第三章我们介绍了图像融合领域的技术分类以及我们研究的泊松融合的算法，我们对比 结果得出一些结论。

第四章我们介绍现今 Android 平台以及介绍我们实际完成软件之前我们所需要的环境，编 译工具。

第五章我们分析我们的结果，说明实际情况。 最后我们会有总结，致谢，以及参考文献的介绍。

1。4 本章小结

本章节主要介绍了在基于手机的眼镜虚拟试戴系统中所需要的技术的国内外研究现状， 以及介绍了接下来的章节安排。

第 4页 本科毕业设计说明书

2Boosting 算法

2。1Boosting 算法的由来

最早 Boosting 算法源自于 PAC（probably approximately correct）学习模型。PAC 又名概 率近似正确，是 Valiant 于 1984 年首次提出的，在这之后在计算机学习、人工智能、人工神 经元网络、模式识别等领域得到了广泛研究和应用[3]。我们知道早些时候 Schapire 于 1990 年 基于 PAC 学习模型提出了一种方法，并且证明了弱分类器的分类准确率只需要比随机分类准 确率略高（即正确选择概率能够大于 50%）能够通过 Boosting 算法将多个弱分类器级联为一 个分类精度相当高的一个强分类器[4]。

2。2Boosting 算法原理简介

Boosting 算法的实现就是将弱分类器组成一个强分类器的过程，如何将一个弱分类器组成 一个强分类器呢？其过程可以类比于一个投票的过程，假设有 N 个弱分类器，我们让每一个 弱分类器进行投票，然后根据不同的权重，我们统计票数，在假设已经有一个恰当的阀值， 使得认为正确的票数的百分比超过这个阀值，我们即认为这个识别是正确的，即我们得到了 一个有更高分辨率的分类器-强分类器。这就是 Boosting 算法的一个简单比喻。

2。3半监督的 Boosting 算法

2。3。1 视觉上下文区域

人眼检测过程中，大多数常规的人眼都是处在一定的环境下的，我们将这种环境成为视 觉上下文区域。针对人眼检测的需要，我们将视觉上下文区域分为两个小区域，一个是在检 测过程中相对于要检测的人眼是相对稳定的区域，我们称之为稳定区域（例如眼睛都是在人 脸上的，人脸的区域我们可以称之为稳定区域）；另一个是在检测过程中相对于要检测的人眼 是相对容易产生变化的区域，我们称之为不稳定区域（例如头发的长短，可能会盖上额头， 有些不会盖上额头，额头区域的变化较大，因此额头区域为不稳定区域）。我们在进行人眼检 测时候会利用稳定区域提供的特征[11]。

本科毕业设计说明书 第 5页

在进行人眼检测过程中，我们要利用视觉上下文区域的一些特点，比如眼镜在视觉上下 文区域中稳定区域中的相对位置，或者眼镜在视觉上下文中的稳定区域的差异等等。为 此，我们要找到一个大小合适的稳定区域，使这个区域尽可能的包含稳定因素，规避不稳定 因素。我们找到的这个区域，我们将之命名为参考区域。选择这个区域的原则就是使得尽量 包含稳定的视觉上下文区域，并且尽量不包含多变的视觉上下文区域。参考区域应该包含眼

镜所在的区域。 对于不同的人脸图像，参考区域不可能完全一样，我们要选一个完美的稳定参考区域是

不可能的，因为我们在不同的视觉上下文区域中，很难得到大小完全一样的参考区域。但是 在一个稳定的参考区域中，我们会比较容易建立一个眼睛的模型，因为我们的眼睛在稳定参 考区域中的位置相对稳定，在稳定参考区域中眼睛与周围的对比度是相对稳定的。因此，我 们需要得到一个相对稳定的参考区域。