人脸识别综述

人脸识别综述1引言人脸识别技术研究始于20世纪50年代，当初研究人员主要包括是社会心理学领域；最早AFR（AutoFaceRecognition）研究论文见于1965年陈（Chan）和布莱索（Bledsoe）在PanoramicResearchInc.发表技术汇报。近年来，人脸识别研究得到了很多研究人员青睐，涌现出了很多技术方法。尤其是1990年以来，人脸识别更得到了长足发展。几乎全部著名理工科大学和主要IT产业企业都有研究组在从事相关研究。人脸识别研究发展可分为以下三个阶段：第一阶段（1964年~1990年）。这一阶段人脸识别通常只是作为一个通常性模式识别问题来研究，所采取主要技术方案是基于人脸几何结构特征（Geometricfeaturebased）方法。第二阶段（1991年~1997年）。这一阶段尽管时间相对短暂，但却是人脸识别研究高潮期，可谓硕果累累：不但诞生了若干代表性人脸识别算法，美国军方还组织了著名FERET人脸识别算法测试，并出现了若干商业化运作人脸识别系统，比如最为著名Visionics（现为Identix）FaceIt系统。美国麻省理工学院（MIT）媒体试验室特克（Turk）和潘特（Pentland）提出“特征脸”方法无疑是这一时期内最负盛名人脸识别方法。第三阶段（1998年~现在）。FERET’96人脸识别算法评定表明：主流人脸识别技术对光照、姿态等因为非理想采集条件或者对象不配合造成改变鲁棒性比较差。所以，光照、姿态、表情、遮挡问题逐步成为研究热点。人脸识别是一项现有科学研究价值，又有广泛应用前景研究课题。国际上大量研究人员几十年研究取得了丰硕研究结果，自感人脸识别技术已经在一些限定条件下得到了成功应用，人脸识别技术研究对模式识别，人工智能，计算机视觉，图像处理等领域发展有巨大推进作用。人脸识别问题能够定义成:输入(查询)场景中静止图像或者视频，使用人脸数据库识别或验证场景中一个人或者多个人。基于静止图像人脸识别通常是指输入(查询)一幅静止图像，使用人脸数据库进行识别或验证图像中人脸。而基于视频人脸识别是指输入(查询)一段视频，使用人脸数据库进行识别或验证视频中人脸。如不考虑视频时间连续信息，问题也能够变成采取多幅图像(时间上不一定连续)作为输入(查询)进行识别或验证。人脸自动识别系统包含三个主要模块[1]：首先是图像预处理模块，因为实际成像系统多少存在不完善地方以及外界光照条件等原因影响，在一定程度上增加了图像噪声，使图像变得含糊、对比度低、区域灰度不平衡等。为了提升图像质量，确保提取特征有有效性，进而提升识别系统识别率，在提取特征之前，有必要对图像进行预处理操作；其次人脸检测和定位模块，即从预处理图像中，利用人类检测器（现在人脸检测方法主要以Adaboost算法为主，OPENCV在这方面做比很好）找出人脸及人脸所在位置，并将人脸从背景中分割出来，对库中全部人脸图像大小和各器官位置归一化；最终是对归一化人脸图像进行特征提取(提取局部特征已逐步成为主流)，建立特征描述子，将图像之间特征进行匹配进而完成识别。人脸检测与定位特征提取与识别人脸检测与定位特征提取与识别标准人脸图像识别结果输入图像图像预处理准图像2概述人脸识别方法大致分为以下几个：基于几何特征、基于代数特征[2]、基于神经网络模型以及基于三维模型。（1）基于几何特征基于几何特征人脸识别方法是在抽取人脸图像上显著特征相对位置及其参数基础上进行识别。最早人脸识别是用手工方法确定人脸特征点位置并将其输入计算机中。识别工作流程大致以下：首先检测出面部特征点，经过测量这些关键点之间相对距离（欧式距离、马氏距离等），得到描述每个脸特征矢量，比如眼睛、鼻子和嘴位置和宽度，眉毛厚度和弯曲程度等，以及这些特征之间关系，用这些特征来表示人脸。比较未知脸和库中已知脸中这些特征矢量，来决定最好匹配[3]。基于小模板匹配方法属于几何特征识别，是已知一个小模板，在人脸大图像中进行匹配，假如匹配成功，就能够确定其坐标位置[4]。基于几何特征缺点显而易见，对取得图像要求很高，特征点定位非常主要，通常人脸特征点定位会存在误差，这种方法对正面人脸能够取得一定识别效果，假如人脸姿态存在一定偏转或有遮挡都会很大程度上影响识别准确性。（2）基于代数特征基于代数特征人脸识别方法具备代表性是PCA（主元分析法）[5]、K-L（卡胡南－列夫）[6]变换和SVD（奇异值分解）[7]等方法。其主要思想：对于一副由N个象素组成图像，能够看作是一个N维矢量空间，采取不一样变换方法，能够有效提取主分量，经过对人脸样本集自相关矩阵特征矢量选取，组成一个正交低维人脸空间，从而达成降低冗余、提升识别率目标。利用主元分析法（PrincipleComponentAnalysis简称PCA）进行识别是由Anderson和Kohonen提出。PCA方法最早由Sirovitch和Kirb[8,9]引入人脸识别领域,并因为它有效很快流行起来。简单地说，它原理就是将一高维向量，经过一个特殊特征向量矩阵，投影到一个低维向量空间中，表征为一个低维向量，并不会损失任何有用信息。也就是说，经过低维表征向量和这个特征向量矩阵，能够完全重构出所对应原来高维向量。K-L变换与SVD分解思想同PCA都差不多，降维到低维向量空间后要运算分量大大地降低了。采取代数特征识他人脸具备以下特征：良好稳定性；位移不变性；特征向量与图像高度成百分比改变；转置不变性等。不过代数特征对表情不能很好地描述，难以用于表情分析和表情识别。（3）基于神经网络模型神经网络由许多并行运算功效简单单元组成，是一个非线性动力学系统，其特色在于信息分布式存放并行协同处理，具备良好容错能力。神经网络主要应用是对已经提取主特征特征值进行分类。比较成熟是PCA+ANN(主元分析+人工神经网络)，用K-L+ANN(K-L变换+人工神经网络)[10]、SVD+ANN(奇异值分解+人工神经网络)，也有直接用NN+NN(神经网络+神经网络)进行人脸识别，不过这么所要计算分量太大了，训练与工作时间要长很多。输入层输出层输入层输出层隐层低维分量作为输入向量BP神经网络基于神经网络方法，结构上类似于人脑，但因为原始灰度图像数据量十分庞大，神经元数目通常很多，训练时间很长，而基于冯诺伊曼结构也受到了限制。（4）基于三维模型三维人脸识别[11]最初是从几何方法发展来，出发点是希望利用三维人脸识别处理技术，处理传统二维照片识别中因为人脸姿态、光照等对识别造成干扰问题，在三维基础上进行特征提取和识别将有更为丰富灵活详尽信息能够利用。三维数据获取已经成为可能(如三维激光扫描技术、CT成像技术、结构光方法等)，使得图形技术得到了应用可能，能够完成人头三维面貌数据获取。在合成特定人头部模型时，需要一个基本头部模型，该模型是一个通用模型，特定人模型都能够经过对该模型修改得到。人类面部特征位置、分布基本上是一样，因而特定人脸模型能够经过对一个原始模型中特征和其它一些网络点位置进行自动或交互调整而得到。系统内部有一个原始人头模型，以后全部特定模型建立都是基于这个原始模型。基于三维模型识别方法是未来对人进行识别方向，因为在三维模型中，能够对人头部从任意角度取得信息，具备良好抗干扰能力，该方法重点和难点是怎样建立人脸三维模型以及怎样在模型之间实现匹配。基于三维人脸识别还需要做很多工作，现在还没有什么实质性研究应用结果。由文件[12]看出早期图像目标识别技术采取基于模型方法，这种方法需要以目标三维模型作为系统输入，因为图像中通常存在遮挡、背景干扰以及光照等成像条件改变，建立目标三维模型往往比较困难，所以基于模型方法通常在图像背景较简单情况下能够取得很好效果。文件[13-26]看出人们逐步将研究重点转向了基于目标表象识别方法。其汉字献[13][14][15]是基于全局特征方法，依照图像整体信息建立模型，所以这类方法对于图像中背景干扰和遮挡比较敏感，当待识别图像中背景干扰和遮挡影响较小，或者待识别目标能够很好地从待识别图像中分割出来时，这类方法能够取得理想识别效果。文件[16-26]是基于局部特征方法。其中[17][18][22][23][24][25][26]是基于局部不变特征方法，此方法利用从图像中提取局部不变特征来对图像目标建模，能够有效克服背景杂波以及遮挡等影响，综合近年文件资料及VOC（VisualObjectClassChallenge）竞赛汇报不难看出，基于外观表象局部不变特征方法已经取代全局特征方法成为了主流方法。文件[27][28][29][30][31]介绍了在图像局部不变特征提取基础上，基于词汇包(Bow)图像表征和目标建模方法是现在经典方法。文件[32]利用奇异值提取人脸全局特征和6个关键部分局部特征进行加权融合得出特征融合矩阵有效处理了SVD识别率不高和LDA小样本空间问题。文件[33,34]采取人脸识别方法都是以提取SIFT（ScaleInvariantFeatureTransform）特征为基础。其汉字献[33]基于SIFT算子识别方法，结合K-means聚类模式匹配策略，采取局部相同性和全局相同性计算方法对人脸图像进行相同度匹配，并在匹配过程中使用基于概率统计权值赋予方案和相同度平方来提升识别准确性。文件[34]提出一个基于尺度不变特征变换(SIFT)和增强Hough变换人脸识别方法。利用SIFT位置、尺度、方向和描述符4个信息，经过增强Hough变换消除错配，将候选匹配点和离散点距离进行加权累计取得高分辨力匹配分。文件REF_Ref\r\h[35]中介绍了在伴随目标数目及特征样本数量增加，关键特征词类属概率倾向性逐步减弱情况下，采取基于SOM神经网络聚类树方法对近500类目标5万多幅图片提取2百多万个SIFT特征描述子进行聚类，得到了25300多个特征词汇。文件[35]提出了一个基于RSOM(recursivesel-forganizingmapping,RSOM)树、利用SIFT(scaleinvariantfeaturetrans-form)特征为索引海量图像集中K近邻求解方案。对图像编号并提取SIFT特征,依据SIFT特征将图像编号存放至RSOM树叶节点中;搜索时用匹配SIFT特征个数作为指标取得K近邻图像候选集,用迭代Pro-crustes方法几何约束得到精准求解结果。文件[37]介绍了属性图理论，他为将一幅图像局部特征及其空间布局关系作为一个整体这种结构化数据表示和分析提供了理论基础。因为现有大部分人脸数据库都是静止图像人脸数据库,怎样充分利用视频中人脸信息愈加好地进行人脸识别是现阶段迫切需要处理问题。处理这类问题传统做法[38-40]能够分成两大类:一类方法对输入视频中人脸进行跟踪,寻找满足一定规则(如大小、姿态、清楚度等)人脸图像,然后利用基于静止图像人脸识别方法；另一类方法利用视频中空间信息进行人脸识别,经过对输入视频中每一幅人脸或者若干幅人脸采取基于静止图像人脸识别方法[41-43]。近年来,一些研究者开始利用视频中人脸时间和空间连续信息进行识别。文件[44]讨论了在贝叶斯理论框架下统一处理人脸识别和跟踪问题。采取时间序列模型刻画人脸动态改变,把身份变量和运动矢量作为状态变量从而引进时间和空间信息。文件[45]深入提出了自适应外观改变模型而且采取自适应运动模型更准确地处理姿态改变。而且对运动模型中噪声方差和采样算法中粒子数依照计算得到外观模型误差进行更新。文件[46][47]经过对输入视频中人脸脸部特征或外观跟踪进行人脸验证。文件[48]对数据库中每类人脸建立一个PCA子空间,利用与各个人脸子空间距离对输入视频中全部些人脸进行标注。文件[49,50]提出特征脸(Eigenfaces)方法是PCA方法中最具代表性方法,并成为应用于人脸识别问题最流行算法之一。特征脸方法与经典模板匹配算法一起成为测试人脸识别系统性能基准算法。文件[51]提出了Fisherfaces方法。Fisherfaces由Fisher线性判别式(Fisher’slineardiscriminant,FLD)思想派生而来,同时考虑类间离散度和类内离散度,使这二者比率达成最大。Belhumeur试验证实,Fisherfaces性能优于Eigen-faces。但即便如此,Fisherfaces还是存在两个显著问题,即小样本问题(样本数目小于样本维数),以及多数实际问题属于非线性可分,传统Fisher线性分析在这些问题上不能取得良好结果。所以,一系列Fisherfaces改进方法被提出。文件[52]提出了KFDA方法,将核技术引入Fisher判别分析中；文件[53]提出了利用核广义判别分析法；文件[54]提出了KDDA方法。近期,文件[55]提出了一个改进核直接Fisher描述分析方法；文件[56]直接LDA方法也是为了处理这两个问题而提出；文件[57]基于此法并引入加权函数提出了一个改进线性判别分析方法。因为人脸在姿态、光照、表情改变时展现非线性分布,文件[58]在线性空间中经过核方法映射到高维非线性空间(核Hilbert空间),在高维空间中夹角(核主成份夹角)作为矩阵相同性度量,而且利用正定核函数就能够和SVM(supportvectormachine)结合起来提升分类性能。文件[59,60]首先经过LDA进行线性降维,然后对每个人人脸视频经过矢量量化技术或者K均值聚类形成K个类别,每个类别用聚类中心和聚类权重来表示，最终采取EMD(earthmover’sdistance)距离作为相同性度量进行人脸识别。文件[61]介绍了一个基于视频人脸验证方法,采取形状和归一化纹理联合外观模型(ActiveAppearanceModel,AAM)来表示人脸,经过加入类别信息改进线性判别分析(LinearDiscriminantAnalysis,LDA)分离出身份变量(identity)和其余改变原因(姿态、光照和表情)。文件[62]采取基于核函数方法把低维空间映射到高维空间,这么就能够在高维空间中利用低维空间中线性方法(如PCA)来处理通常复杂非线性问题,采取RAD(resistor-averagedistance)作为人脸相同性度量。为了处理配准误差所带来识别率下降问题,利用了多幅图像和RANSAC(randomsampleconsensus)算法来处理。另外文件[63]利用了核方法,把原来矢量空间映射到高维非线性空间中RKHS(reproducingkernelHilbertspace)中计算概率分布之间距离。3总结本文简单介绍了人脸识别发展历程、应用背景和意义、人脸识别定义以及人脸识别主要组成模块，对人脸识别四大主流方法进行了概述并指出了各方法优点和缺点，对人脸识别技术发展过程中各教授或学者提出人脸识别或目标识别处理方法做了总结。近年来人脸识别成为了最热研究课题之一，各国科技巨头和IT巨头对人脸识别，机器视觉领域涉入更是推进了人脸识别技术快速发展，近几年不少人脸识别产品和系统进入了市场，比较有代表性有谷歌Face++,Luxand，汉王人脸识别考勤系统等等。人脸识别技术即使走向了应用并取得不错结果，不过限制其应用主要难题依然存在：人脸姿态、光照改变和表情改变对人脸识别效果会产生很大影响。人脸识别技术需要攻克问题有：复杂背景和大姿态改变下人脸目标检测。当前人脸检测算法适应于小范围姿态改变和简单背景，成像背景变得复杂时虚警率会变得很高，同时当姿态改变稍大时，人脸漏检率也会提升，这对后续识别会造成一定影响。动态人脸识别。现有人脸识别技术适合于静态人脸识别，无法满足安防监控视频中人脸动态跟踪和识别需求，主要表现在两方面：首先是处理速度跟不上，另首先是动态过程中识别率低。所以动态人脸识别技术研究具备很好应用价值和前景。多个特征融合。从本文概述中可知每一个人脸识别方法都有一定缺点性，基于单一特征（几何特征、局部特征等）人脸识别方法显然无法很好满足人脸识别技术应用需求。将不一样人脸识别技术和特征有效地融合是未来人脸识别发展方向之一。三维人脸识别研究。人脸识别技术发展至今,许多结果依然是在二维人脸信息基础上取得,而现实世界中人脸是三维,三维信息尤其是三维图像较二维图像更能提供完整而真实内容,怎样有效地利用人脸三维信息进行识别,将是一个具备挑战性研究课题。4参考文件王昆翔，李衍达，周杰.关于人脸图象自动识别研究中几个问题.公安大学学报，（1）.周激流，张晔.人脸识别理论研究进展.计算机辅助设计与图形学学报1999（3）.王伟，马建光．人脸识别惯用方法及其发展现实状况[J]．自动检测技术，(1)．章高清，王申康．人脸层次化描述模型及识别研究[J]．计算机研究与发展，1999(12)．杨奕若，王煦法．利用主元分析与神经网络进行人脸识别[J]．电子技术应用，1998(3)．高秀梅，李淑琴，杨静宇．一个广义K—L变换与人脸识别[J]．青岛化工学院学报，(6)．周德龙，高文，赵德斌．基于奇异值分解和判别式K-L投影人脸识别[J]．软件学报，(14)．SIROVITCHL,KIRBYM.Low-dimensionalprocedureforthecharacterizationofhumanface[J].JournaloftheOpticalSocietyofAmerica,1987,4(3):519-524.KIRBYM,SIROVITCHL.ApplicationofKarhunen-Loeveprocedureforthecharacterizationofhumanfaces[J].IEEETransonPatternAnalysisandMachineIntelligence,1990,12(1):103-108.金忠，胡钟山，杨静字．基于BP神经网络人脸识别方法[J]．计算机研究与发展，1999(3)．张九龙，胡正国．基于照片人脸三维建模[J]．西北大学学报(自然科学版)，(10)．BebisG,GeorgiopoulosMandLoboNV.learningGeometricHashingFunctionsforModel-basedObjectRecognition[C].InternationalConferenceonComputerVision,1995:543-548.CyrCandKimiaB.3DObjectRecognitionUsingSimilarity-basedAspectGraph[C].InternationalConferenceonComputerVision,:254-261.MuraseHandNayarS.VisualLearningandRecognitionof3DObjectsfromAppearance[J].InternationalJouralofComputerVision,1995,14(1).SwainMJandBallardBH.ColorIndexing[J].InternationalJouralofComputerVision,1991,7(1):11-32.SelingerAandNelsonRC.APerceptualGroupingHierarchyforAppearance-based3dObjectRecognition[J].ComputerVisionandImageUnderstanding,1999,76(1):83-92.LoweD.DistinctiveImageFeaturesfromScale-invariantKeypoints[J].InternationalJouralofComputerVision,,60(2):91-110.MikolajczykKandSchmidC.AnAffineInvariantInterestPointDetector[C].EuropeanConferenceonComputerVision,:128-142.ObrdzalekSandMatasJ.ObjectRecognitionUsingLocalAffineFramesonDistinguishedRegions[C].BMVC,:414-431.RothgangerFLazebnikSSchmidCandPonceJ.3DObjectModelingandRecognitionUsingLocalAffine-invariantImagedescriptorsandMulti-viewSpatialConstraints[J].InternationalJouralofComputerVision,,66(3):231-259.TuyelaarsTandVan-GoolL.WideBaselineStereoBasedonLocal,AffinelyInvariantRegions[C].BMVC,.MikolajczykKandSchmidC.IndexingBasedonScale-invariantInterestPoints[C].InternationalConferenceonComputerVision,,1:525-531.BaumbergA.ReliableFeatureMatchingAcrossWidelySeparatedViews[C].InternationalConferenceonComputerVision,:774-781.MatasJ,ChumO,UrbanMandPajdlaT.RobustWideBaselineStereofromMaximallyStableExtremalRegions.BMVC,:384-393.SchaffalitzkyFandZissermanA.AutomatedSceneMachinginMovies[C].InWorkshoponContent-BasedImageandVideoRetrieval,:186-197.TuytelaarsT,Van-GoolLandKochR.MatchingAffinelyInvatiantRegionsforVisualServoing[C].InIntl.ConferenceonRoboticsandAutomation,1999:1601-1606.LiFFandPeronaP.ABayesianHierarchicalmodelforLearningNaturalSceneCategories[C].InternationalConferenceonComputerVisionandPatternRecognition,,2(2):524-531.SivicJ,RussellBC,EfrosAA,ZissermanAandFreemanWT.DiscoveringObjectsandTheirLocationinImages[C].InternationalConferenceonComputerVision,,1(1):872-877.TorralbaA,FergusRandWeissY.SmallCodesandLargeImageDatabasesforRecognition[C].InternationalConferenceonComputerVision,.EricNowaketc.al.SamplingStrategiesforBag-of-FeaturesImageClassification[C].EuropeanConferenceonComputerVision,,3954:490-503.PhilbinJ,SivicJandZissermanA.GeometricLatentDirichletAllocation(gLDA)ModelforUnsupervisedParticularObjectDiscoveryinUnorderedImageCollections[C].BMVC,.王宏勇，廖海斌，段新华，丁汨.基于奇异值与特征融合矩阵自适应人脸识别[J].计算机工程与应用，，46（7）：162-174.罗佳，石跃祥，段德友.基于SIFT特征人脸识别方法.计算机工程，,36(13)1000—3428()13—0173—02.叶汉能，姚茂群，赵武锋等.基于SIFT和和和和Hough变换人脸识别.计算机工程，,38（14）1000—3428()14—0144—03.夏胜平，刘建军，袁振涛，虞华，张乐锋，郁文贤.基于集群并行分布式RSOM聚类[J].电子学报，，35(3):385-391.郑君君,夏胜平,李新光等,基于RSOM数图像K近邻求解算法.山东大学学报（工学版）第41卷第2期1672-3961()02-0080-05.ChungF.SpectralGraphTheory[C].CBMSRegionalConferenceSeriesinMathematics,ConferenceBoardoftheAmericanMathematicalScience,Washington,DC.1997,92.WechslerH,KakkadV,HuangJ,GuttaS,ChenV.AutomaticVideoBasedPersonAuthenticationUsingtheRBFNetwork//ProceedingsoftheInternationalConferenceonAudio-andVideo-BasedPersonAuthentication.Crans-Montana,1997:85-92.SteffensJ,ElaginE,NevenH.PersonSpotter:fastandrobustsystemforhumandetection,trackingandrecognition//Proceedingsofthe3rdIEEEInternationalConferenceonAutomaticFaceandGestureRecognition.Nara,1998:516-521.MckennaSJ,GongS.Non-intrusivepersonauthenticationforaccesscontrolbyvisualtrackingandfacerecognition//ProceedingsoftheInternationalConferenceonAudio-andVideo-BasedPersonAuthentication.Crans--Montana,1997:177-183.ChellappaR,WilsonC,SiroheyS.Humanandmachinerecognitionoffaces:Asurvey.ProceedingsoftheIEEE,1995,83(5):705-740.ZhaoW,ChellappaR,RosenfeldA,PhillipsPJ.Facerecognition:Aliteraturesurvey.ACMComputationSurvey,,35(4):399-458.LiSZ,JainAK.HandbookofFaceRecognition,Springer,NewYork,.ZhouS,KruegerV,ChellappaR.Probabilisticrecognitionofhumanfacesfromvideo.ComputerVisionandImageUnderstanding,,91(1):214-245.ZhouS,ChellappaR,MoghaddamB.Visualtrackingandrecognitionusingappearance-adaptivemodelsinparticlefilters.IEEETransactionsonImageProcessing,,13(11):1434-1456.LiB,ChellappaR.Faceverificationthroughtrackingfacialfeatures.JournaloftheOpticalSocietyofAmericaA,,18(12):2969-2981.LiB,ChellappaR.Agenericapproachtosimultaneoustrackingandverificationinvideo.IEEETransactionsonImageProcessing,,11(5):530-554.TorresL,VilaJ.Automaticfacerecognitionforvideoindexingapplications.PatternRecognition,,35(3):615-625.TURKM,PENTLANDA.Eigenfacesforrecognition[J].JournalofCognitiveNeuroscience,1991,3(1):71-86.TURKM,PENTLANDA.Facerecognitionusingeigenfaces[C].ProcofIEEEConferenceonComputerVisionandPatternRecognition.1991:586-590.BELHUMEURPN,HESPANHAJP,KRIEGMANDJ.Eigenfacesvs.Fisherface:rocognitionusingclassspecificlinearprojection[J].IEEETransonPatternAnalysisandMachineIntelligence,1997,19(7):711-720.MIKAS,RATSCHG,WESTONJ,etal.Fisherdiscriminantanaly-siswithkernels[C]//ProcofIEEEInternationalWorkshoponNeuralNetworksforSignalProcessing.1999:41-48.GAUDATG,ANOUARF.Generalizeddiscriminateanalysisusingakernelapproach[J].NeuralComputation,,12(10):2385-2404.LUJu-we,iPLATANIOTISKN,VENETSANOPOULOSAN.Facerecognitionusingkerneldirectdiscriminantanalysisalgorithms[J].IEEETransonNeuralNetworks,,14(1):117-126.厉小润,赵光宙,赵辽英.改进核直接Fisher描述分析与人脸识别[J].浙江大学学报:工学