在目标识别领域,人们已经取得了不错的成果,目标识别技术已应用到各行各业都可以看到它的应用,比如在生物领域,军事领域,农业领域等。随着研究的深入,人们开始将注意力转移到动物的检测上。受人脸检测成功的启发,考虑将人脸检测的技术应用到动物检测上,本文开展了对猫脸进行识别的工作。本文采取有粗到精的思想对猫脸进行检测,工作分为两步,第一步是粗检测,获得最有可能包含猫脸的候选区域,第二部分是对第一步的基础上应用可变形模板对猫脸进行精检测,得到最终结果。第一个工作充分利用了猫所具有的丰富的颜色和纹理信息。颜色特征是一种比较常见的图像底层特征,而且猫具有丰富的颜色信息。为了使得objectness方法生成的候选边界框更加针对猫,本文将图像转换到HSV颜色空间后,应用高斯混模型对颜色空间进行分割,从实验中可以看到猫的大致区域能够被分割出来。获得分割的结果之后,在其上应用objectness方法来产生候选矩形,由于加入了颜色的先验信息,使得选用少量的矩形框就能够比较好地标定猫所在的区域。纹理特征是一种比较常见的图像特征,LBP特征是描述纹理最有效的特征之一。在猫脸识别中,为了提取丰富的纹理信息,同时获得特征的局部信息,本文在提取的LBP特征上应用空间金字塔SPM,获得特征的空间几何信息。而为了更好地捕捉图像不同空间区域之间的纹理变化,本文将Haar-like思想应用到SPM中,提取空间区域之间的一阶信息来反映区域间的纹理的变化。在基于Microsoft Cat Dataset进行处理所得到的猫脸数据集上的实验结果验证了所提出方法的有效性。在该数据集上提取完特征之后,我们训练Adaboost级联分类器,进而获得猫脸的候选区域,从实验中可以看出,我们能够得到较为准确的候选区域。结合第一步的两个工作的结果,我们获得了关于猫脸的粗检测区域。在第二步中,为了能够在候选区域上精确地检测出猫脸,本文训练得到猫脸的可变形部件模型,在得到的包含猫脸的候选矩形上,应用DPM进行检测。实验证明这种基于区域的检测要好于整幅图像的检测效果,因而获得了比较好了检测效果。