目标识别是计算机视觉和模式识别领域非常活跃的研究课题。针对生物特征的识别都围绕着“人”来展开,人脸识别、表情识别、性别识别、虹膜识别、手势识别等等。而日常生活中常见的动物如猫狗、牛羊等亦开始出现在目标检测和识别中。特别地,猫、狗等宠物越来越受到人们的关注。本文以最常见的宠物——猫为研究对象,提出了一种应用于数码相机的基于机器学习的由粗到精(coarse-to-fine)的猫脸检测方法。首先,基于Haar-like特征的AdaBoost学习算法训练一个粗级的猫脸检测器。这个粗分类器能够快速地检测出不同尺度的猫脸,在微软猫脸图片库(含猫脸图片10000幅)上测试达到85%的检测率,但误检较高,误检猫脸占实际猫脸总数的27%。为了排除误检,级联一个基于HOG特征SVM分类器,对粗级分类器的检出框归一化大小后作二次分类,将其结果作为最终分类结果,误检猫脸数目由281个下降至21(猫脸总数10098)。粗检测器使用基于查找表型弱分类器的Gentle AdaBoost算法训练而成。Gentle Adaboost是连续Adaboost(Real AdaBosst)改进。与Real AdaBosst相比,Gentle Adaboost的弱分类器输出函数在数值上更稳定。而查找表型弱分类器能减少Haar特征数,更好的表达正样本和负样本的分布。粗检测器的目的是利用Haar+Adaboost分类模式的快速检测能力,避免了HOG+SVM分类模式准确率高但耗时巨大的问题;精检测器利用HOG+SVM分类模式出色的区分度弥补了粗检测器速度快但准确率不高的缺陷。