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、“.....观察在整个场景中每秒的情况假如显示只是随着的增加而增加分析的每个页面元素的性能选择相关参数解释把名字解析成地址的时间,该项能确认服务器或配置是否有问题,该值应该比较小浏览器和建立连接的时间,该连接时间可以判断网络问题,该值应该比较小建立以上连接后,从发出第个数据包经过网络传送到客户端,浏览器成功接受第个字节的时间,该值表示的延迟时间和网络的反映时间从浏览器接收第个字节起到成功接收最后个字节所经历的时间,该值可以判断网络的质量请求在客户端或浏览器的延迟时间从发送了个请求,从发送回个信息所需要的时间接着分析,看页面各个组件的大小，观察各组件的大小和下载时间，分析得出是否由于组建的大小影响整个的性能，如果不是，继续往下步分析选中查看各组件在场景运行中每秒钟的的传输时间，如果没有特别的组件传输时间长，则继续往下步分析选中确认是服务器还是网络问题，如果是服务器则分析的系统资源。学习就是不断积累和实践的过程，把每次遇到的问题通过自己的实践来检验书本上的知识时往往有更深的印象。无论在今后的学习还是工作中都要保持这种优良的学习方法。同时很感谢老师的细心教导......”。

7、“.....测试工具的学习往往是冗长和烦躁的，成百个参数等着去学习，捏着鼻子硬着头皮看着枯燥的教科书在炎热的春夏之际就是中磨练，没有同学的相互交流和宽松的学习环境，我想结果会是很糟糕的，不过庆幸我得到了更方面的支持，让我顺利地完成了本次课设。七参考文献张瑾，杜春晖自动化软件测试机械工业出版社，年月刘宝德项目测试实战北京科海电子出版社，年月网络等知识。二测试计划及测试需求测试计划飞机订票业务系统作为本次测试的被测系统注以下所有针对被测系统地描述均为针对订票系统核心业务系统进行的，该业务系统的主要功能包括订票票务查询和退订。在本次测试中，将针对上述的功能进行压力测试，检查并评估在模拟环境中，设置聚集点开始动作和结束动作脚本，系统对负载的承受能力，在不同的用户连接情况下，系统地吞吐能力和响应能力，以及在预计的数据容量中，系统能够容忍的最大用户数和点击率。主要需要获得如下的测试指标。系统的响应能力即在各种负载压力情况下，系统的响应时间，也就是从客户端交易发起，到服务器端交易应答返回所需要的时间，包括网络传输时间和服务器处理时间......”。

8、“.....也就是在单位时间内，应用系统针对不同的负载压力，所能完成的交易数量。应用系统的负载能力即系统所能容忍的最大用户数量，也就是在正常的响应时间中，系统能够支持的最多的客户端的数量。测试压力估算时采用原则如下系统在线用户数取系统总用户数的，即系统在线用户并发数取在线用户数的，即系统响应时间判断原则原则如下系统业务响应时间小于秒，判为优秀，用户对系统感觉很好系统业务响应时间在秒之间，判为良好，用户对系统感觉般系统业务响应时间在秒之间，判为及格，用户对系统勉强接受系统业务响应时间超过秒，判断鉴性比较低，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......”。