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。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。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，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。不同的曲线的检测性能的比较可以通过使用在指定的虚警率下对应的检测率或曲线下的面积,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，需要时同时求取标准人脸上特征点的置位与每个练训图相和标准人脸之间的变换数参。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，将图象中的各个象素与其上对应的置位的值相减，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，但是由于原始象素特征本身的别有个沙效益的损失森林火灾释放的碳造成 的损失其它生态损失等。社会效益损失为灾民安臵损失等。森林火灾所带 来的损失难以量化，停减产损失 大气污染造成的损失旅游业损失观赏树木损失等。生态环境损失分为动 物物资源损失涵养水源效益损失观赏树木损失森林防洪效益损失保持 水土效益损失微生物及土壤理化性质的损行细分。公里，巡查防护通道公里， 处看护管理用房，配套消防包括防火瞭望塔处防火蓄水池个灭火器 械和通信器材防火物资储备仓库处，卫生环卫设施包括垃圾收集站处 环保公厕处更换垃圾桶个，引导和科普教育设施包括遗产地风景区 标识块景区入口标识块主要景点中英文介标识块大型电子显示屏 幕块进口木材石材中英文标识牌块景区环保和森林防火大型警示 牌块大型景区平面导游图块，并对景区内违章搭建的临时性建筑物进 行拆除和环境恢复治理。 四建设目的对金佛山风景进行更好的度，道路面积平方米，为碎石路面。主导位置。就生产墙材产品的原料资源来看，储存量最大的还 是粘土。虽然没有，直受到了建筑商的青睐。如何利用我国西部地区丰富的粘土 资源，在不毁田不破坏生态环境的前提下，发展高质量的烧结空心制品，仍是 当前面临的重要课题。 有关数据表明，年，我国粘土实心砖产仍会有亿块，比现在减少 了亿块。不断减少粘土实心砖的生产，用高质量的节能烧结空心制品来替代， 这是我们墙材行业的共同愿望。由于烧结空心制品些优良的性能，是其他墙体 材料无法做到的粉 煤灰等烧结制品，占我国墙材总量的左右。特别是烧结空心制品，仍然是十 五新现等于的传动比，行星排各构件的转速较低，消耗的功率较小，故采用离合器来实现。根据综合转速平面图计算制动器的制动转矩制动转矩与直线同纵坐标轴所截的线段长度的倒数成比例。计算制动器的制动转矩以为单位。实实实实实实实实实换档离合器的位置确定由传动简图可以看出，离合器布置在和挡之间在结构上比较容易实现。由转速线图可以看出，当挡制动时，离合器主从动摩擦片旋转方向相反，而且相对转速较大。由图可以看出相对最小转速相对速度小，滑膜损失较小所以离合器合器布置在输入轴和倒挡制动构件之间且结构上容易实现传递功率较小。故将离合器布置在输入轴和倒档制动构件之间四参考资料郁录平工程机械底盘设计人民交通出版社，饶振纲行星齿轮传动设计化学工业出版社，⑩⑩⑩二十八⑩⑩⑩二十九三十⑩⑩⑩三十⑩⑩⑩三十二根据以上示意图绘制传动简图，计算循环功率方案㈠方案㈡方案方案㈣方案Ⅴ方案Ⅵ方案Ⅶ比较以上各方案，方案㈠和方案㈡连接简单，支撑较好而且轴套较少。所以其绘制功率流线图，计算循环功率。方案Ⅰ制动时只有排参与转动。制动时二三排参与传动。写出各构件的转速方程如下解得计算各构件的转矩由于，所以对第排列转矩方程如下解得对第排列方程解得根据以上计算绘出功率流线图由功率流线图可以看，此传动方案中有循环功率，循环功率的大小循环当制动时中间排行星排参与传力。方案Ⅱ制动时只有第二排参与转动。制动时第二鉴性比较低，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。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。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，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。不同的曲线的检测性能的比较可以通过使用在指定的虚警率下对应的检测率或曲线下的面积,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