Parikh等人使用的方法与Lin不同，他们采用无监督的方式从图像的集合中学习图像层次结构的表达方式[5]。他们假设该表达方式是一种树状结构，其含有图像不变的唯一元素。这种树状结构是对包含推理过程的EM算法进行相关研究后得到。 Parikh等人的方法极大地减少了人工的参与，提高了机器自主学习的程度。
3 目标检测在实际中的应用
上一小节中我们对目标检测的方法进行了综述，对相关观念以及常用方法有了大致的了解。现在我们选取人脸作为特定目标，进行实际应用并开发相关平台。
3.1人脸检测方法综述
目前关于人脸检测的主流思想有数种，下面从方法论角度对其进行概要性的总结。
3.1.1基于知识的自顶向下的方法
人们在研究人脸的进程中不断地进行探索归纳，对此有了一定程度的认识，将它们总结成一种规则，复杂程度由易到难。譬如：“在人脸的左右区域，各存在着一只相互对称的眼睛”，“在灰度模式的图像中，眼睛相较于人脸其它部位，呈现出较暗的色彩”等等。在我们对人脸的研究达到一定程度的基础上，把已经获取的相关规则在输入图像中应用，从而可以进行人脸区域的搜索。
3.1.2基于人脸特征的自底向上的方法
在此类方法里，我们先处理输入图像，再把处理结果与人脸比较，找寻它们的一些共同点，通过这个来判断某块区域是否是我们所要寻找的。例如，在对图像数字化处理时，我们经常使用提取轮廓的方法，所以在此方法中，我们可以借鉴过来，在应用图像中找寻轮廓，接着再尝试性地探索哪些线条能够表示人脸区域的左右边线以及发际线，这样就能够找出大致的人脸轮廓了。此外我们也能够使用从图中获得的肤纹信息和彩色信息[6]，将它们与正面人脸的相关模型比较，这样我们可以得到大概的结果。假使我们能够将人脸特征的各方面融合起来，那么这将能够极大的提高人脸检测算法的性能。
3.1.3模板匹配的方法
一开始，我们需要创建与人脸相关的模板作为与其余模板匹配的标准。我们所创建的模板应该包括人脸或者是下面一些特性：嘴，鼻子以及眼睛等。以所创建的模板为基准，把每个需要检测的部分与模板比较，计算出相似度，从而判断该检测部分是否是人脸。
3.1.4基于人脸外观的方法
这种方法需要我们找寻大量的样本数据组成集合，接着再利用特定的一些方法训练出一个分类器用以对人脸进行检测[7]。该方法一开始并不需要人来分析样本或是随机地选取模板，对于输入图像，也不必过于处理；而是以大量的人脸整体外观为基础，利用结构化的方法训练出一个分类器用以对人脸进行检测。这就是此种方法与其余方式的最大不同之处[8]。在该种方法中，运用了大量的交叉学科的知识，例如特征向量，信息学，统计学等。
之前介绍的各种方法都或多或少地存在着一些缺陷。很多研究人员在深入过程中也都遇到了不少的困难，他们在各自问题的基础上积极探索，因此产生了很多有效的检测算法。但没有哪一个人发明的方法能够同时满足速度与质量的要求，也就是如果追求更高的正确率，更好的鲁棒性能往往会耗费更大的精力和成本。
3.2基于肤色的人脸检测算法
上文在综合性地阐述人脸检测算法的途中，主要是以方法的不同来进行区分。可以想象，倘若使用多种分类原则，自然而然地将会得到多种分类结果。在此小段中，我们对以肤色信息为基础的算法进行大致的叙述。
3.2.1色彩空间与色彩空间的聚类
一个颜色在计算机中存在着多种形式的表述方法[9]。因此，这导致了五花八门的色彩空间的产生。当然，这些色彩空间在本质上并没有什么不同，只是在计算机中的存储码不一样而已。这些色彩空间，每一个的生成背景和使用场景都不同。下面，我们介绍几种主要的色彩空间： 基于图像的目标检测平台开发(4):http://www.youerw.com/tongxin/lunwen_21384.html