相较与Burl等的严密的方法，Lowe用位置关系及其外观特征来表示对象的方法则松散一些，更主要的是，在Lowe的方法中，各个特征的位置是假设为相互独立的。虽然略有不同，但他们两人的方法还是存在着很大的关联性，例如在尺度和方向这些方面。
然而，还存在着其它的一些检测方法，与星座模型有着不同的地方，我们将他们统称为非星座模型。这些方法与星座模型相比较，最大的不同是，它们把表示目标的局部特性看成是可以变化的。
2.2基于模板的目标检测方法
早期阶段，在以模板匹配为基础的检测方法中，模板被我们定义为是由若干个相对固定的子模板组成的。后来该方法进一步发展成以可变形模板为基础的方法，其可以在人脸检测中应用。在可变形模板中，参数可以以被测对象的外观特征和形状大小为依据所设置，因此我们将之称为可调的参数化模板。在目标检测的过程中，我们可以在空间中改变可变形模板，在模板所处位置区域的图像特征信息的基础上，不定项地对参数进行取值，并将这些参数值在能量函数中输入；在能量函数变化的输出值的基础上，再对模板的形状调整。当在能量函数的曲线最低点取值时，目标最大限度地拟合了可变形模板，相应地就实现的目标对象的检测。
以可变形模板为基础，该方法有着不少的优点，例如，对于不同形状和大小的目标，它都能够进行检测。但由于需要动态地调整参数并对能量函数进行计算，因此需要耗费较长的时间，这也是基于可变形模板检测方法所不可避免的缺点。
Malsburg等用可变形网格上的点来表示所需检测的目标，再以Gabor滤波器为基础，经过相关操作，网格上的点就被映射到对应的图像区域中，我们可以用一个特别的能量函数来表示网格的变形。但是由于图像中背景可能存在混乱和遮挡现象，该方法也面临着巨大的挑战。
Lanitis等研究了另一种方法来表示形状及其变形，即snake模型[3]。此外，与Bichsel所使用的变形技巧相类似，Lanitis还提出了一种活动外观模型。以活动外观模型为依据，选取一个可设置参数的模板对整个对象的外观特性进行表征。但是，与Malsburg一样，此方法还是存在着背景混乱和遮挡的问题，而且其计算也比较复杂。
2.3基于知识的目标检测方法
利用目标的先验知识来对其检测的方法，我们称之为基于知识的目标检测法。杨等人在二十世纪九十年代末提出了相关的方法，我们将它看做是以知识为依据的目标检测法中的经典案例。该方法一般在人脸检测中应用，他们利用待测目标的先验知识导出具有三个层次的结构来表示目标。由于每一层的分辨率都不一样，所以借此能够对图像信息进行不同的表述。例如，底层的分辨率较低，能够对分辨率不太高的图像中的人脸的大致轮廓进行描述；高层的分辨率较高，那么可以把分辨率较高的图像中的人脸部的细节特征表述出来。吕等人在人脸的左右对称性的先天条件的基础上，对人脸的旋转角度进行判断。Sung等也提出了另一种方法，他们通过鼻子，嘴，双眼等人脸部分非肤色区域存在的灰度模式特性来对人脸模板进行新的表述。
杨，吕等研究人员都是在已有目标先验知识的基础上进行研究，从而得出了具体的结构模型，再把该模型在目标检测中进行应用。此外，我们也能够以已有的相关先验知识为基础，设计一种全新的机制，使得系统能够通过机器学习的方式自己去获取相关的知识来解决问题。在自动学习这方面，Lin,Ganrila等人的研究取得了不错的成果。他们通过对目标的监督和学习，把构成人体的不同成分收集起来，然后以它们之间位置的相互联系为基础来构造人体的层次结构。在目标层次性结构描述的基础上，Ganrila等把检查对象过程等价为Bayesian MAP的改良，然后再来进行对目标的检测[4]。 基于图像的目标检测平台开发(3):http://www.youerw.com/tongxin/lunwen_21384.html