随着计算机视觉的发展,物体检测已经成为很多视觉任务的研究基础。在物体检测的范畴中,因为动物头像种类繁杂、同一种动物可变形特征多的特点,动物头像的检测一直是较复杂的一类任务。主动基础模型是一个在少样本学习条件下,检测能力依旧表现良好的模型,但针对动物头像的检测还需进行一些改进。该模型在Gabor特征提取时对于Gabor滤波器的参数设置不能保证对每个类别都是最优状态,若更换检测内容,Gabor滤波器的参数设置只能通过多次实验才可以找到尽可能最优的方案。另外,由于原模型的学习模块中利用的匹配追踪算法自身的不足,有时会因为其非正交性带来反复迭代和冗余计算。针对上述情况,本文在主动基础模型的基础上给出了一种用于动物头像检测的改进模型。该模型主要做了以下两方面的改进工作:首先,给出了一种Gabor滤波器的参数优化方案来改进模型的检测识别模块,该方案结合了计算优化和实验验证两种方法,在人工设置滤波器组方向的基础上,以带宽参数为主参数,利用参数间的约束关系和Fisher原则设计出的判别函数,将滤波器参数通过计算进行合理的优化,使得滤波器判别边缘的效果更好。然后,给出使用正交匹配追踪算法代替主动基础模型中原有的匹配追踪方法来做出改进。利用正交匹配追踪算法的特点,即所有已选择字典元素与残差中待选择的字典元素都具有正交性,从而防止已选择字典的反复迭代,再将改进后的追踪方法与投影追踪耦合最终简化为新的学习模块方法。在以上两部分分别的改进后,再结合原模型中的推理模块作为实际优化效果的验证模块。三个模块共同组成了改进后的主动基础模型。通过从网络下载的动物头像图像数据集进行实验分析,本文的可变形动物头像检测模型可以在学习训练样本仅有12张的情况下,完成对目标头像检测、位置标记的任务。对比原主动基础模型中的方法,Gabor滤波器的参数不需要经过多次实验便可得到最优值。通过对改进前后模板检测效果的实验验证得到本文中的模板F1分数更高,即检测的准确性得到提升。对于共享草图学习算法的改进使得学习所需时间更短,在同一设备中计算每张较小图片的平均时间可减少0.08秒左右,冗余计算更少,使用较少的Gabor小波元素个数仍能表现较好的结果。在最后,利用改进的模型对多种动物头像数据集进行实验,展示出该模型的效果可以满足视觉任务中检测和表示的目标需求。