车昊开的题目报告材料

实用标准文案硕士学位开题报告人脸识别的应用性研究报告人： 2004级硕士 车昊导 师：刘迎建研究员、刘昌平研究员单 位：中国科学院自动化研究所时 间：2006年3月精彩文档实用标准文案、课题背景随着社会的发展，准确可靠地确认个人身份受到人们普遍地高度地重视，特别是在一些对安全性要求比较高的场合（如银行、海关、交通枢纽、国家重要机关等）。传统的身份鉴别方法一般可以分为基于特定物品（如身份证、信用卡或者钥匙）和基于特定知识（如密码、暗语等） ，也可以把这两个方法结合（如银行借记卡需要和密码配套使用） 。这些方法比较简单易用，也容易实现，但是安全性比较低， 因为特定物品和特定知识与合法拥有者并非是密不可分的。 特定物品的丢失或者特定知识的遗忘将使得个人合法身份得不到鉴别，而特定物品的假冒以及特定知识的泄露将赋予非法用户和合法用户相同的权利。与传统的方法相比较， 人体生物特征具有不会遗忘、 不会丢失和不易冒充等优点，因此，基于生物特征识别的身份鉴别技术也就显现出了它的价值。能够应用于身份鉴别技术的生物特征主要包括人脸（Face）、指纹（Fingerprint ）、虹膜（Iris）、视网膜（RetinalScan ）、笔迹（Handwriting ）、语音（Voice）、步态（Gait）、手形（HandGeometry ）、掌纹（HandVein ）、签名（Signature ）和DNA 序列等生理特征或者行为特征。生物特征识别指的是利用计算机， 通过测定个人所固有的生理特征或者行为特征， 并与预先存储在数据库中的数据进行比较， 以达到个人身份识别目的的自动化技术精彩文档实用标准文案。基于生物特征的身份识别技术由于利用了人的生物特征的独特性和不变性，所以比传统的身份识别技术更准确更可靠；同时生物特征始终与拥有人密切相关不可分离，因此使用起来更加安全方便。当然，实现这些技术所需要的软硬件系统也更为复杂。不是所有的生物特征都适合于实际应用， 能够用于实际应用的生物特征应该能够具有以下几个特点：普遍性（Universality）：每个人都应该具有这种特征；唯一性（Uniqueness）：每个人的特征应该各不相同；稳定性（Permanence）：该特征应该不随时间变化而变化（或者至少应该变化缓慢）；可采集性（Collectability）：该特征应该可以定量度量；准确性（Performance）：在考虑外界因素干扰的情况下，采用该生物特征的识别系统应该能够达到可接受的识别率；可接受性（Acceptability）：被识别者不排斥采用该生物特征的识别系统；防伪性（Circumvention）：采用该生物特征的识别系统应该能够在一定程度上防止被欺骗。遗憾的是，目前没有任何一项生物特征可以完美地符合上述所有要求，精彩文档实用标准文案各种不同的生物特征具有不同的特点， 因而有着不同的适用范围。 人脸特征虽然容易受到各种因素的干扰， 但是人脸特征仍然有其巨大的发展空间， 因为人脸特征有着其他生物特征无法比拟的优点。与传统的身份识别系统相比， 人脸识别具有不易伪造、 不易窃取、不会遗忘的显著特点； 而与指纹、虹膜等其他生物特征识别相比， 人脸识别则具有更自然、友好、无侵犯性的明显优势。指纹、虹膜等生物识别需要进行接触式或近距离的信息采集， 并且需要用户的主动配合， 这给使用者带来了不便，容易引起用户的反感。 而人脸识别可进行远距离的或者是被动的信息获取，无需用户配合，从而使用起来更加友好。在某些应用场合，如公安部门在火车站搜捕流窜犯， 则要求被采集者完全不知情， 此时非常适合用人脸识别。从另一个意义上说，在现实生活中人们也主要通过人脸来区分不同的人，因此人脸识别是一种更自然的身份识别方式。人脸识别问题（FaceRecognition ）一般分为鉴别问题（Identification ）和验证问题（Verification ）。针对鉴别问题，系统接受一张未知的人脸作为输入，然后在人脸数据库中进行一对多的匹配并返回匹配结果， 回答了“他她是谁”的问题；针对验证问题，系统接受一张未知的人脸以及所声称的身份作为输入，系统将输入的人脸与人脸数据库中相应的人脸做一对一的匹配，返回“是”或“不是”的结果，回答了“他 /她是不是某某”的问题。精彩文档实用标准文案需要指出的是，在人脸识别的文献中，不同的研究人员采用了不同的术语。在本文中，按照习惯，以“识别（ Recognition ）”作为总称， “鉴别Identification）”和“验证（Verification）”分别表示前面所述的两个子问题。如果没有特别说明的话，“识别”这个词将特指“验证（Verification）”。北京汉王科技有限公司作为中国模式识别技术商业化的佼佼者， 在文字识别、手写识别等方面都获得了巨大的成功。 现在，公司的目标是在不断完善汉字识别技术的同时， 深入研究其他模式识别课题， 人脸识别就是其中一个方向。、文献综述人脸识别系统一般包括两部分，即人脸检测（定位）和人脸识别。人脸检测是人脸识别系统的一项关键的任务，在过去的 30年里，研究者们在人脸检测的领域里进行不断地探索， 提出了许多优秀的算法， 按照算法的性质，这些算法可以分为三类 [20]：基于规则的人脸检测、 基于模板匹配的人脸检测和基于统计学习的人脸检测。 基于规则的人脸检测所采用的先验知识 （即规则）可以分为灰度分布规则 [21]、面部特征点分布规则 [22][23] 和纹理规则[24][25] 。基于模板匹配的方法所构造的模板包括基于灰度信息的模板精彩文档实用标准文案、基于边缘和轮廓的模板[26]和基于颜色的模板[27]。基于统计学习的方法是近几年的主流方法，这类方法的主要特点是通过对大样本集的有监督学习来获得区别人脸和非人脸的人脸检测器。随着机器学习研究的发展，这种方法的精确度和速度都得到了非常大的提高。下面介绍一些最具有代表性的工作。Rowley的基于多层神经网络的方法[28]直接采用多层神经网络作为分类器，为了处理不同大小的人脸他们使用了图像金字塔技术，为了进行旋转变化的人脸检测，他们又加入了专门辨别人脸在平面内旋转角度的分类器[29]。Viola和Jones提出的基于Adaboost的人脸检测算法成为继Rowley的工作之后的又一种优秀算法[30]，他们采用积分图作为图像的表示方法以加快运算速度，用Adaboost算法作为人脸检测的分类器，采用级联式结构实现了一个人脸检测系统。他们的算法不仅正确率高，而且速度很快，可以做到实时的要求。另外，还有基于SVM的算法，特征的提取类似于Rowley所提出的算法。人脸识别问题是一直是图像处理、计算机视觉等领域的热点问题之一，经过许多年的发展，研究者们提出了各种方法，下图是对各个方法的汇总精彩文档实用标准文案：早期的人脸识别算法主要基于几何特征 [9,10]或模板匹配[10]。基于几何特征的算法的根据是， 对于不同的人来说，面部特征点和脸部轮廓的形状、大小、相对位置和分布情况都各不相同。 这些算法以人脸面部特征点 （如眼睛、鼻子、嘴巴等）的形状和几何位置关系为基础，提取的几何参数一般包括：特征点之间的距离、边缘曲率、角度等。特征提取后，一般是采用欧氏分类器进行匹配， 采用最近邻法输出识别结果。 这类算法的显著特点是简单快速，但是也有着先天性的缺点， 即准确率不高，而且这类算法对于数据的准确性要求极高， 并不适用于一般的应用。 而且，人类的人脸识别机制获得的是对面部特征的模糊描述， 所以，基于精确度量的面部特征的人脸识别方法是难以接受的。模板匹配方法是模式识别领域中所采用的最传统的方法之一。 Poggio和Brunelli 在文献[10]中提出了一个基于局部特征模板匹配的算法， 在确定面部特征点之后，提取局部特征的模板（如眼睛模板、嘴巴模板等） ，然后进行局部模板的匹配， 计算相关系数用于分类。 他们的实验表明， 在人脸尺度、光照、姿态条件稳定的情况下， 基于模板的匹配方法优于基于几何特征的算法。但是，基于模板的匹配方法计算量比较大，而且对光照、旋转和表精彩文档实用标准文案情变化比较敏感， 仅仅当待识别对象与模板的比例、 旋转角度、光照等因素均一致时，才能取得比较好的结果。近些年发展出了许多有效的基于表象的算法， 其中主流的方法包括特征脸方法[11]、Fisher 脸方法[12][13] 、弹性图匹配方法等 [17][18] ，这些理论不需要按照 Marr 理论重建物体的三维模型 [19]。基于特征脸的人脸识别算法属于构造子空间的人脸识别方法， 其理论依据是主成分分析 （PrincipalComponentsAnalysis ，PCA），或者说是 K-L变换（Karhunan-Loeve Transform ）。主成分分析通过求解训练样本散布矩阵的特征值，给出一组数量远远小于样本空间维数的正交基来表示训练样本张成的子空间。 K-L变换具有降维、去相关和集中能量的特性。基于特征脸的人脸识别算法首先对大量样本进行主成分分析得到表征人脸子空间的一组正交基（即特征脸） ，所提取的特征就是人脸图像在这个子空间的投影向量，然后再采用分类器进行分类。基于Fisher脸的人脸识别算法的理论是基于 Fisher准则的线性判别分析（Fisher’sLinearDiscriminateAnalysis,FLDA ），它的基本思想是使样本在所生成的子空间中类间散度最小同时类内散度最大，从而比 PCA更适用于识别问题。一些后续工作延续并发展了 Fisher 脸的识别方法，例如Direct LDA（DLDA）方法[14]，零空间法[15]等。文献[13]和文献[16]对精彩文档实用标准文案特征脸方法和 Fisher脸方法进行了比较。与基于全局特征的特征脸方法和 Fisher 脸方法不同，弹性图匹配方法的基本思想是动态连接结构（ DynamicLinkArchitecture ，DLA）。一般可以认为，弹性图匹配是一种考虑到识别目标局部特征点之间拓扑结构的、 具有适应性的局部特征匹配方法。 弹性图匹配用图来描述人脸， 图的顶点表示面部特殊的局部特征点， 边则表示面部特征之间的拓扑连接关系， 匹配时同时考虑顶点和边之间的距离。 Lades等人率先将 DLA模型应用到了人脸识别中[17]，随后，Wiscott 等人在弹性图匹配基础上做了改进 [5]。人脸识别问题是模式识别的一个典型案例， 它为模式识别问题研究提供了一个良好的实验平台， 所以，众多模式识别的知名专家、 学者都在从事人脸识别的研究。特别是在过去十年里， 随着统计机器学习的快速发展， 人脸识别受到了越来越多的关注， 许多科研人员都投身到这个领域中来。 在国外，著名的人脸识别研究机构包括美国卡奈基梅隆大学（ CMU）的机器人研究所、美国麻省理工大学（MIT）的媒体实验室和人工智能实验室、 英国Surrey大学的视觉、语音和信号处理研究中心、美国 Illinois 大学Beckman 研究所、法国INRIA 研究院、瑞士 IDIAP研究院、日本 ART研究所等。国内的人脸识别研究起步较晚，但是也取得了不菲的成绩。目前，清华大学、南京理工大学、中国科技大学、上海交通大学、南京大学等著名高校，以及中国精彩文档实用标准文案科学院自动化研究所、 中国科学院计算技术研究所等科研院所都在进行人脸识别方面的研究。 许多模式识别、计算机视觉领域的著名会议 （如国际计算机视觉会议 ICCV、国际模式识别会议 ICPR等）和知名的期刊（如 IEEETransactiononPAMI 、PR、IVC等）每年都会刊登相当多的关于人脸识别的论文，另外一些国际会议，如自动脸像和手势识别国际会议 FG、生物认证国际会议 ICBA和基于音频、视频的身份鉴别国际会议 AVBPA等，则是专门来交流和探讨人脸识别技术的 [18]。虽然人脸识别算法得到了很大的发展， 但是大部分算法仍然只能适用于限定环境下、限定类别数量条件下的应用，还远远不能在自然条件下识别。归结起来，主要难点在于面部器官的精确定位以及面部特征的选取、 降维的过程。、研究计划目前，汉王已经有成熟的指纹考勤机产品， 本论文的主要工作就是， 在现有的指纹考勤机上增加一个人脸识别 （验证）的模块，验证被试者与他所声称的人是否是同一个人，形成指纹识别和人脸识别相互补充的考勤方式，增加考勤机的实用性和准确性。精彩文档实用标准文案考勤机的摄像头所采集的图像背景单一， 光照还算比较均匀， 人脸表情变化不大，姿势比较固定，一般都是正面向上，人脸区域所占比例比较大，基本上不需要定位人脸。 这些是有利因素， 不利因素也比较明显， 考勤系统对于被试者的衣着饰物没有特别强的要求， 所以发型、眼镜、帽子等物件的影响必须要充分考虑。另外，摄像头采集的图像是 8位灰度图像，信息量比彩色图像要少很多， 而且业界普遍认为灰度图像的人脸识别要明显难于彩色图像。因为考勤机的体积和成本的限制， 图像分辨率也比较低， 如何在低分辨率的图像上取得比较好的结果也是很大的一个挑战。经过导师和师兄的指导， 遵循一般的人脸识别系统的结构规律， 同时也结合了项目的特点，我们认为我们的系统应该由三大步骤组成， 如下图所示：原始 人脸器官定 人脸图像分 人脸 识别图像 位(人脸配准) 块并提特征 识别 结果上图没有把图像的预处理列出来， 实际上，不同的步骤对图像有着不同的要求，因此需要不同的预处理过程。根据系统结构图可以看出，以下几个目标需要进一步研究：眼睛定位。人脸器官的定位的重点和难点是眼睛的定位。如果是彩色图像，那么利用肤色信息和眼睛的对称性可以很容易定位出眼睛。 但是我精彩文档实用标准文案们的原始图像是灰度图像，无法利用肤色信息。 G.Marcone 等人提出了一种基于点模型的眼睛精确定位算法 [2]，但是该算法运算量大，而且结果的精确度还达不到我们的要求。 MaYong 把Adaboost 应用于眼睛定位并取得了比较好的结果 [3]。Hausdorff 距离可以衡量两个形状的相似度 [4][26]，因而也可以用于眼睛定位， 下面我们会详细描述这个算法。 需要定位的其他器官关键点包括：鼻尖、嘴角（两个） 、面颊（两侧）和下巴，随着以后研究的深入可能会增加、删除或者修改一些关键点。面部区域分块。许多基于统计理论的方法是将整个人脸作为一个整体去提取特征并加以识别，但是这种方法是把人脸当成普通的图像去看待，从而抹杀了人脸的独一无二的特点。人脸有着丰富的面部器官，这是其他任何图像所没有的特点，我们一定要利用这些器官的位置和形状给我们带来的额外的信息，这对识别非常有好处。正因为如此，我们根据关键点把面部图像分成若干个三角块。如何选取合适的关键点以及如何分块关系到最后的识别率，这里要多做几组实验，确保得到最好的分块方式。3. 人脸识别。在面部区域的每一块里提取特征（ PCA、LDA、小波变换特征等），训练分类器进行人脸识别。精彩文档实用标准文案、工作进展根据系统结构图， 第一步要做的人脸器官定位， 即人脸配准。这里首先要完成的任务是人眼定位， 这个任务已经基本完成。 前面提到过，Hausdorff距离可以衡量两个形状的相似程度， 可以用于眼睛定位。 所以我的第一个尝试就是使用 Hausdorff 距离来定位眼睛。算法如下：算法1：第一步：从图像的上方向下做投影， 粗略地去除头发，并将剩下的部分做二值化，保留最黑的 10%象素。第二步：定义一个 36*16 的眼睛模板（如右图），这个模板是三值模板，白点和黑点参与匹配，灰点不参与匹配。第三步：在第一步得到的二值化图像里， 遍历所有的 36*16 的小窗口，求出每个小窗口与眼睛模板的距离，填入距离表。第四步：求出距离表里所有的极小值，记录最小的 6个极小值的位置，将其两两组合为 15对候选眼睛对。第五步：对于所有的 15个候选眼睛对，针对它们的平均高度、水平中心位置、垂直距离、水平距离分别构造估值函数， 总分最大的三对眼睛对作为最终结果。精彩文档实用标准文案上述算法在 CAS_PEAL_R1数据库的“\FRONTAL\Normal ”数据集（共计1,040 张图片）上测试的结果是三选正确率是 98.37%，五选正确率是99.50%。但是，这个算法运行速度太慢（ 9pic/min ），因为求 Hausdorff距离耗费了大量的时间。 下面，我们将会提出一个新的基于灰度极值区域的算法，不使用 Hausdorff 距离，但是正确率可以和算法 1媲美，而且运算速度提高近 200倍。算法2：第一步：用子算法 2-1 来确定候选的眼睛位置，此时的候选眼睛位置可能有25个左右。第二步：用子算法 2-2 来减少候选眼睛的数目，此时的候选眼睛对大多数在15对以下。第三步：用子算法 2-3将候选眼睛对数目降到 3对。第四步：用子算法 2-4确定最终的眼睛位置。考虑到眼睛的灰度值一般比较低而且相对集中，子算法 2-1 先求灰度极值区域（IER，IntensityExtremalRegions ），然后再筛选出候选眼睛。在算法2-1 里，IER（参见文献[7]中关于 MSER的定义）有着以下几个性质：第一， IER是一个连通区域；第二，每个 IER都有一个灰度阈值，该IER里所有象素点的灰度值都等于或小于这个阈值； 第三，每个IER都有精彩文档实用标准文案一个且仅有一个灰度阈值比它高的父节点 IER，而且被该父节点 IER（以及它的所有祖先）所包含，因此，整个图像的所有 IER可以组成一棵高度为256的树，这棵树的根节点是阈值为 255的IER，它包含图像里的所有象素点。根据算法2-1的应用背景，IER需要有如下几个描述变量：灰度阈值，IER所含象素数， IER的外切矩形，以及指向父 IER的指针。算法2-1首先要求出图像的所有 IER并建立IER的树形结构（文献 [8]对这个树形结构有深入的研究） ，然后再利用一些附加条件筛选出候选眼睛：子算法2-1：第一步：把所有象素及象素的位置按象素的灰度值从低到高排序， 存为数组P；第二步：从前往后（象素值从低到高）遍历一遍数组 P，针对每个象素（当前象素灰度值设为 G），做：准备一个空集合A和一个空集合B。考察该象素点的四邻域（或八领域）：如果某个邻居的“祖先（根） ”连通域属于灰度为 G'的第i个连通域，并且G'=G，则把（G，i）放入集合A（无重复元素）；精彩文档实用标准文案如果某个邻居的“祖先（根） ”连通域属于灰度为 G'的第j个连通域，并且 G'≠G（实际上G'必然小于G），则把（G'，j）放入集合B（无重复元素）；用相同的方法把所有的邻居都考察一遍，然后继续。讨论集合A：如果A为空，说明这个点是个孤立点（表示新的一个IER），则建立这个IER的相关信息，包括灰度、 IER的外切矩形、IER面积、父节点等；如果A有一个元素，则把 A加入这唯一的一个 IER里，并更新这个IER的信息（外切矩形、面积等） ；如果A有不止一个元素，表明目前这个点是多个 IER的连接点，则加入其中一个 IER，并把其他IER合并至该IER并更新这个IER的信息。讨论集合B：如果B为空，什么也不做；如果B不为空，表明当前这个点所在的 IER有尚未建立父子关系的子 IER，则建立父子关系并更新这个 IER的信息。将数组P遍历完，然后继续。精彩文档实用标准文案第三步：此时， IER树已经建立起来了，通过扫描这棵树就可以得到候选眼睛。具体方法是：按照灰度阈值从 0到255扫描每个 IER，如果这个 IER的外切矩形的高宽比在 0.25到1.1之间，并且IER的外切矩形的宽度在 15象素到 51象素之间，那么这个IER的外切矩形就可以被认为是候选眼睛的矩形，而且这个IER的所有祖先在以后的扫描中都可以被忽略。这个算法结束后，将得到多达 20到30个候选眼睛，不过正确率相当高。子算法2-2：假设子算法 2-1得到的候选眼睛有 N个，则算法描述如下：第一步：枚举出 (N–1)*N/2 个眼睛对。第二步：针对每个眼睛对，根据子算法 A得到的IER树，得到眼睛的中心位置，分别表示为（ x1，y1）和（x2，y2）。第三步：计算该眼睛对的权重 W：令W=1；考察平均高度V_AVG=(y1+y2)/2：1VAVG180180VAVG120VAVG180W1600others精彩文档实用标准文案考察高度差V_DIFF=|(y1-y2)/2|：0 VDIFF 30W2 30 VDIFF30

others考察水平中心位置H_CTR=|(x1+x2)/2|：H 2W3 1 ( CTR 1)考察水平距离H_DIFF=|(x1-x2)/2|：1 HDIFF 30W4others令W=W1*W2*W3*W4。第四步：将所有眼睛对的权重 Wi按从大到小排序。t N第五步：找到分界点 t使得： Wi Wi 90%成立，则从第 1i 1 i1个权重到第 t个权重所对应的眼睛对被保留， 认为是候选眼睛对。一般而言，最后求出的 t小于15，实际上，大多数的 t都在5到8之间。子算法2-3 和2-4 都是用了传统的模式识别方法，即先提取相应的特征，经过训练，再应用于识别过程。假设子算法 2-2得到的是 N个候选眼睛对，则子算法 2-3描述如下：精彩文档实用标准文案子算法2-3：第一步：提取如下特征： 双眼的基本坐标、 双眼的水平间距、 双眼的垂直间距、双眼灰度值、双眼灰度值的均值以及差值， 一共是十维特征。第二步：训练过程是采用 K-Means+LVQ ，即先用K均值聚类（正样本聚2类，负样本聚 6类），再采用LVQ优化结果。第三步：识别时只用正样本的聚类中心就可以了， 将一幅图像的所有候选眼睛的特征与正样本的聚类中心比较， 取欧氏距离最近的三个样本作为候选，送入下一阶段的算法。子算法 2-4 的输入是三个候选眼睛对，输出是一个候选眼睛对，算法描述如下：子算法2-4：第一步：提取样本的 Krisch 梯度特征，提取方法如下：在左眼中心位置周围选取一块大小为 M*N 的矩形区域，分成 m*n 的矩形小区域，一共是[M/m]*[N/n] 个矩形小区域（符号“ [·]”表示向上取整）。在每个矩形小区域里用 Krisch模板提取8维梯度特征（负的特征需要取绝对值） 。对右眼也提取相同的特征并和左眼的特征放到一起。 经过实验，可以取大矩形区域为精彩文档实用标准文案40*50，取矩形小区域是4*5，一共是100个矩形小区域。这样，一个眼睛对的特征一共是100*8*2=1600维。第二步：训练过程和子算法2-3一样，仍然采用K-Means+LVQ，即先用K均值聚类（正样本聚3类，负样本聚6类），再采用LVQ优化结果。第三步：识别过程需要使用正负样本的聚类中心，将一幅图像的所有候选眼睛的特征与正负样本的聚类中心比较，假设有N个候选眼睛对被认为是正样本（即真正的眼睛），当N=1时，这个候选眼睛就是真正的眼睛；当N=0时，沿用子算法2-3的结果，排在前面的眼睛为真正的眼睛；当N>1时，在所有被识别为眼睛对的样本中，借鉴子算法2-3的结果，取排在前面的眼睛对为真正的眼睛对。整个算法2的运算速度令人满意， 基本上能达到 25pic/sec ，正确率也很高，在汉王自己的人脸库（2025幅图像）上，用80%的图像做训练样本，剩下图像的做测试样本，最好的结果是：训练样本的一选正确率为98.34%，测试样本的一选正确率为97.5%。精彩文档实用标准文案、预期结果以及创新点根据研究计划，研究结束后的结果应该是：实现眼睛精确定位（已完成），以及实现其他主要器官的定位；找到最佳的面部分块方法，最大程度地提高识别率；对分块后的面部提取特征进行识别。本论文的创新点可能有以下几个：使用IER（灰度极值区域）进行眼睛精确定位；将人脸图像先分块再进行识别。、日程安排2005年10月至2006年03月：眼睛定位；2006年03月至2006年06月：其他特征点的定位以及人脸分割；2006年06月至2006年10月：提取人脸各块的特征并识别；2006年10月至2006年11月：系统整体测试，做比较实验；2006年12月至2007年04月：准备毕业论文；精彩文档实用标准文案2007年05月至2007年06月：毕业答辩，以及工作的移交。参考文献：[1]L.SirovichandM.Kirby, “Lowdimensionalprocedureforthecharacterizationofhumanfaces ,inJournal”oftheOpticalSocietyofAmericaA ,Vol.4,No.3,1987[2]G.Marcone,G.MartinelliandP .D ’Angelo,“AutomaticFaceImage Recognition: anAccurate EyeLocation Procedure ”,DigitalSignalProcessingProceedings ,Volume2.2-4July1997Page(s):515–519vol.2[3] Yong Ma, Xiaoqing Ding, Zhenger Wang, Ning Wang,“Robust precise eye location under probabilistic framework ”,Automatic Faceand Gesture Recognition,May 2004 Page(s):339 –344[4] Srisuk S., Petrou M., Kurutach W., Kadyrov A., “Faceauthentication using the trace transform ”,Computer Vision and精彩文档实用标准文案PatternRecognition ,2003.Page(s):I-305-I-312vol.1[5] Wiskott L.,Fellous J.-M., Kuiger N., von der Malsburg, C.,“Facerecognition by elastic bunch graph matching ”,PatternAnalysis andMachine Intelligence,Volume 19, Issue 7, July 1997Page(s):775 –779[6] Xiaoguang Lu, “Image Analysis for Face Recognition ,”personal notes, May 2003,>[7]J.Matas,O.Chum,M.Urban,andT.Pajdla, “Distinguishedregions for widebaseline stereo ”,Prague: Center for MachinePerception,Research Report CTU–CMP–2001–33, K333 FEECzechTechnicalUniversity,November2001[8] Michal Jan?o?ek, “Feature Detection and TentativeCorrespondence Estimation in Wide Baseline Stereo ”,Diplomov ápráca, Fakulta Matematiky, Fyziky a Informatiky, UniverzityKomensk ého,vBratislave精彩文档实用标准文案[9]T.Kanade, “ComputerRecognitionofHumanFaces ”,Ph.DThesis,KyotoUniversity,1974[10] R.Brunelli, T.Poggio. “FaceRecognition:Features VersusTemplates ”,IEEETransactions on Pattern Analysis and MachineIntelligence ,1993,15(10):1042 –52[11] M. Turk, A. Pentland, “Eigenfaces for Recognition ”,JournalofCognitiveNeuroscience ,1991,3(1):71 –86D.L.Swets,J.Weng,“UsingDiscriminantEigenfeaturesforImageRetrieval”,IEEETransactionsonPatternAnalysisandMachineIntelligence,1996,18(8):831–836[13]P.N.Belhumeur,J.P.Hespanha,D.J.Kriegman,“Eigenfacesvs.Fisherfaces:RecognitionUsingClassSpecificLinearProjection”,IEEETransactionsonPatternAnalysisandMachineIntelligence,1997,19(7):711–20[14]H.Yu,J.Yang,“ADirectLDAAlgorithmforHigh-DimensionalData–withApplicationtoFaceRecognition”,PatternRecognition,2001,34(10):2067–70精彩文档实用标准文案[15]L.F.Chen,H.Y.M.Liao,J.C.Lin,M.T.KoandG.J.Yu, “ANewLDA-basedFaceRecognitionSystemWhichCanSolvetheSmallSampleSizeProblem ”,PatternRecognition ,2000,33(10):1713 –26[16] A.M. Martinez, “PCAversus LDA”,IEEETransactionsonPatternAnalysisandMachineIntelligence ,2001,23(2):228 –33[17]M.Lades,J.C.Vorbruggenandetal., “DistortionInvariantObject Recognition in the Dynamic Link Architecture ”, IEEETransactionsonComputers ,1993,42(3):300 –310[18]W.Zhao,R.Chellappa,P .J.PhillipsandA.Rosenfeld, “FaceRecognition:ALiteratureSurvey ”,ACMComputingSurveys ,Vol.35,No.4,December2003,pp.399 –458马颂德，张正友，《计算机视觉》，科学出版社，1998方昱春，《人脸检测与识别》，中国科学院自动化研究所博士学位论文，2003G.Yang,T.S.Huang,“HumanFaceDetectioninaComplexBackground ”,PatternRecognition ,1994,27(1):53 –63[22] C. Y. Kin, R. Cipolla, “Feature-Based Human Face精彩文档实用标准文案Detection”,ImageandVisionComputing,1997,15(9):713–35[23] J.Miao, B.Yinand et al.,“AHierarchical Multi