- 研究背景及意义
21世纪是信息化的世纪,信息技术迅猛发展和普及,不断改变着人们的生产、生活方式。在大数据时代下，人工智能成为现今热门的研究领域,也是未来社会发展的重要方向,机器学习作为人工智能中的重要研究领域如今发展更是突飞猛进。与传统机器学习不同，大数据环境下机器学习更强调“学习本身是手段”机器学习成为一种支持和服务技术。如何基于机器学习对复杂多样的数据进行深层次的分析，更高效地利用信息成为当前大数据环境下机器学习研究的主要方向。
另外现有的许多机器学习方法是建立在内存理论基础上的。大数据还无法装载进计算机内存的情况下，是无法进行诸多算法的处理的，因此应提出新的机器学习算法，以适应大数据处理的需要。其中多视角分类器是机器学习领域研究的热点问题，算法的更新更是刻不容缓。在互联网飞速发展，人工智能时代的到来给人们带来了获取图像数据的便利。这些数据往往来自不同视角，也许表现出不同的分布形态，如何对这样的数据进行识别分类，一直是机器学习领域攻克难点。
综上所述，多视角分类器研究是一个相对复杂且具有一定挑战性的问题，具有十分重要的学术价值，可以为其他复杂的算法研究以及图像识别问题和复杂场景下的多视角检测方法研究目标检测问题提供重要的指导性作用。此外，由于多视角分类器具有非常重要的应用价值，在不断发展的智能技术和人们需求不断增多的大环境下，其应用范围将会越来越广泛，同时也会更方便人们的生活。
- 研究现状
（1）国内外研究现状
对于多视角分类器算法的研究，与其相关的是多视角学习方法，多视角分类器和人脸检测方法，国内外对相关研究有不同的研究现状。
在多视角数据学习领域，特征学习已经成为一个重要的研究课题。特征学习作为一个经典的机器学习问题，目前以及有相当一部分成熟的工作，像 PCA、LDA 之类，已经成为数据预处理的常见手段。除了子集搜索式选择、过滤式选择、包裹式选择之外，以稀疏编码为代表的嵌入式选择和正则化在前几年得到了广泛的研究，并结合压缩感知，缓解了大部分过拟合问题。但是随着范数约束形式的增强，仍然有相当一部分工作值得尝试。在多视角分类器算法研究领域，主要是支持向量机算法。国内外都研究了多视角近似支持向量分类器工作机理，还将多视角分类器算法运用到人脸和人体检测，车辆检测以及生物医学方面。
对于人脸检测技术的研究，国内外很多高校和研究机构都进行了大量的理论研究和技术改进。很多知名的研究机构，包括 MIT/CMU，Microsoft Research，国内的清华大学，中科院自动化所以及中科院计算技术研究所等知名科研院校的众多研究人员投入其中。在起步阶段，研究人员主要考虑影响人脸的检测精度的因素，采取一些措施进行改进。对人脸检测的其他方面考虑较少，检测方法也主要基于人脸外观特征，面部几何结构，五官分布等能够事先获取的信息。因此，早期的人脸检测算法普遍比较简单，检测效果并不理想。2001 年，viola提出了使用 Adaboost 算法进行人脸检测，并得到成功运用。由于该算法大大改善了人脸检测精度，检测速度也得到提高，使得人脸的实时检测成为了可能。并且，研究对象也由原来的单一视角扩展至支持多个视角的检测，近年来有关人脸检测工作很多都是在 Adaboost 框架的基础上开展，对其进行相应改进。
随着人脸检测技术的发展，如今的人脸检测已基本达到实际的应用水平，可以用在一些背景复杂的目标检测中，一些新的方法也被应用到人脸检测过程中，如近一
两年来以深度学习为代表的机器学习方法的应用。特别近几年，人脸检测在视频跟踪中的应用使得其与人脸跟踪技术的鸿沟越来越近，且在研究过程中不断加入一些动态学习方法来提高其检测率。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
