生物识别技术和面部表情识别作为审查

Renu Nagpal^{* 1},Pooja Nagpal²和苏米特Malhotra³

CSE,扎拉拉难民营Gurdas工程与技术研究所Sangrur,印度旁遮普
CSE, Rayat工程与信息技术研究所Ropar,印度旁遮普
CSE,扎拉拉难民营Gurdas工程与技术研究所Sangrur,印度旁遮普

通讯作者:Renu Nagpal,电子邮件:er.renunagpal@gmail.com

文摘

身份验证的类型,依赖于可测量的物理特性,可以自动检查,越来越流行和要求。这就是所谓的生物识别技术。本研究旨在给基本的生物识别技术综述和讨论面部表情识别在静止图像和视频和讨论的技术思想实现智能电脑或机器人。面部表情的识别是一个自动系统基于表达式的表示,从训练集的预选的有意义的功能。首先我们调查情感智能电脑能感知人类的感情。生物使用的各种流程和技术来分析人的身份验证。生物识别技术是测量和分析生物的科学和技术数据。在信息技术、生物识别技术是指技术,测量和分析人体特征,如指纹、眼睛视网膜,虹膜,声音模式,面部和手测量模式,进行身份验证。在这个研究论文有一个强调生物和生物技术我们也讨论了静态和动态的面部表情识别技术来识别人类的面部表情识别公认的五个主要情感即愤怒、厌恶、快乐、悲伤和惊讶以及中性在静止图像和视频序列。

介绍

验证身份使用主体的生理或行为特征。个人的生物特征表示。这是一个可测量的特点,一个活的有机体的生理或行为,是否可以用来区分有机体作为一个个体。生物特征数据捕获当用户尝试通过身份验证的系统。这些数据由生物系统用于实时比较对生物样本。生物模板创建完成注册过程,初始捕获生物样本。Biometric-based解决方案能够提供金融交易机密和个人隐私数据。许多现有的政府身份管理系统使用生物识别技术来保证每个人在系统中只有一个身份,只有一个人可以访问每一个身份。建立一个人的身份的传统方法包括基于知识(如密码)和基于令牌的(例如,身份证)机制,但是这些代理代表的身份很容易丢失,共享,从而操纵或被盗妥协的安全。生物识别技术提供了一个人的身份可以被视为与这个人有关的信息在一个特定的身份管理系统。例如,一个银行发行信用卡通常将客户与她的名字,密码,社会安全号码、地址和出生日期。 Thus, the identity of the customer in this application will be defined by these personal attributes (i.e., name, address, etc.). By using biometrics it is possible to establish an identity based on who you are, rather than by what you possess, such as an ID card, or what you remember, such as a password. Biometrics has also been used to refer to the emerging field of technology devoted to identification of individuals using biological traits, such as those based on retinal or iris scanning, fingerprints, or face recognition.

生物识别特征:

生物特征可以分为两个主要的类:

一。生理身体的形状有关。的例子包括,但不限于指纹、人脸识别、DNA,手,手掌几何学,虹膜识别,这在很大程度上取代了视网膜和气味。

行为都与一个人的行为。例子包括,但不限于输入节奏,步态和声音。一些研究人员已经创造了这个词behaviometrics这类生物识别技术

在这有一些常见的生物识别技术的特点:

普遍性:访问应用程序的每一个人应具备的特征。

独特性:给定的特征应该足够不同的个体组成的人口。

c。永恒:个人的生物特征应该足够不变的经过一段时间的匹配算法。这一特征随时间变化明显不是一个有用的生物。

d。可测性:可以获取和数字化生物特征使用合适的设备,不要引起不必要的麻烦。此外,获得原始数据应该服从处理以提取具有代表性的特性集。

e。性能:识别准确性和所需的资源达到这个精度应满足应用程序的限制。

f。可接受性:个人将利用应用程序的目标人群应该愿意展示他们的生物特征的系统。

g。规避:这指的是个体可以模仿使用工件的特征(例如,假手指)的物理特征,和模仿,在行为特征。

所有生物识别系统的关键要素:

所有生物识别系统包括三个基本要素:

一。注册,

b。模板和

c。匹配。

招生是生物标本采集的过程,从一个人,随后的一代的模板。通常,设备需要三个样品相同的生物,然后产生一个平均入学率模板。

模板数据代表入会者的生物。他们创造的生物识别设备,它使用一个专有的算法来提取“特性”合适,技术从入会者的样本。这些特性也被称为细节点对一些技术,例如指纹系统。因为模板只是一个记录的特点,一个人的生物特征或特征(而不是一个图像或完整记录实际的指纹或声音),模板通常是小,允许即时处理时间信息的生物认证的特征。一些模板的小尺寸允许存储在磁条纹或条形码放在塑料卡片或智能卡。

对于任何生物识别技术,一个小的人口比例将无法产生一个可用的模板。这未能录取(或获得)的失败技术提取足够的特点适当的技术。例如,一小部分的人口不能指纹要么因为他们打印不够独特的(例如,没有分支,可以被系统)或因为个人的职业和年龄,它可以改变特点。

匹配是比较提交对生物样品的过程中许多(识别)(验证)或一个模板系统的数据库中。一般来说,比识别应用程序验证应用程序提供更安全,因为一块生物和至少一个其他的输入(例如,销、密码令牌,用户名)必须匹配模板。验证提供了一个用户与控制自己的数据和生物认证过程,提供的模板只存储在一张卡片上。也就是说,这样一个系统不会允许秘密,或强迫,捕捉生物特征数据,因为个人会知道如果他提供的名片。只因为搜索寻找匹配数据库中的一个模板,验证应用程序需要处理时间更少,更少的内存,和更少的成本比识别应用程序。准确性和错误率必须由最终用户在选择了生物识别设备。识别应用程序需要一个高度健壮和独特的生物,否则错误率错误匹配和nonmatching用户的样本对模板违反安全和抑制方便。终端用户想要的应用程序识别罪犯(移民、执法等)或其他类型的“披着羊皮的狼”必须使用一个识别应用程序。其他类型的应用程序可能需要验证应用程序。在许多方面,决定是否使用验证或鉴定需要平衡安全和方便最终用户的需求。

模板管理是不可或缺的组成部分,平衡隐私,安全,方便的问题。所有生物系统面临的一个共同的问题:模板数据库必须存储在某个地方。生物模板必须受到保护以防止身份欺诈和维护用户隐私。可能的解决方案包括存储生物识别设备本身,一个远程访问的中央计算机,一个塑料卡或令牌和一个条形码或磁条,无线射频识别装置(RFID)卡片和标签,光学记忆卡,PCMCIA(个人电脑记忆卡国际协会)卡,智能卡。一个重要的安全问题对模板数据库管理是数据库是否会提供一个独特的目的或如果它将用于多种用途。例如,设施经理可能使用指纹阅读器来控制访问。他可能还想使用相同的指纹模板数据库来识别员工登录到他们的计算机网络。跨线的数据传输到中央数据库提出了生物特征模板的风险可能捕获或被盗。一个额外的隐私和安全的担忧是关于每个用户额外的个人信息将被存储与生物特征模板和他的生物是否用于链接到有关他的其他个人信息。

COMMONBIOMTRICSMODALITIES

生物识别技术领域是一个两极分化的和有争议的话题,与多个声音讨论技术的优缺点。的很多讨论都集中在假设,技术和哲学问题。有很多不同类型的生物识别系统。这是描述和最受欢迎的的优点和缺点。

一个指纹。

b。的脸

虹膜c。

d。声音

e。手几何

指纹的读者:

指纹识别是最常见的一种生物识别技术和最密切相关的,在消费者心目中存在的行业作为一个整体。通过扫描指纹系统工作的一个或多个的指尖和比较对已知图像扫描。有几种类型的扫描和匹配技术在今天使用,但用户体验很简单,把手指放在一个小传感器,一两秒钟等待结果。因为他们的独特性和一致性随着时间的推移,指纹识别有超过一个世纪,最近成为自动化(即生物)由于计算能力的进步。指纹识别是受欢迎的因为固有的易于采集,众多的来源(十个手指)可供收集,和他们建立使用和收藏的执法和移民问题。

优点:

。大多数人本能地理解指纹扫描的概念,所以有相当小的用户培训。

b。指纹传感器是非常小的,别要消耗大量的能量,和越来越便宜的生产,从而能够把指纹生物识别系统在笔记本电脑、手机、个人数字辅助甚至通用串行总线拇指驱动器。

c。指纹生物识别技术产业中最古老、最发达的领域,所以有许多供应商和产品选择提供给消费者。

d。指纹生物识别系统最近成为某些类的美国联邦政府授权ID卡,这将会刺激更多的功能开发和供应商之间的互操作性。

缺点:

。虽然精度一直在稳步改善,仍有一个真正的认为指纹扫描仪太烦躁,日常使用。

b。指尖更容易脏比身体的其他部位。肮脏的手指能衬托匹配的过程。肮脏的手指还会导致脏指纹读者,从而导致更多的可怜的扫描。

c。因为许多指纹系统并不是100%可靠,它们经常与一些备份配置身份验证机制,比如个人识别号码(PIN)或密码可以输入,如果一个人不能得到一个好的扫描。这些备份机制的存在使得指纹更有用的便利功能,作为改进总体安全。

d。由于与刑事诉讼文化协会,许多人对自己的手指扫描。这是一个很大的障碍在若干国家广泛采用。

e。供应商和产品的扩散也有它的缺点:指纹生物识别行业充满了不兼容的技术。互操作性将改善随着时间的推移。

人脸识别:

面部识别记录的空间几何特点的脸。不同的供应商使用不同的面部识别的方法,然而,所有关注措施的关键特性的脸。因为一张脸可以被相机捕获一些距离,面部识别有秘密或隐蔽的能力(即主体并不一定知道他已经被观察到)。出于这个原因,面部识别被用于项目识别卡柜台或其他不受欢迎的人在赌场,在商店扒手,犯罪分子与恐怖分子在城市地区。

优点:“

可以使用面部识别系统可以把相机的地方。很多相机可以安装在一个位置来最大化安全覆盖在不影响交通模式。

b。人脸识别系统可以安装要求一个人明确加强相机和照片,或自动调查人经过一个相机。后来的模式允许隐蔽扫描很多人在同一时间。

c。面扫描不突兀的,可以做在一个舒适的距离,不需要用户碰任何东西。

d。视频或图片可以重播通过面部识别系统用于监测或安全事件后取证工作。

e。新的3 d人脸识别系统据报道显示惊人的高水平的准确性和可靠性。

缺点:

。传统的二维人脸识别系统的准确性一直是历史上贫穷。这样的系统可能被帽子、胡子、墨镜和口罩在国际机场(类型的流行在最近七急性呼吸系统综合症scare-SARS)。照明和相机角度的变化也有重大影响的准确性2 d系统。

b。3 d系统,尽管可能更准确,还在起步阶段。3 d系统可能也不太灵活处理大型人群——传统的2 d系统的主要优点之一。

c。有些人认为大规模人脸识别摄像机的终极“老大哥”入侵安全隐私为代价的。双方虽然有很多好论点的辩论,之前应该考虑潜在公众厌恶这样的系统实现。

虹膜识别:

眼球有很多独特的和可识别特征仍然相当恒定在一个人的一生,是一个潜在的生物特征数据的理想来源。有两个主要地方的眼睛今天用于生物识别系统。他们是视网膜和虹膜。第三种类型,结合方面的两个以及其他眼部特征被称为整个眼睛。虹膜扫描措施虹膜模式的有色眼睛的一部分,尽管虹膜的颜色与生物无关。虹膜模式是随机形成的。因此,左右一个人的眼睛虹膜模式是不同的,所以是同卵双胞胎的虹膜模式。虹膜扫描可用于快速识别和验证的应用程序,因为虹膜是非常独特和健壮。

优点:

Iris-based系统非侵入性的,可以使用在几英尺的距离。使用一个iris-based系统有点像看着浴室的镜子上。

b。与指纹读者,几乎所有的人健康的眼球可以成功注册并与eye-recognition系统扫描。

缺点:

。一束光线进入眼球相当近的距离可以产生某种模糊的不愉快的感觉。

b。质量眼睛今天比指纹识别设备往往是更昂贵的读者。

语音识别:

语音识别也称为说话人识别,是说话人识别的问题从一个简短的话语。语音识别系统在关心抄录的演讲,需要忽略语言特性,语音识别系统需要放大和分类。有许多子问题,如识别是否text-dependent与否,环境嘈杂,是否必须实时操作,是否,是否只需要一个验证扬声器或识别它们。声音和说话人识别使用声音特征来识别个人使用一个密码短语。电话或麦克风可以作为传感器,这使得它相对便宜和易于部署技术。然而,语音识别可以受到背景噪声等环境因素的影响。这种技术已经相当努力的焦点在电信行业的一部分,美国政府的情报部门,继续努力提高可靠性。

优点:

一个公众接受。

b。不需要接雷竞技网页版触

c。常见的传感器(电话、麦克风)

缺点:

一。难以控制传感器和通道差异

b显著影响功能

c。不够独特的识别在大型数据库

手几何:

费尔德曼说,“手几何技术创建数学模型抽象使用数据来源于长度、宽度、厚度、曲率和表面积的手,四个手指。招生的质量形象会影响频率系统错误地拒绝未来个人手几何投影系统需要的主题将他或她的手(通常是右手)在盘子里,逼真地捕获并测量了人手了足够的构象的解剖特点启用身份验证,但不认为足够独特提供完整的标识,一个简单的手几何系统将测量的长度和厚度,手掌的宽度在不同分和棕榈的半径。这个结果在一个相对简单的识别,可以用一个非常简单的表达,紧凑的字符串数据。

优点:

容易捕捉

b。据信是一个高度稳定的模式在成人

c .寿命

缺点:

使用需要一些培训

一个不够独特的识别在大型数据库;通常用于声称登记身份的验证

b。系统需要大量的物理空间

应用程序

a。应用程序不同,范围从逻辑访问个人电脑,一个安全实验室的物理访问。生物识别技术的实际应用是多样化和扩大,随着新需求确定。一些地区可以使用生物识别技术有:

b。它们可以用于各种收集环境识别系统。

c。生物识别技术也用于问责程序,如记录个人的生物特征身份登上飞机,签约一块设备,或记录的证据链。d。在控制环境中执行更可靠的生物识别技术,如办公室和实验室,比在不受控制的环境中,如户外。e。业务:合规、风险缓解、更少的管理,准确的就业:f。银行自动取款机,vpn,自动分行,现金调剂,销售点、访问控制。g。电子商务:B2B贸易交流、支付网关、呼叫中心、数据中心。h。ATM机用途:大部分主要银行一直在研究生物识别技术用于ATM机一般打击信用卡欺诈的手段。

我。工作站和网络访问:许多人把这视为应用程序,这将提供生物识别行业的临界质量和创建科幻设备定期系统组件之间的过渡,从而提高公众意识和降低阻力一般使用生物识别技术。

j。旅行和旅游:有多应用卡旅客,将生物特征,将使他们参与各种频繁飞行和边界控制系统以及支付自己的机票,酒店房间,雇佣护理等k。电话交易:许多电话销售和呼叫中心经理思考生物识别技术的使用。

好处

。生物不可能是偷来的,错误的,忘记或复制。

b。生物识别技术可以提供一个自动化的方法识别个体或声称的身份验证。

c。生物识别技术通常是被动和设计是安全的使用。

d。生物识别系统通常实现普通计算机和视频技术,如遇到了一个人的日常活动中。e。控制访问物理位置(实验室、建筑、等)或逻辑信息(个人电脑账户,安全的电子文件,等等)。

f。生物识别技术也可以用来确定一个人是否已经在数据库中,为社会服务或身份证等应用程序。

g。方便的与用户身份验证机制。我们不能忘记我们的身体部位在家里,我们不能借给它。我们不需要记住的指纹,然后改变它每3个月与密码。

h。生物识别技术几乎可以持续永远,直到截肢或损坏。

我。不再忘记密码,丢失卡片或被盗。你是你自己的密码。

j。积极Identification-It识别你,而不是你所拥有的或携带。

k。它提供了最高的安全级别。

l。它提供了流动性。

m。增加安全控制对机密数据的访问和IT系统。

n。降低欺诈的风险使用由员工的身份。

o。生物识别技术可以通过搬迁安全提供成本节约资源和减少与密码相关的费用维护,或它可能导致额外的成本通过强调以前错过的问题。成本效益变化从应用程序到应用程序。

缺点

a。有一个因素的用户接受或不接受一个特定的生物识别技术。一些人仍然不愿使用指纹认证,相关的很长一段时间以来与罪犯的监狱

b。大多数生物技术专利,这意味着它很贵公司许可使用和实施任何类型的生物识别技术。c。生物识别实现的另一个大问题是软件对生物识别硬件设备的支持。d。自动个人识别系统仅基于指纹或面临往往不能满足系统性能要求。e。在人脸识别中,脸上有时会随时间而变化或伤害,这带来了一个问题。指纹验证是可靠的,但在数据库检索效率。g。一些语音识别系统有一些问题,因为声音的变化与人类的情绪和疾病和背景噪音带来了一些问题。

面部表情识别

自动识别面部表情可以作为一个组件的自然人机接口(接口将使自动化提供服务,需要一个好的升值服务用户的情绪状态,会在交易,涉及谈判,例如。有些机器人也可以受益于识别表情的能力。自动化分析的面部表情行为科学或医学是另一个可能的应用领域从自动识别的角度,一个面部表情可以被认为由变形的面部组件及其空间关系,或更改的色素沉着脸。研究自动识别面部表情地址问题周围的静态或动态特征的表示和分类这些变形或色素沉着脸。

有大量文献的情绪。最近的发现表明,情绪是复杂与其他功能如注意、感知、记忆、决策、和学习。这表明,它可能是有益的对电脑的认识到人类用户的情绪和其他相关的认知状态和表情。Ekman和弗[7]开发了面部动作编码系统(流式细胞仪)代码的面部表情运动脸上被一组动作单元(au)。每个非盟有一些相关的肌肉发达的基础。这个系统的编码的面部表情是手工完成的,遵循一套规则规定。面部表情的输入是静态图像,通常在表达式的高峰期。埃克曼的工作激发了许多研究人员分析面部表情的图像和视频处理。通过跟踪面部特征和测量的面部运动,他们试图分类不同的面部表情。最近的工作在面部表情分析和识别使用了“基本表达式”(即。、快乐、惊讶、恐惧、厌恶、悲伤和愤怒)或其中的一个子集。 The two recent surveys in the area [16, 8] provide an in depth review of the existing approaches towards automatic facial expression recognition. These methods are similar in that they first extract some features from the images, then these features are used as inputs into a classification system, and the outcome is one of the preselected emotion categories. They differ mainly in the features extracted from the video images and in the classifiers used to distinguish between the different emotions. Mehrabian reported that facial expressions have a considerable effect on a listening interlocutor; the facial expression of a speaker accounts for about 55 percent of the effect, 38 percent of the latter is conveyed by voice intonation and 7 percent by the spoken words.

由于他们携带的信息,面部表情可以发挥重要作用无论人类与机器进行交互。有些机器人也可以受益于识别表情的能力。自动化分析的面部表情行为科学或医学是另一个可能的应用程序域[6][9]。

静态和动态面部表情识别

从静态图像的表情识别,人脸检测是第一阶段所需的自动化。在大多数的研究中,脸上已经出现并与特征提取和跟踪分析开始。在休息,自动探测器使用。这些可分为主要分为两类:建立检测和检测使用红外(IR)相机。设想和Rabenstein[5]使用肤色检测和基于主成分分析(PCA)的眼睛定位定位跟踪算法的脸。为了进一步降低计算复杂度,眼睛检测和跟踪任务分为两个步骤开展工作。首先是眼睛是本地化。当眼睛的位置是已知的,跟踪执行使用luminance-adapted块匹配技术。

众多的特性被应用于面部表情识别问题。基于图像的模型依赖于整个图像的像素值(整体)或相关部分的图像(本地)。另一方面,基于模型的方法创建一个模型,最能代表面对通过训练图像。特征点也用作饲料的特性分类器或化身。不同图像是用来发现眼睛坐标从收集的图像对红外摄像机。在最初的研究在这一领域,标记被用来分析面部数据。此外,光流和运动模型也用于特征提取和跟踪。

基于图像和基于模型的方法在文献中更占主导地位。作为一个基于图像的技术,伽柏小波广泛应用于面部特征检测。

Dubuisson等。[14]三角测量应用于过滤图像的大小是通过伽柏内核。然后,他们发现包含面部特征的三个盒子(眼睛区域和河口地区)的分类躺在凸包络的三角区域。Gokturk等。[23]从立体跟踪创建一个三维可变形模型并应用PCA在他们的研究。结果模型接近任何通用的形状,形状基向量的线性组合。额外的光流跟踪计算每个点的平移位移。

统计方法有三个主要的阶段:“捕捉”、“规范化”和“统计分析”。总之,在捕获的部分,一个定义一定数量的点(里程碑)轮廓形状和使用对象的问题对纹理图像扭曲。普罗克汝斯忒斯以下形状规范化使用分析和纹理规范化是通过消除帧间全局照明效果。最后,主成分分析(PCA)执行对象形状或纹理之间的差异进行分析,这些信息也可以用于合成。主动形状模型(asm)和主动外观模型(批)是两种广泛使用的统计方法提出的,他们都是傻瓜等人分别在[21]和[19]。麦方法用于面部特征跟踪由于其检测能力所需的功能的扭曲纹理在每个迭代中一个麦搜索方法拟合图像。Ahlberg [7], Abboud Davoine[20]使用麦在他们的工作。此外,asm——前版本的批,只有利用形状信息和强度值沿型材垂直于表面的形状也被用来提取等特性所做的功Votsis et al . [22]。

承认表达优秀的技术资讯,他们报告。工作的弗兰科和特里尔[18],一个矩形区域的脸,包括一只眼睛和一半的嘴巴和鼻子是裁剪的图像。给出这个裁剪矩形的像素值作为神经网络的输入(NN)分类器分类为中性,快乐、悲伤或惊讶的表情。除了图像序列的分析,也有工作在静态图像。Buciu[30]应用判别非负矩阵分解(DNMF)说道,Davoine应用基于决策树分类器[20],Buciu和皮塔饼[16]使用余弦相似性度量和最大相关应用最近邻分类器的图像选择Cohn-Kanade图像数据库[31]。Dubuisson等。[14]也使用相同的数据库并执行两种类型的分类。二元分类器是用来区分两个混淆类和6级分类器是用于一般分类。

的动态表达式识别特征提取方法可以分类根据他们是否关注运动和变形的脸和面部特征。运动提取方法直接关注由于面部表情,面部变化而deformation-based方法必须依靠中性面图像为了提取面部特征。在执行运动特征提取图像处理两个步骤。在第一步中,每两个连续帧的速度矢量获得通过使用一个基于梯度光流算法[21]。为了提高性能,该地区处理仅限于两个小区域,一个眉毛区域,另一个是口地区。这些区域选择基于三维测量的结果表达式,这样他们被证明的区域变化最明显。在第二步中,特征向量构造处理应用于垂直和水平分量速度矢量场的眼睛和嘴周围的地区。

使用光流跟踪运动是有利的,因为五官和皮肤自然有大量的纹理。使用特征向量构造低维得到权向量在特征空间来表示高维密度每一帧的流动。基于位移和权重向量,运动信息转换为符号序列,我们可以识别面部表情。这些区域选择基于三维测量的结果表达式,这样他们被证明的区域变化最明显。

面部表情识别可被看作是一个模式识别问题。有必要模型动态面部特征向量序列,以分析面部表情序列。面部表情建模需要考虑人类面部表情的随机性质涉及人类心理状态,隐藏或不可估量的,和人类行为,可见或可测量的。例如,不同的人相同的情绪可能表现出截然不同的面部动作,表达强度和持续时间。个体差异,但人类观察员仍然可以识别什么是情感的表达,表明一些常见元素构成每个运动。因此,面部表情建模的目的是发现隐藏的模式与特定的表达式相关联的测量(可观测的)数据。面部表情建模需要一个标准来衡量一个特定的表达式。需要分析的序列图像捕捉动态。表达式是公认的在整个图像序列的背景下任意长度的。识别系统是开发基于编码的时间序列的随机模型描述的面部表情,这应该表现良好在时空域中,类似于人类的性能。

总结

人类每个个体都是独一无二的,而整体结构都是一样的;这种方法将生物识别技术的需求不断更新的安全领域。生物识别技术是一种科学的自动识别个人根据其独特的生理或行为特征。民用和商业应用的biometrics-based身份出现。与此同时,一些合法的担忧被反对使用生物识别技术为各种应用程序;三个人似乎是最重要的:成本、隐私,和性能。虽然方法仍处于初级阶段,许多人认为,生物识别技术将发挥至关重要的作用在未来电脑,特别是在电子商务。好像人体的每一部分进行了测试,以确定是否编制了一个独特的模式:脸和耳朵形状、声音和气味,视网膜和虹膜、指纹、DNA、步态和静脉的手。显然出于方便的原因,通常只有可见的部分身体实施;可能用户不想脱下鞋子来衡量一个脚趾模式或压力而走。 May be someday we will be authenticating people by a heart beat or a spit out, it all depends on the progress we are making in the field, the demand of different identifiers and hackers success in reproducing someone’s characteristics.

本文介绍生物及其对面部表情识别的技术和审查。这可能帮助我们预测未来趋势/行为,允许业务积极、知识决策。

引用

博尔斯监管的w和Boashash b(1998),“人类使用的虹膜图像识别技术和小波变换”,IEEE反式。信号Proc, 4卷,第1185 - 1188页。
伍德沃德J。,Orlans N. and Higgins (2007), “Identity Assurance in the information Age: BIOMETRICS”, Tata McGraw Hill, New Delhi.
王尔德r P。,Asmuth J. C. (1994), “A System for Automated Iris recognition”, Proc. of IEEE workshop on Application of Computer Vision, Florida, pp 121-128.
谭T。,Zhu Y. and Y. Wang (2002), “Biometric personal identification based on iris pattern”, ICPR2000: the 15th
耆那教的。,Ross A., Prabhakar S. (2004), “An introduction to Biometric recognition”, IEEE Trans. on Circuits and Systems for Video Technology, Special Issue on Image- and Video-Based Biometrics, Vol. 14, No.1, pp. 4-20. International Conference on Pattern Recognition, Barcelona, Spain, pp. 805-808.
Bourel F。,Chibelushi C.C., Low A.A., (2002) "Robust Facial Expression Recognition Using a State- Based Model of Spatially-Localised Facial Dynamics", Proc. Fifth IEEE Int. Conf. Automatic Face and Gesture Recognition, pp. 106-111.
巴特利特,m·A。海格,j . C。,埃克曼P。,and Sejnowski T., (1999) “Measuring facial expressions by computer image analysis”, Psychophysiology, Vol. 36, No. 2, pp. 253–263.
科恩,I。,Sebe, N., Cozman, F., Cirelo, M., and Huang, T.,(2004) “Semi-supervised learning of classifier” Theory, algorithms, and applications to human-computer interaction. Vol.26, No. 12, pp.1553–1567.
科恩,I。,Sebe, N., A., Garg, L. Chen, Huang, T.S..,(2003) “Facial expression recognition from video sequences: Temporal and static modeling”,. CVIU, Vol. 91, pp.160–187.
傻瓜,t和Kittipanya-ngam, P(2002)“比较变化活动外观模型算法。”,BMVC,页837 - 846。
傻瓜,T。,Edwards, G., and Taylor C.,(2001) “ Active appearance models”. PAMI, Vol. 23, No. 6, pp. 681–685.
Chellappa, R。,威尔逊中一段,Sirohey S.,(1995) "Human and Machine Recognition of Faces: a Survey", Proc. IEEE, Vol. 83, No. 5, pp. 705-741.
Donato G。,Bartlett, M.S., Hager, J.C. , Ekman, P., Sejnowski, T.J.,(1999) "Classifying Facial Actions", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 21, No. 10, pp. 974-989.
埃克曼,P。,and Friesen, W.,(1978) “ Facial Action Coding System: Investigator’s Guide”, Consulting Psychologists Press.
Fasel, b和Luettin J . .(2003)“自动面部表情分析:“一项调查。模式识别、36卷,pp.259 - 275。
Geetha,。,Ramalingam, V., Palanivel, S. and Palaniappan, B.,” Facial expression recognition – A real time approach”
Jain, A.K.,Duin R.P.W., Mao J.,(2000) "Statistical Pattern Recognition: A Review", IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 22, No. 1, pp. 4-37. Department of Computer Science and Engineering, Faculty of Engineering and Technology, Annamalai University, Chidambaram, India, Vol. 36,pp. 303-308.
卡普尔,。,Yuan Qi and Picard, R. W., (2003) “ Fully Automatic Upper Facial Action Recognition”, MIT Media Laboratory, Cambridge.
留置权,J。,Kanade T., Cohn J., and C. C. Li.,(2000) “Detection, tracking and classification of action units in facial expression” Journal of Robotics and Autonomous Systems, Vol. 31, pp. 131–146.
留置权,J.J.,Kanade, T., Cohn, J.F., Li, C-C.,(1998) "Automated Facial Expression Recognition Based on FACS Action Units", Proc. Third IEEE Int. Conf. Automatic Face and Gesture Recognition, pp. 390-395.
Pantic、m和Rothkrantz, L(2000)“面部表情自动分析:艺术”的状态,。IEEE模式分析与机器智能,没有。12日,第22卷,pp.1424 - 1445
Samal,。,and Iyengar, P.A. , (1992 ) "Automatic Recognition and Analysis of Human Faces and FacialExpressions: A Survey", Pattern Recognition, Vol. 25, No. 1, pp. 65-77.
田、金、T。,and Cohn J. F.,(2001) ”Recognizing action units for facial expression analysis” Pattern Analysis and Machine Intelligence, Vol. 23, No. 2.
道,h·黄和t(1998)“连接:振动模态分析的方法来跟踪非刚性的运动”,在Proc。IEEE计算机视觉与模式识别会议,735 - 740页。
中提琴,P。,and Jones, M.,(2004) “Robust real-time object detection” ,International Journal of Computer Vision, Vol. 57, No. 2, pp.137–154.
杨,J。,Zhang, D., (2004) “Two-dimensional pca: a new approach to appearance-based face representation and recognition”, IEEE Trans. Pattern Anal. Mach. Intell.Vol. 26, No. 1, pp. 131–137.