人脸检测和识别方法综述

王 伟 张佑生 方 芳

合肥工业大学 计算机与信息学院 合肥230009

摘 要 人脸的检测与识别技术因为其巨大的应用价值 市场潜力 已经成为图像工程领域研究的热点 本文首先回顾了国内外人脸检测与识别技术的发展背景和历程 然后对人脸检测与识别技术进行了分类综述 并加以评论 最后进行了简单总结 并展望了其未来的发展趋势

关键词 人脸检测 人脸定位 特征提取 人脸识别

A Survey of Human Face Detection and Recognition

WANG Wei ZHANG You-sheng FANG Fang

(Department of Computer and Information Hefei University of technology Hefei 23009)

Abstract: Because of its large value of application and its market-potency, the technology of face detection and recognition has become a focus in the research area of image engineering. Firstly, in this paper, research background of face detection and recognition and its course of development are briefly reviewed. Then, face detection and recognition technologies are classified and introduced. And some analyses are given. Lastly, we sum up the paper and forecast development prospects of face detection and recognition in the future.

Key words: face detection; face localization; feature extraction; face recognition

1 引言

随着社会的发展 诸如视觉监控 远程教育 人机交互技术 自动身份验证 银行 安全等各方面都迫切希望能够进行快速 有效 稳定的身份验证 生物特征因为自身的稳定性和差异性 已经成为身份验证的主要手段 人脸作为一种自然形体具有很强的共性 但由于个体的差异及外界光照等因素的影响而使人脸图像具有比较复杂的模式变化 人脸是一种极为复杂的 多维的模式 也是最典型的非刚性模式之一 人脸的面部特征也十分丰富 比如对眼特征的研究 可以理解出人类情绪的状况等情况 与其它利用视网膜识别 无法确保对人体的安全性 指纹识别 涉及个人隐私 等的人体生物特征进行身份验证相比 人脸具有直观 友好 方便等特点 正越来越受到关注 在实际生活中具有广泛的应用前景

1

人脸检测与识别是模式识别领域中的经典问题 涉及模式识别 图像处理 解剖学 生理学等多方面多领域的技术和知识 人脸检测与识别技术的研究最早可追溯到

[1]

十九世纪法国人Galton的工作 现代的研究始于60年代末70年代初 并随着科学的发展 在90年代以来成为了研究热点 国内外研究人脸检测与识别的算法层出不穷 相关杂志上发表的有关方面的论文不下数千篇 国内在这方面的研究起步于80年代 但反展较快[2] 人脸识别技术也受到了国家

[3][4][5]

863计划的大力扶持

人脸检测与识别技术包括三个阶段 人

脸的检测 face detection 包括定位localization 人脸的特征提取 facial feature extraction 人脸的识别 face recogniton [6]

人脸的特征提取与人脸识别关系较密切 很多场合认为它们属于同一个阶段

一个计算机自动人脸识别的流程如图

1

图像集 有

人脸定位 位置

人脸识别

特征提取 身份验证

鉴别结果

人脸描述

图1

人脸检测 无 社会 经济的发展 身份验证的需要急剧增大 使得与生物识别技术相关的人脸检测技术也得到了前所未有的关注 反展前景广阔

但这一挑战性的工作仍具有相当困难 表情的影响 光照条件的变化 眼睛 胡须等脸部附属物的影响 面部新增伤痕等均能不同程度的影响人脸检测的检测率 导致误检 把非人脸检测为人脸 或漏检 遗漏检测人脸

人脸检测的方法大致可分为基于知识和基于统计两类[7]

2.1.1基于知识的人脸检测方法

基于知识的人脸检测方法主要是利用人的先验知识对待检测对象建立若干规则 从而将人脸检测问题转化为假设/验证问题

(1)脸轮廓特征

根据人脸的椭圆形轮廓特征进行检测

[8]

Craw等较早提出了使用椭圆模板匹配定位出人脸的大致范围 再用Sobel算子得出边缘信息 从而取得了人脸轮廓 Govindaraju等[9]用变形模板 deformable template 把人脸看成是3段轮廓线包围的区域 头顶轮廓 左侧轮廓 右侧轮廓 对图像先进行边缘检测 对边缘提取曲线特征 然后用函数形式来估计人脸检测的结果 1996年Govindaraju进一步提出了4

[11]

段轮廓的分类法 Wang等通过Hough变换来检测椭圆的直线 弧等边缘信息 此类

[12]

方法还有很多

(2)器官特征

人脸五官具有独特而相似的分布特征 特别是对称性 这些分布特征在图像上形成按一定规则排列的灰度不同的图像块 通过检测图像中是否含有满足人脸器官分布特征的图像块 就可以进行人脸的检测 较为经典的方法有Yang和Huang提出的基于镶嵌图 Mosaic Image 即马赛克图 的人脸检测方法 考虑到人脸内部区域的灰度分布规律 经典的镶嵌图法是构建了一个三层人脸检测系统 第一层针对4 4的马赛克图像块 寻找相应的候选区域 即可能的人脸区域 第二层根据8 8的马赛

2

[13]

[10]

对已存在的图像集中的图像先进行人脸的检测 判断图像中是否存在人脸 如无人脸则整个识别过程结束 否则随即进行人脸的定位 确定人脸在图像中的位置 尽可能精确 并提取出人脸 至此 人脸的检测与定位完成 从功能上分析 两者联系比较紧密 经常同时出现 然后对提取出的人脸图像进行人脸识别 一般通过特征提取 获得人脸信息 进行身份验证 整个人脸自动识别过程随即结束 2 自动人脸识别技术 2.1人脸检测 定位

人脸检测的基本思路是从各种不同的场景中检测出人脸的存在 及人脸的数量 尺寸 位置 位姿等信息

自动人脸识别技术的关键技术之一就是人脸检测技术的研究 人脸检测是一个模式识别问题 其模式分为 人脸与非人脸 人脸检测是完成自动人脸识别的第一步 是人脸识别的基础 因此研究意义十分重大

[2]

并已成为当前模式识别领域研究的热点 是一个极具挑战性的模式分类问题

人脸检测问题起源于人脸识别 但早期并未得到足够的重视 九十年代以来 随着

克图像块 对第一层搜索到的候选区域进一步检测 剔除假脸 第三层通过检测眼 嘴等人脸器官进一步验证 并确定其位置

卢春雨 张长水等[14]在传统的镶嵌图法基础上 提出了一种新的广义三分图的人脸模型分块方案 如图2 子块0 左眼区域 包括眼眉部分 子块2 右眼区域 子块4 鼻子区域 子块7 嘴巴 子块 3 6 5 8 两侧脸颊

1 0 2

3 5 4

7 6 8

图2

立较困难

2.1.2基于统计的人脸检测方法

基于统计的人脸检测方法将人脸图像看作一个高维矢量 把对人脸检测的问题转化为对高维空间中分布信号的检测问题

(1)特征空间的方法

此方法将图像变换至某一个特征空间 再根据图像在此空间中规律区分人脸和非人脸 主分量分析 Principal Component Analysis 简称PCA 是一种常用方法 通常先进行K L变换得到特征值从大到小排序的特征脸[21] 这样既有效降低了其维数 又保留了所需要的识别信息[22]

另外小波变换在人脸检测中也常被用到[23]

(2)事例学习的方法

通过对人脸与非人脸样本集的学习产生分类器进行人脸检测 Sung使用事例学习的方法 使用 自举 bootstrap 解决 非人脸 样本的选取问题

[25][26]

(3)模板匹配的方法

通过与已建立的模板进行匹配比较来检测人脸的存在问题 梁路宏等[27]的基于多模板匹配的单人脸检测效果较好

(4)神经网络的方法

神经网络是一种比较成熟的理论 利用神经网络的多种方法 将模式的各种统计信息嵌入神经网络的参数中进行人脸检测 此

[28][29][30][31]

类方法较多

(5)支持向量机的方法

支持向量机 Support Vector Machine 简称SVM 的方法是统计学理论中最年轻的部分 其出要理论内容在1992 1995年间才基本完成 目前仍在不断丰富发展 由于其性能卓越 已被广泛应用于诸如数字识别 人脸检测与识别 指纹识别等研究领域

支持向量机的基本思想可概括为 首先通过非线性变换将输入空间变换到一个高维空间 然后在这个新空间中求取最优线性分类面 而这种非线性变换是通过定义适当的内积函数 或称核函数 实现的 运用结构风险最小化原则的支持向量机比传统神经网络性能更好 Osuna等[32]较早的利用支持向量机进行人脸识别 取得了较好的效

3

[24]

根据人眼具有一定的轴对称性 也产生

[15][16]

了相应的检测算法 刑藏菊等 何海峰 熊辉等[17]均利用了对称性 快速准确的定位了双眼的位置 进而进行模板匹配等人脸检测过程

(3)颜色特征 包含纹理特征

颜色是人脸表面最为显著的特征之一 其相对稳定 旋转 位姿等因素对其影响不大 人类某一人种的皮肤颜色相对集中 分布在一个较窄的频带上 方便统计分析 建立肤色的颜色表 使用皮肤的颜色模型就能从图像中检测出类似皮肤的像素 而皮肤对应的像素一般是聚类形成一个区域 比较适合于复杂背景下的人脸检测 但环境光照可能对其检测带来灾难性影响

C. H. Lee[18]针对运动中的人脸 先分割得到静态帧图像 再运用颜色模型在复杂环境下分割 检测眼 眉等人脸器官 K.Schwerdt等根据RGB颜色模型来检测

[20]

彩色图像中的人脸 Dai则使用了灰度共

[3]

现矩阵 陶霖密等提出了TLHS Tsinghua

[5]

LHS 的颜色模型 而艾海舟等则将肤色和模板结合起来用于人脸检测

基于知识的方法需事先建立通用规则 一旦规则确定后 检测速度较快 但规则建

[19]

果 国内这方面的研究虽起步较晚 但发展很快[33][34][35][23]

基于统计的方法较适合对正面人脸图像进行检测 但图像中人脸尺度 位姿发生变化 会使检测难度加大 准确率会相应降低

2.2人脸的特征提取与识别 对人脸的特征提取与识别实际上可看成是一个对3 D物体的2 D投影图像进行匹配的问题 而人脸实际是个非刚性模型 在不同情况下可能存在一定的弹性形变 如表情 位姿 从而造成模式的改变 与人脸检测问题相似 环境因素对人脸特征的提取 识别效率影响很大 如在不同光照条件下 人脸的特征也可能发生一些变化 诸如此类的问题涉及面非常广 但均是人脸识别中不得不考虑的问题 人脸识别的研究还在不断的探索中

正因为有许多的因素影响识别效果 所以在人脸的特征提取和识别前 一般要对待识别的图像进行一定程度的 标准化处理 即预处理 去除背景 服装 头发等对人脸识别无用甚至有干扰的冗余信息 达到位置校准和灰度归一化的目的 这样可以大大提高人脸识别效率[36][37]

人脸的特征提取与识别主要分为两类 基于局部特征的识别方法和基于整体特征的识别方法

2.2.1基于局部特征的人脸识别方法 基于局部特征的人脸识别方法是从具体的人脸器官的几何特性及人脸器官之间的位置关系入手 进行人脸特征提取与识别

尽管人脸器官在形状 大小上存在一定的差异性 但器官本身及其分布遵循一定的规律性 如人眼 耳 口 鼻的特征点的形状和相互位置关系 这就为人脸特征提取与识别提供了可能

(1)经典的局部模板匹配方法

[38]

Bledsoe通过手工标记 较早的提出了基于人脸特征点的间距 比率等特征 用来识别人脸 Kwang Nam Choi等[39]通过对已有的图像进行训练从而得到一套可以刻画脸部各特征的滤波器模板 Yuile等[40]提

4

出了可变形模板 Deformable Template 技术 建立器官模型 根据能量函数调整模板参数达到最佳匹配 来进行人脸识别 Lam提出了用基于眼角信息估计的可变模板抽取眼睛的边界[41]

(2)灰度投影法

[42]

Karin Sobottka等受人脸侧面轮廓的启发 使用了一种简单而有效的灰度投影方法来进行人脸特征提取与识别

(3)综合法

综合法为模板匹配与灰度投影法的综合运用 综合法的使用频率较高 性能也最好

李华胜 杨桦等[43]利用基于结构的方法在知识层次上进行人脸特征提取 通过把Hough变换 模板匹配和方差投影相结合 提取出人眼 嘴 鼻三个人脸重要特征 赵向阳等通过人脸主要特征位置的粗标定 得到眼睛位置的精标定 进而确定嘴的粗位置 以获得比较准确的发音嘴形特征 如图3 图4 w1 a y3 h2

[44]

h1 y1 y2 w2 图3

h3 y4 h4 θ X

Y 图4

由于人脸器官较不稳定 变化较大 人脸特征提取与识别的可靠性 精确度均不高 所以基于局部特征的识别方法目前并没有得到太大的重视

2.2.2基于整体特征人脸识别方法

基于整体特征的人脸识别方法是从整体上对人脸图像进行特征提取 进而进行人脸识别 单个人脸器官的细微变化不会对整个人脸识别过程造成太大影响 此类方法目前是人脸识别领域的主流方法

(1)基于特征脸方法

特征脸 eigenface 方法是从主元分析方法 Principal Component Analysis PCA 导出的一种人脸分析识别方法

K-L Karhunen Loeve 变换是种常用的正交变换 将其用于人脸识别取得了很好的效果[45] 利用K-L变换 Turk和Pentland[46]在1991年提出了一套人脸识别的特征脸方法 它根据一组人脸图像构造主元子空间 由于主元具有人脸的形状 也称特征脸 识别时 将测试图像投影到主元子空间上 得到了一组投影系数 和各个已知人的人脸图像进行比较识别 取得了很好的识别效果

在此基础上 出现了很多特征脸的改进算法 其中比较有代表性的有Belhumeur的线性判别特征脸 FisherFace [47] Weng的线性歧义分析方法[48] Peng的双子空间方法

等

特征脸方法原理简单 易于实现 实质上是一种统计性的模板匹配方法 特征脸方法把人脸作为一个整体来处理 大大降低了识别复杂度 但忽视了人脸的个性差异 有一定理论的缺陷 研究表明特征脸方法随光线 角度及人脸尺寸的引入而识别率急剧下降[50]

(2)基于弹性匹配的方法

弹性匹配 Elastic Matching 属于模板匹配 是动态匹配的一种 弹性匹配方法用网格作为模板 将图像间的比较变为网格间

[51]

的比较 1993年 Martain Lades提出了一种基于DLA Dynamic Link Architecture 动态连接模型的弹性匹配法 将物体用稀疏图形描述 其顶点用局部能量谱的多尺度描述来标记 边则表示拓扑连接关系 并用几

5

[49]

何距离标记 再应用弹性图形匹配技术来寻找最近的已知图形 丁嵘等[52]也提出了一种利用人脸关键点来改进弹性匹配的人脸识别方法

弹性匹配方法整体识别性能优于特征脸方法 但计算量巨大 识别速度慢

(3)基于神经网络的方法 人工神经网络 Artifical Neural Network 简称ANN 是由大量类似神经元的简单处理单元广泛相互连接而成的复杂网络巨系统 目前正越来越频繁的被应用于人脸识别领域 大部分的人脸识别神经网络都采用多层感知器和BP学习算法

Kohonen[53]最早利用全互联神经网络存储 重建人脸图像 运用Hebbian学习律进行人脸识别 当输入图像噪音较大甚至部分丢失时 仍能重建人脸 Lin等[54]提出了用于人脸识别的基于概率决策的神经网络

[55]

方法 Lawrence提出了卷积神经网络方

[56]

法 Lee提出了模糊神经网络方法

因为神经网络方法的学习特性 而且不受模式形变的影响 其识别效果较好

(4)基于代数特征的方法

洪子泉等[57][58]将人脸图像看作一个数值矩阵 用SVD奇异值分解提取奇异值 构成奇异值向量用于人脸识别 并证明奇异值的稳定性 不变性 旋转 平移 转置不变性 反映了图像的本质 可用作人脸描

[59]

述 黄修武等也提出了一种改进方法 奇异值方法对光照不敏感 对表情 位姿也有一定容忍性 但计算量较大

矩是一种线性特征 可用来对区域进行描述 1962年M.K.Hu[60]首次提出了图像识别的不变矩理论 给出了对图像区域表达的7各矩组 其在图像的平移 尺度 选装等条件下保持不变 实验表明[61] 利用基于不变矩的方法 相同类的人脸图像产生的不变矩特征相差不大 不同类的人脸图像产生的不变矩特征相差较大 因为人脸图像的不变矩具有可区分性 稳定性和独立性 反映了人脸图像的本质特征 适合用于人脸识别领域[62][63][64]

(5)其他方法

模板匹配是模式识别的传统方法

Brunelli和Poggio通过比较后 证明基于模板匹配的方法识别率较高 但其受光照等条件影响较大

将人脸的一些特征 状态 作为观察序列 可以通过隐建立马尔可夫模型来描述人脸特征[66][67]

傅立叶变换和小波变换也在人脸识别中得到大量的应用

[71]

Goudail等采用局部自相关性作为人脸识别的判断依据 其具有平移不变性 在

[72]

脸部表情变化中较为稳定 Benarie提出了VFR表示框架

多分类器的组合在人脸识别中正成为研究热点 得到广泛应用[73][74][75] 3 总结与展望

本文结合人脸检测与识别技术的发展状况 特别是其在国内的发展 对人脸检测技术和人脸识别技术分别进行了综述 由于各方面对身份验证这一人机交互技术需求的激增 作为身份验证中最重要技术的人脸检测与识别技术正日益受到重视 在世界范围内已经成为了研究的热点 人脸检测与识别技术牵涉面十分广泛 理论问题也非常多 目前已出现形成一个专题的趋势

人脸检测实质是使人脸与背景 非人脸 分离 基于统计的方法有一定优势 目前发展也较快 但由于人脸图像的复杂度 基于统计的方法需要大量的人脸样本和非人脸样本 而非人脸样本的收集非常困难 解决途径可能是结合知识与统计的方法 同时利用交叉学科的相关技术

人脸是非刚性模型 表情丰富 能产生各种细微的形变 特征极难把握 人脸识别难度非常大 基于非刚性模型的人脸特征提取与识别的方法 如弹性匹配 才更符合实际 能取得较好效果 目前人脸识别技术的发展还有很大空间 现有的技术不足以解决识别问题 神经网络 奇异值等方法的优缺点都很明显 未来的发展方向可能是多种识别方法的综合 优化组合 运用 人脸整体与局部 包括人脸细节 匹配方法相结合

一个完善自动人脸识别系统是人脸检测技术与人脸识别技术的完美结合

客观的说 在目前条件下 实现100

6

[68][69]70]

[65]

成功的人脸检测与识别几乎是不可能的 由于社会各方面巨大的需求 同时也是巨大的动力 人脸检测与识别技术这一研究热点仍将不断发展 新方法 新思路将会不断涌现 必将推动人脸检测与识别技术进一步产业化

参考文献

[1] Sir Francis Galton. Personal identification and sescription-I[J]. Nature,1888(21):173-177 [2] 章毓晋. 中国图像工程及当前的几个研究热点[J]. 计算机辅助设计与图形学学报, 2002,14(6)

[3] 陶霖密,彭振云,徐光裕. 人体的肤色特征[J]. 软件学报,2001,12 07

[4] 梁路宏,艾海舟,何克忠. 基于多模板匹配的单人脸检测[J]. 中国图形图像学报, 1999,4(A)(10):825-829

[5] 艾海舟,梁路宏,徐光裕,张跋. 基于肤色和模板的人脸检测. 软件学报,2001.12(12) [6] Chellapa R, Wilson C L, Srrohey S. Hum- an and machine recongniton of face: a survey- . Proc. of the IEEE,1995,83(5):704-740 [7] 周杰,卢春雨,张长水,李衍达. 人脸自动识别方法综述[J]. 电子学报,2000,28(4):102 -106

[8] Craw I, Eillis H, Lishman J. Automatic extraction of face features. Pattern Recognitio- n Letters,1987,5(2):183-187

[9] Govindaraju V . Int. J. Computer Vision, 1996,19:129-146

[10] Govindaraju V, Srihari S N, Sher D B. A computational model for face location. In Pro- c.3rd Int.Conf.on Computer Vision,1990,718-7 21

[11] Wang J G, Tan T N. A new face detection method based on shape information. Pattern Recognition Letters,2000,21(6-7):463-471 [12] Burl M C, Leung T K,Perona P. Face localization via shape statistics. Proc. Int. Workshop on Automatic Face and Gesture Recognition,1995:154-159

[13] G Z Yang and T S Huang. Human face detection in a complex background. Pattern R-

congnition,1994,27(1):43-63

[14] 卢春水,张长水,闻芳,阎平凡. 基于区域特征的快速人脸检测法[J], 清华大学学报, 1999,39(1):101-105

[15] 刑藏菊,曲延锋,王守觉. 静态灰度图像中的人脸快速检测. 计算机辅助设计与图形学学报,2002,14(5)

[16] 何海峰,王林泉,葛元. 灰度图像中基于像素分布特征的人脸定位. 计算机工程,200 2,28(6):158-160

[17] 熊辉. 人脸检测与定位方法研究. 南京理工大学硕士学位论文,1998

[18] Lee C H, Kin J S, Park. K. H. Automatic human face location in a complex background using motion and color information. Pattern Recognition,1996,29(1):1897-1889

[19] Schwerdt K, Crowley J L. Robust face

th

tracking using color. In Proceedings of the 4 IEEE International Conference on Automatic Face and Gesture Recognition,2000:90-95 [20] Dai Y, Nakano Y. Face-texture model ba- sed on SGLD and its application in face detec- ttion in a color scene. Pattern Recognition,199 6,29(6):1007-1017

[21] 边肇祺,张学工等编著. 模式识别 第二版 . 北京 清华大学出版社,2000

[22] Moghaddam B, Pentland A. Probabilistic visual learning for object representation. IEEE Trans Pattern Analysis and Machine Intellige- nce,1997,19(7):696-710 [23] 祝海龙,屈梁生,张海军. 基于小波变换何支持向量机的人脸检测系统. 西安交通大学学报,2002,36(9)

[24] Sung K, Poggio T. Example-based learning for view-based human face detection. IEEE Trans Pattern Analysis and Machine Intelligence,1998,20(1):39-51

[25] 朱俊青,王林泉,葛元. 基于模板匹配的快速人脸定位. 计算机工程,2002,28(9)

[26] Tsukamota A, Lee C W, Tsuji S. Detection and tracking of human face with synthesized templates[A]. In Proc. Asian Conf. On Computer Vision[C],1993,183-186 [27] 梁路宏,艾海舟,何克忠. 基于多模板

7

匹配的单人脸检测[J]. 中国图象图形学报 ,1999,4(10):825-830

[28] Rowley H A. Rotation invariant neural network-based face detection[M]. CMU-CS- 97-201,Carnegie Mellon University Pittsburg- h,1997

[29] Rowley H A, Baluja S, Kanade T. Neural network-based face detection. IEEE Trans Pattern Analysis and Machine Intelligence,199 8,20(1):23-28

[30] Juell P, Marsh R. A hierarchical neural network for human face detection. Pattern Recognition,1996,29(5):781-787

[31] 范宏伟,倪国强,申会堂. 利用几何特性及神经网络进行人脸检测技术的研究. 光学技术,2002,28(2)

[32] Osuna E, Freund R, Girosi F. Training support vector machines:An application to face detection. In Proc. Computer Vision and Pattern Recognition, Puerto Rico,1997:130-13 6

[33] 崔伟东,周志华,李星. 支持向量机研究[J]. 计算机工程与应用,2001,37(1):58-61 [34] 凌旭峰,杨杰,叶晨洲. 基于支撑向量机的人脸识别技术. 红外与激光工程,2001,30(5) 318-327

[35] 王宏漫,欧宗瑛. 支持向量机在人脸识别中的应用. 计算机工程与应用,2003,11:100-102

[36] 甘俊英,黄宇明. 用于人脸识别的人脸图像标准化算法. 五邑大学学报 自然科学版 ,2002,16(2)

[37] 甘俊英,张有为. 一种使用计算机提取人脸图像特征的阈值最优分层法,计算机工程与应用,2002,2:19-22

[38] Bledose W. The model method in facial recognition. Panoramic Research Inc. Tech. Rep. PRI:15,Palo Alto,CA,1964

[39] Kwang Nam Choi, et al. Localising facial features with matched filters[C]. In AVBPA’97 ,1997:11-20

[40] A.L Yuile. Deformable templates for face recognition[J],Cognitive Neuroscience,1991,3 (1):59-70

[41] Lam K M and Yan H. Locating and extra- cting the eye in human face images. Pattern R- ecognition,1996,29(5):771-779

[42] Karin Sobottka, Loannis Pitas. A fully automatic approach to facial feature detection and tracking[J]. First Int. Conf. on AVBPA’97, 1997

[43] 李华胜,杨桦等. 人脸识别系统中的特征提取[J]. 北京交通大学学报,2001,25(2):18 -21

[44] 赵向阳,张有为. 人脸主要特征位置标定与唇动序列跟踪. 五邑大学学报(自然科学版),2002,16(1)

[45] Sirovich L, Kirby M. Application of karhunen-loeve procedure for the characteriz- ation of human faces. IEEE Transactions on PAMI,1990,12(1):103-108

[46] Matthaw Turk, Alex Pentland. Eigenfaces for recognition[J]. Cognitive Neuroscience,19 91,3(1):71-86

[47] P N Belhumeur, J Hespanha, D Kriegman. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear rojection. IEEE Trans. PAMI, Special Issue on Face Recognition,199 7,19(7), 11-20

[48] Dan Swets and John J. Weng . Using Dis- criminant Eigenfeatures for Image Retrieval. IEEE Trans. PAMI,1996,18(8):831-836

[49] H Peng and D Zhang. Dual eigenspace method for human face recognition. Electroni- cs Letter,1997,33(4), 283-284

[50] 熊志勇等,人脸图象识别系统及其方法,计算机科学,1998,25(5):43-46

[51] Lades M, Vorbuggen J, Buhman J, et al. Distortion invariant object recognition in the dynamic link architecture. IEEE Trans on Computer,1991,42(3):300-311

[52] 丁嵘,苏光大,林行刚. 使用部件信息改进弹性匹配人脸识别,光电子·激光,2002,13(8 )

[53] Kohonen T. Associative memory: A system theoretic approach. Berlin,Springer,19 97:85-97

[54] Lin S H, Kung S Y, and Lin L J. Face

8

recognition/detection by probabilistic decision -based neural network. IEEE Trans. Neural Networks,1997,8(1):114-132

[55] Lawrence S, Giles C L, Tsoi A C, et al. Face recognition: a convolutional neural network approach. IEEE Trans on Neural Net- work,1997,8(1):98-113

[56] Lee S Y, Ham Y K, and Park R H. Recognition of human front faces using knowledge-based feature extraction and neuro-fuzzy algorithm. Patten Recognition,19 96,29(11):1863-1876

[57] Z Hong. Algebraic feature extraction of image for recognition. Patt. Recog,1991,24(3): 211-219

[58] 洪子泉,杨静宇. 用于图像识别得图像代数特征抽取. 自动化学报,1992,18(2):232-238

[59] 黄修武,杨静宇,郭跃飞. 基于隶属度的人脸图像特征抽取和识别. 电子学报,1998,26(5):89-92

[60] M K Hu. Visual pattern recognition by moment invariant[J]. IRE Transactions on Information Theory,1962:IT(8):179-187 [61] 甘俊英,张有为. 基于不变矩特征和神经网络的人脸识别模型. 计算机工程与应用,2002,38(7):53-56

[62] Y Zhu, L C De Silva, C C Ko. Using moment invariants and HMM in facial expres- sion recognition. Pattern Recognition Letters, 2002,23(1-3): 83-91

[63] T Phiasai, S Arunrungrusmi, K Chamno- ngthai. Face recognition system with PCA and moment invariant method[C]. Proceedings of the IEEE International Symposium on Circuits and Systems,2001,2:165-168

[64] 杜平,张燕昆,刘重庆. 基于不变矩的人脸识别方法的研究. 计算机仿真,2002,19(3): 78-81

[65] R Brunelli, T Poggio. Face recognition: Features versus templates. IEEE Trans on PAMI,1993,15(10):1042-1052

[66] Samaria F, Young S. HMM-based archite- cture for face identification. Image and Vision

Computing,1994,12(8):537-543

[67] 薛斌党,欧宗瑛. 加权合成的嵌入式隐Markov模型人脸识别. 大连理工大学学报,2002,42(3)

[68] Jian Huanglai. Face recognition using holistic fourier invariant features. Pattern Recognition,2001,34(4):95-109

[69] 段秉乾,赵小敏. 双正交小波方法在面部特征抽取中的应用. 计算机应用研究,2001,4:87-90

[70] 彭进业,王大凯,俞卞章,李楠. 基于小波分解系数的贝叶斯人脸识别方法. 光子学报,2001,30(10):1263-1269

[71] F Goudail, et al. Face recognition system using local autocorrelations and multiscale int- egration. IEEE Trans. PAMI,1996,18(10):102 4-1028

[72] J Benarie, D Nandy. A volumetric/iconic frequency domain representation for objects with application for pose invariant face recog- nition. IEEE Trans. PAMI,1998,20(5):449-457 [73] Yoon K S, et al. Hybrid approaches to frontal view face recognition using the hidden Markov model and neural network. Pattern Recognition,1998,31(3):283-293

[74] 陈刚,戚飞虎. 多分类器组合的人脸识别. 上海交通大学学报,2001,35(2):173-176 [75] 薛斌党,欧宗瑛. E-HMM/ANN混合网络人脸识别. 计算机辅助设计与图像学学报,2002,14(11):1070-1073

9