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。但是这两种曲有个八的相对位置，适用于加工精度不超过级。而该工件的槽深的公关较大，故采用直角对刀块，用螺钉销钉固定在夹具上，用塞尺调刀。夹具在机床上的安装方式以及夹具的结构本夹具通过定向键与铣床工作台的形槽配合，夹具体上的耳座用螺栓与机床工作台坚固，保证夹具上的定位元件的工作表面对工作台的进给方向具有正确的相对位置。夹具的精度分析本夹具采用面两销定位方式，定位元件的选择及定位误差分析如下两销中心距的尺寸及偏差。已知工件上两孔中心距尺寸为，取，则销距尺寸及偏差为确定圆柱销的直径及偏差。为了减少基准位移误差，考虑到定位销制造时的经济性，可取销径和偏差为即连杆大孔与圆柱销间的最小配合间隙确定菱形销的结构尺寸和偏差菱形销必须满足中心距的补偿量，补偿量根据，查得直径为菱形销宽度菱形销定位的最小间隙菱形销的直径取公差带为计算定位误差。槽深误差由基准不重合引起，由于槽深公差，工件两定位面公差为，所以用对刀块及塞尺调整刀具与工件的加工位置，保证槽深。转角定位误差结论采用这种定位方式，可保证此工件加工满足要求绘制夹具总图及技术要求如下图绘制零件图，从略。产品型号零部件图号机械加工工艺过程卡片产品名称减速器零部件名称共页第页材料牌号毛坯种类棒料毛坯外形尺寸每个毛坯可制件数每台件数备注工时序号工序名称工序内容车间设备刀具夹具量具准终单件下料切割下料下料车间热正火热处理车间铣铣双面并打中心孔金工车间车粗车轴颈至粗车轴颈至粗车轴颈金工车间中心孔图轴的几种安装方法图型块装夹铣工件两端本例挖掘机减速器中间轴的定位基准选择如下粗加工加工两端面打顶尖孔采用外圆表面作为定位基准面用型块安装精加工采用外圆表面和个顶尖孔作为定位基准面用三爪卡盘和尾顶尖安装花键槽的加工和磨削采用两顶尖孔作为定位基准用两顶尖安装。四拟订工艺路线根据轴的结构特点，轴的加工主要是用车削和磨削，个别质量要求较高的表面还需要进行光整加工。般轴类零件加工的典型工艺路线如下预备加工轴的毛坯经过热处理和对安装方法进行分析后，就应对轴进行预备加工。预备加工包括校直对于细长的轴，如果弯曲变形会造成加工余量不足，应进行校直切断对于直接用圆钢作毛坯的轴，应切断，对于批量较小的锻件毛坯，因两端有较大的加工余量也必须切断切端面和打中心孔对于单件小批生产的轴，可以经过划线后再切端面和打中心孔，对于成批大量生产的轴，可以采用铣端面打顶尖孔的专用机床进行铣两端面打两顶尖孔见图。粗车外圆粗加工空心轴的内孔为了保证轴在车削过程中的刚度，应先车大直径外圆，然后再车小直径外圆。对于空心轴还要粗加工如钻镗内孔。热处理对质量要求较高的轴，在粗车后应进行正火调质等热处理，以便消除工件的内应力和提高机械性能。半精车外圆对些精度要求较高的主要表面，需要安排半精车来为精车作好准备，如精车前必要的精度和加工余量等。精车外圆为了保证定位精度，精车前要修整顶尖孔或改打带保护锥的型顶尖孔。对线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