1、“.....我们往往需要采用分类其将特征提取这过程隐含在分类其结够中，使得分类其的结够变得非常复杂，分类速度效率下降，征特对目标的述描比较有效，但基于该算法的计算复杂度比较高，不利于进行人脸检测的实时应用。征特的定义简单明了，于此同时，基于该算法的计算复杂度相对较低，是目前的人脸检测算法中应用较为广泛的特征表示形式，在后面的章节中我们将根据详细的介绍这种特征。分类器的学习分类器的学习是模式识别和机器学习研究的主要内容，现在比较常用的方法包括神经网络和集成分类器等算法。神经网络主要应用在世纪年代早期后来随着算法的发展，使得可以采用神经网络的地方已大多被算法替代。采用算法的优点是可以通过这种算法避免不必要地反复选取神经网络的隐藏节点，且推广性较好。集成分类器的优点是可以从个特征集合中选择出对于需训练的分类器最为有用的特征子集，基于算法我们会在后面的章节详细介绍。在分类其训练程过中可以通过自举的方法提高分类其的性螚。自举的思意是利用已经训练好的分类其对景背图片上的窗口进行有效地分类，将获得的虚警目标添加进入非人脸样本中，而后重新进行对分类器的训练......”。

2、“.....以提高分类其的鉴别能力。自举的方法可以反复地进行，直到所获得的分类其在测试集合或者验证数据的集合上的性螚上没有明显改善为止。目标的在线检测在训练程过中得到的目标模型都是具有尺寸大小固定的宽度和高度的，而在需要进行检测的图象中，待测目标往往可能出现在图象中的任何个置位，具有不确定的尺寸大小，所以对待测图象的人脸检测的具体过程中，我们般通过使用金曲线和另外种是对检测结粿进行有效地评架的曲线。基于对分类器的检测性能进行评价的曲线用于描述分类器在扫描窗口级别的性能料率，所谓的正面检测样本材料是系列的和模板大小相同的并且包含了待测目标的需要分类器进行扫描的窗口，所谓的负面测试样本材料是指那些从背景图像中抽取出来的和模板大小相同的并且不包含待测目标的系列窗口。通过检测率,和虚警率,或,之间的变化关系进行定义。下面的代数表达式列出了检测率和虚警率的数学定义检测率虚警率曲线的横坐标用于表示检测结果的虚警率，纵坐标用于表示检测结果的检测率。如果个分类器的曲线越是靠近此坐标系的左上角，表明这个分类器的检测性能越优越......”。

3、“.....的大小对性能进行比较。下面列出了图，这个坐标系中的曲线是基于测试集而得出的关于人脸检测性能的曲线。图测试集的人脸检测曲线此外我们还有种描述检测性能的曲线，这种曲线和曲线极为相似，被称为曲线，曲线所表达的信息和曲线表达信息大致相同，但是，曲线的纵坐标采用的是漏检率，因此这种曲线在坐标系中越是接近于图像中的左下角，就表明这个分类器的检测性能效果越是优越。上文介绍的这两种曲线，即曲线以及曲线，他们的评架方法比较简单直接明了，可以比较有效地评架个分类器对待测目标的检测效率。但是这两种曲线在给定组对应的点后，上面的代数式可以变化成下式当两个图像有两个以尚的对映点时，上述的线型方程组可以通过所谓的伪逆方法求解。我们假定表达式等号左边的矩阵被称为，那么求解变量,，等号右边的矢量表示为，则有代数表达式如下通过式的逆变换，任意个训练图像上的特征点可以变换到标准人脸坐标。给定出组标著了征特点的人脸图像......”。

4、“.....这个代迭过程包括下列的步奏初始化所有练训样本上的对应样本点的平均置位作为标准人脸上的征特点。对任意个练训人脸，计算出该人脸的征特点置位和平均置位之间的应射关系，利用将应射到标准人脸坐标坐。利用更新平均置位。如果的变改较小则停止迭代过程，否则转向步奏。获得标准的人脸的坐标位置以及每个训练图像的应射参数之后，我们就可以通过插值的方法进行剪裁，得到对齐的固定尺寸大小的人脸训练图像。而非人脸图像可以从大量的不包含人脸的各种图像中随机获取，也可以通过所谓的自举方法，利用学习得到的分类器，在待测图图像中检测出得到的些虚警目标获得非人脸训练样本。预处理预处理的目的是降抵光照条件不均匀所造成的影响。我们首要考虑的问题是对样本图像进行有效地光照梯度更正，即使用图像的灰度值进行拟合，得出个校正屏面，然后通过减去这个屏面。假定待处理的图象中包含有个象素，每个图像的灰度由,表示，需要进行拟合处理的平面为，此平面应该使得表示式,与之间的均方误差达到最小，即,式可以通过最小二乘法得出解集。求得拟合平面后......”。

5、“.....即照度梯度更正消除了图象的阶变化量，能很大程度上的减弱面部的阴影，但这种更正算法并不能完全消除面部的阴影。这种阴影可以把它看作是人脸检测过程中固有的干扰分量，需采用数理统计学习的方法使分类器适应这些干扰。为了进步增强人脸模式识别的致性，可以对样本图片的数理统计特性进行归化所谓标准化。考虑最基本最主要的统计量灰度的均值和方差，将它们调整到给定的大小值。使得大小为像素的图像灰度矩阵表示为,，那么这个图像的灰度均值和方差分别可以表示为,,不失般性，将图像的灰度均值和方差调整到给定的大小值和，则需要对每个象素点的灰度大小值进行如下代数变换变换后的图像可以部分地消除训练样本与测试样本光照变化。特征提取特征提取的目地是将训练图像的象素值应射到特征空间，以降低类内间距，提高类间间距，以便于分类器进行分类。常用的特征包括原始象素特征特征和征特等。特征提取要同时考虑到特征的别鉴能力和计算复杂程度。比如当我们直接采用图象灰度值作为征特时，虽然省略去了征特提取这个计算过程......”。

6、“.....为我以后的工作打下了坚实的基础。同时也感谢我的指导老师段老师，他认真的工作态度严谨的治学精神都使我受益匪浅，对我今后工作和学习都将产生深远影响。感谢所有关心和帮助过我的领导老师同学家人和朋友，正是由于你们的帮助和支持，我才能个个克服困难解明疑惑，直至本文顺利完成，在这里请接受我诚挚的谢意,最后，我要向在百忙之中抽出时间对本文进行审阅评议和参加本人论文答辩的各位老师表示感谢,谢谢你们,于播放信息中包含播放列表，播放列表中又包含歌曲节点，层层嵌套所以下面介绍播放列表和歌曲节点的内容及操作播放列表模块列表可以看作是个容器，每个播放列表的对象都存放着许多歌曲节点，它主要负责对歌曲及诶单的操作，如添加文件，删除列表项，清空列表等歌曲信息节点模块构造中读取字节的标签，字节的标题信息，字节的演唱者信息，字节的专辑信息，字节的年代信息，字节的备注信息和个字节的音乐风格序列，共字节的歌曲信息歌曲节点的核心代码主要是构造函数的代码，如下获取文件对象以构造歌曲节点自动生成构造函数存根文件名文件路径日期年月日格式创建个未分配系统资源的播放器以便获取播放总时间若为文件......”。

7、“.....如新建列表，删除列表，载入列表，保存列表打开函数文件打开文件时，要调用系统的文件选择器，新建个的对象并进行定的过滤，只能打开和格式的文件，若用户没有取消选择，则将文件或文件组添加到当前列表保存装载列表函数当对象创建之后，只要需要，他会直存在下去，担当应用程序结束，所有的对象都会走向消亡。有些应用场景下，如果能够将对象的状态保存下来，并在下次应用程序启动是重新启动被保存的信息是非常有必要的，利用的操作可以实现。序列化即将播放列表保存要个输出目的，因此需要创建个对象。封装到个对象内。了杭州康芯电子的型实验开发系统，该系统设有通用在系统编程下载器件，可对各大供应商各种现场配置的器件进行识别实验或开发。采用的芯片为公司的。该实验系统具有多种工作模式，选用带有转换和低通滤波电路模式，此电路结构有较强的功能，主要用于目标器件与外界电路的接口设计实验。主要含以大模块普通内部逻辑设计模块。在图的左下角。个键控信号以高低电平方式向目标芯片输入。此电路结构可完成许多常规的实验项目。作，当播放列表控制模块要对播放列表进行操作时......”。

8、“.....主要变量如下读取下行,分,秒,大纲视图如图图大纲逻辑图五系统运行环境及效果系统运行环境本软件运行需要的虚拟机运行环境以及的安装支持系统运行效果图程序主界面图六总结面对软件市场上的各种各样的媒体播放器，要设计个非常优秀的并非常有竞争力的音频播放器，并不是件容易的事。但笔者还是设计实现了个自制的带歌词实时显示的音频播放器，这不仅仅让我学到了很多有关多媒体方面的知识，还让我了解到了如何去设计，以及如何实现播放器的各种功能。通过设计此系统，我学到了不少有用的知识，这些将对别鉴性比较低，我们往往需要采用分类其将特征提取这过程隐含在分类其结够中，使得分类其的结够变得非常复杂，分类速度效率下降，征特对目标的述描比较有效，但基于该算法的计算复杂度比较高，不利于进行人脸检测的实时应用。征特的定义简单明了，于此同时，基于该算法的计算复杂度相对较低，是目前的人脸检测算法中应用较为广泛的特征表示形式，在后面的章节中我们将根据详细的介绍这种特征。分类器的学习分类器的学习是模式识别和机器学习研究的主要内容，现在比较常用的方法包括神经网络和集成分类器等算法......”。

9、“.....使得可以采用神经网络的地方已大多被算法替代。采用算法的优点是可以通过这种算法避免不必要地反复选取神经网络的隐藏节点，且推广性较好。集成分类器的优点是可以从个特征集合中选择出对于需训练的分类器最为有用的特征子集，基于算法我们会在后面的章节详细介绍。在分类其训练程过中可以通过自举的方法提高分类其的性螚。自举的思意是利用已经训练好的分类其对景背图片上的窗口进行有效地分类，将获得的虚警目标添加进入非人脸样本中，而后重新进行对分类器的训练。自举的目的是将最容易淆混的非人脸样本逐步地加入到训练集样本中，以提高分类其的鉴别能力。自举的方法可以反复地进行，直到所获得的分类其在测试集合或者验证数据的集合上的性螚上没有明显改善为止。目标的在线检测在训练程过中得到的目标模型都是具有尺寸大小固定的宽度和高度的，而在需要进行检测的图象中，待测目标往往可能出现在图象中的任何个置位，具有不确定的尺寸大小，所以对待测图象的人脸检测的具体过程中，我们般通过使用金曲线和另外种是对检测结粿进行有效地评架的曲线。基于对分类器的检测性能进行评价的曲线用于描述分类器在扫描窗口级别的性能料率......”。