结构是比较稳定的，无论图像进行怎样的变化，它都能够提供有效的支持。
构建系统来检测目标，我们可以使用两种基本的方式。一种是在系统方方面面的细节设计好之后，再使用检测系统；当然，如果人们能够设计出一个完美的系统，这就是一个很棒的方法，这也是在学习算法之前人们一直沿袭的方式，但该方法并不是一直有效的。第二种方法并非是设计一个完全的系统，而是先赋予系统相关的先验知识[1]，与此同时，赋予系统一种机制，使得系统能够依靠它在训练集中进行检索，并找出有用的知识来解决问题。这种方法使得目标检测完美的融合了机器学习的相关技术。
随着计算机视觉领域的快速发展，如何把机器学习的方法与目标检测相结合成为越来越重要的趋势。本文主要从技术角度出发，着重于图像结构的目标检测方法的研究。
目标检测系统有着广泛的应用，在多个方面都扮演着难以替代的角色。而且，随着信息获取与存储技术的发展，目标检测的相关技术迎来了飞速发展的时期。各种检测机器不间断的提供着大量的原始数据，如果依靠人力来解决的话，所耗费的成本不可想象，所以，研究能够读懂图像信息并从中挖掘出有效信息的目标检测技术就显得尤为重要。
由于目标所包含的范围十分广阔，如一草一木，山河湖泊等各种自然和非自然生命都可作为检测目标，所以为了缩小研究范围，选取常用的人脸作为研究对象，并进行实际应用。
2目标检测方法概述
从二十世纪751七十年代起，目标检测的相关研究就开始了。但是在研究阶段的早期时刻，目标检测研究的范围是有很大限制的，研究对象很稀少，譬如指纹的鉴定，人脸的识别等，并且这些目标的背景图像也十分简单。随着科学技术的迅速发展，计算机领域的发展速度也有了爆炸式的增长。目标检测的对象也随之变得越来越繁多，包括自然图像在内，对应的图像范围也越来越大，所以相关研究工作也愈来愈复杂。
2.1基于局部特征的目标检测方法
利用局部特征来进行目标的检测，首先需要我们在完整的图像空间中，找寻具有代表性的目标的局部特征，然后再分析这些特征间的关系从而来判定目标的空间位置。人们建立了许多模型进行该方法的研究，其中最著名的是星座模型(constellation model)[2]。星座模型是Fishler与Elschlager在相关研究过程中所建立的。Burl等在他们的基础上进行了深一步地探索，将其变得更加严密而复杂。因为他们的方法能够在处理场景混乱的问题时起到较好的作用，因此受到了人们的广泛应用。
Amit等对目标进行了重新构造，用由局部特征构成的含有两个层次的结构来表示，其中特征是由图像中检测到的线段所组成的，使用限制其中的线段在某个区域内移动的法子来表述检测对象的变化。Amit等人通过在研究中，评估所有线段可能的组成集合，在此基础上获得了用层次结构来表示目标的方法。
Huttenlocher和厄尔曼提出了同艾米特方法相类似的法子，称之为对齐方法。映射到图像中的对象所表示的每一点与图像中的某些局部特征相对应，但是该方法存在一定的局限性，它只适用于刚性对象(rigid objects)。随着研究的深入，在概率散列技术的基础上，Pope等提出了相应的方法。概率散列技术可以认之为是一种用于概率计算的方法，它反映了图像中可能存在的各种结构。由于在使用这种方法时，每个特征的位置都被假设为独立的，且在实现散列算法方面也有一些困难，因此该方法也存在着一定的缺点。 基于图像的目标检测平台开发(2):http://www.751com.cn/tongxin/lunwen_21384.html