1、在目標識別領域，人們已經取得了不錯的成果，目標識別技術已應用到各行各業(yè)都可以看到它的應用，比如在生物領域,軍事領域，農業(yè)領域等。隨著研究的深入，人們開始將注意力轉移到動物的檢測上。受人臉檢測成功的啟發(fā)，考慮將人臉檢測的技術應用到動物檢測上，本文開展了對貓臉進行識別的工作。
　　本文采取有粗到精的思想對貓臉進行檢測，工作分為兩步，第一步是粗檢測，獲得最有可能包含貓臉的候選區(qū)域，第二部分是對第一步的基礎上應用可變形模板對貓臉進行精檢測

2、，得到最終結果。
　　第一個工作充分利用了貓所具有的豐富的顏色和紋理信息。顏色特征是一種比較常見的圖像底層特征，而且貓具有豐富的顏色信息。為了使得objectness方法生成的候選邊界框更加針對貓，本文將圖像轉換到HSV顏色空間后，應用高斯混模型對顏色空間進行分割，從實驗中可以看到貓的大致區(qū)域能夠被分割出來。獲得分割的結果之后，在其上應用objectness方法來產生候選矩形，由于加入了顏色的先驗信息，使得選用少量的矩形框就能夠比

3、較好地標定貓所在的區(qū)域。
　　紋理特征是一種比較常見的圖像特征，LBP特征是描述紋理最有效的特征之一。在貓臉識別中，為了提取豐富的紋理信息，同時獲得特征的局部信息，本文在提取的LBP特征上應用空間金字塔SPM，獲得特征的空間幾何信息。而為了更好地捕捉圖像不同空間區(qū)域之間的紋理變化，本文將Haar-like思想應用到SPM中，提取空間區(qū)域之間的一階信息來反映區(qū)域間的紋理的變化。在基于Microsoft Cat Dataset進行處理

4、所得到的貓臉數(shù)據(jù)集上的實驗結果驗證了所提出方法的有效性。在該數(shù)據(jù)集上提取完特征之后，我們訓練Adaboost級聯(lián)分類器，進而獲得貓臉的候選區(qū)域，從實驗中可以看出，我們能夠得到較為準確的候選區(qū)域。
　　結合第一步的兩個工作的結果，我們獲得了關于貓臉的粗檢測區(qū)域。在第二步中，為了能夠在候選區(qū)域上精確地檢測出貓臉，本文訓練得到貓臉的可變形部件模型，在得到的包含貓臉的候選矩形上，應用DPM進行檢測。實驗證明這種基于區(qū)域的檢測要好于整幅圖像