雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

全球研究计算机科学杂志》上

菜单

石头:2229 - 371 x

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

与神经形态学方法、主成分分析和LDA NETWORKSFACE认可

Sushma贾斯瓦尔1 *辛格Sarita Bhadauria博士2,Rakesh辛格米伦博士3
  1. 讲师,“求救信号”在计算机科学中,Pt.Ravishankar舒克拉大学sujeet kumar (C.G.)
  2. 教授和头部,Electornics工程系Madhav理工学院和科学,瓜廖尔(议员)
  3. 教授和负责人、部门的计算机应用程序,麻省理工学院s .瓜廖尔m p - 474005,印度。
通讯作者:Sushma贾斯瓦尔,电子邮件:jaiswal1302@gmail.com
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

全球研究计算机科学杂志》上

文摘

问题是,这些形式的机器识别和验证不是很安全的,因为他们可以走,带走了,或丢失,推动人们已经找到了一些方法来伪造或者绕过这些凭据。的最终形式的电子验证一个人的身份是生物识别技术;使用一个物理属性的人做出积极的识别。所以我们需要一个系统,在某种程度上类似于人眼识别一个人。为了满足这种需求,利用人类心理物理学的观察,人脸识别作为一个领域出现。不同的方法尝试了几组,世界范围内工作,来解决这个问题。许多商业产品也发现他们的方式进入市场使用一个或其他的技术。但到目前为止,还没有系统或技术在所有情况下展示了令人满意的结果。这些技术需要做的比较。在本文中,我们将努力做一个比较研究的三个算法- PCA的表演,LDA和形态学方法进行人脸识别。

关键字
形态学方法、主成分分析、LDA,人脸识别,LVQ神经网络。

介绍和动机
安全是当今世界的主要问题之一。无论是电信领域,信息、网络、数据安全、机场或家庭安全,国家安全或人身安全,有各种安全的技术。生物识别的模式之一。”生物识别技术,自动识别个体的方法基于其独特的生理或行为特征。“人脸识别是人类完成一个任务非常容易和成功。这个明显的简单展示了危险的误导,似乎作为自动人脸识别这一问题还远远没有得到解决。尽管超过20年的广泛的研究,大量的论文发表在期刊和会议致力于这一领域,我们仍不能认为人工系统可以测量人类性能。自动人脸识别复杂的困难主要是因为成像条件(照明和角度变化引起的身体运动)因为各种衰老等效果,面部表情,遮挡等。研究人员从计算机视觉、图像分析和处理、模式识别、机器学习等领域共同工作,动机主要由一系列可能的实际应用。人脸识别问题的通用声明(在计算机视觉)可以制定如下:鉴于仍然或场景的视频图像,识别或验证一个或者更多的人面临的场景使用存储数据库。人脸识别是一个最活跃的和广泛使用的技术,因为它的可靠性和准确性的过程中识别和验证一个人的身份。需要变得重要,因为人们越来越意识到安全和隐私。 For the Researchers Face Recognition is among the tedious work. It is all because the human face is very robust in nature; in fact, a person’s face can change very much during short periods of time (from one day to another) and because of long periods of time (a difference of months or years). One problem of face recognition is the fact that different faces could seem very similar; therefore, a discrimination task is needed. On the other hand, when we analyze the same face, many characteristics may have changed. These changes might be because of changes in the different parameters. The parameters are: illumination, variability in facial expressions, the presence of accessories (glasses, beards, etc); poses, age, finally background. We can divide face recognition techniques into two big groups, the applications that required face identification and the ones that need face verification. The difference is that the first one uses a face to match with other one on a database; on the other hand, the verification technique tries to verify a human face from a given sample of that face. Principal components analysis (PCA) and linear discriminate analysis (LDA) are widely used in face recognition system. These methods can efficiently reduce the dimensions of biometric data and improve the robustness to disturbing factors like expression variance, wearing glasses, mimic, etc. Due to these advantages, they are popular with commercial face recognition system providers. However, the strong dimension reduction of PCA-LDA algorithms limits its integration with in the template protection techniques.
在我们的工作中,我们选择三个比较研究和评价技术,使用一个共同面对数据库包含360张图片。这三种技术是主成分分析(eigenface),正规化
线性判别分析(R-LDA),形态学方法。这些都是加上人工神经网络进行训练和分类提取的功能。这些技术有明显的有前途的表演,在人脸识别新趋势的代表。识别率这三个技术据报道超过80 - 90%的中等大小的数据库(例如,16-50人)。我们相信这将是一个有用的补充[1][3],没有评价的调查技术在相对较大的常见数据库大小。事实上,通过更多的专注和细致的比较研究三个重要的技术,我们的目标是获得更多的洞察他们的基本原则,相互关系,优势,限制,和设计权衡,更普遍的是,关键问题是一种有效的识别算法。基本上我们有两种不同的方法用于特征提取的图像:

形态学方法
在形态学方法中特征提取方法可以区分为三种类型:(1)一个通用的方法是基于边缘的分析,比如直线、曲线等。(2)基于featuretemplate的方法是基于面部特征的检测,如眼睛。(3)结构匹配方法,考虑几何约束特性。这里我们提出的技术是独立于老化的因素,照明和配件的存在(眼镜、胡须等)。我们正在考虑在这个技术基准的点。点是眼睛之间的距离;眼睛和嘴巴。这些面部点之间的距离从来没有变化。后画出基准分我们实现神经网络(NN)系统训练和分类。

神经网络训练
反向传播算法寻找最低的重量误差函数空间使用梯度下降的方法。正确训练反向传播网络往往会给出合理的答案当面对输入,他们从来没有见过。通常情况下,一个新的输入会导致输出类似于正确的输出为输入向量用于培训,类似于所呈现的新的输入。这个泛化属性可以训练一个网络代表的一组输入双和得到好的结果,没有培训网络在所有可能的输入或输出对。RBF网络与BP执行类似的功能映射,然而其结构和功能不同。当地一个RBF网络训练的监督方式与BP网络,是一个全球性的网络。BP执行全局映射,这意味着所有输入输出,而一个RBF执行本地映射,这意味着只有输入接受域附近产生激活。LVQ网络有两层:一层输入神经元,输出层神经元。这个连接神经元的权重是改编,即近如果正确分类的数据点或少了类似的如果它错误地分类。

基于外观的方法
这些方法利用像素强度或intensityderived特性。然而,这些方法可能不会表现良好在许多实际情况下,测试的脸出现在哪里培训面临数据明显不同,由于姿势的变化,照明和表达式。通常一脸的图像大小p×像素由向量p表示。问维空间。然而在实践中,这些(p.q)维空间太大,允许健壮和快速目标识别。试图解决这个问题的一种常用方法是使用降维技术。为此技术的两个主成分分析(PCA)和正规化的线性判别分析(R-LDA)。将二维的脸在这些方法中,图像被认为是一个矢量,通过连接每一行或列的形象。每个分类器都有自己的基向量的表示高维向量空间。维度是减少投影向量基向量,并用作每张脸的特征表示图像。

生物识别模式
正如前面提到的生物形式是衡量人类的属性。识别个人的目标与高速度的正确性证明(65、64)——在许多情况下区分同卵双胞胎有问题。使用最广泛的生物特征指纹,脸图像,声音,手几何,虹膜图像和签名[63]。一般的区别是行为和生理生物识别特征。生理特征通常是由基因决定的(如脸或静脉模式),在某些情况下(指纹,虹膜)他们也受到extra-genetic或环境因素的影响,在理论上可以用来区分同卵双胞胎(相同的基因组)。行为模式也受到人类基因组,但他们的出现可以改变故意。捕获的过程行为模式是一个活动的测量。因此这些模式被称为积极的形式。

行为生物特征
在本节常见的基于行为的生物识别技术进行了讨论。这些特点不仅定义的基因,是随着时间的推移,开发的。
的声音
也称为说话人识别。如前所述introduction-identifying人类的演讲是在摄取日的基础上完成的。后几句话我们都知道我们的对话伙伴,即使我们不能看到人。这个过程可以自动化;特定声音的属性例如基频(这是由声道)的长度,弯曲,鼻语气和语言的节奏。此外,值得注意的是,识别可能的电话线。然而,语音识别的一个基本问题是显而易见的:它真的很容易攻击者记录目标的声音和重播示例进行身份验证。指定的单词识别过程可以解决这个问题。而不是一个固定的词,系统可以选择一套新的单词,口语。其他可能性是text-independent系统或结合说话人识别和秘密的知识。
手写签名
有悠久的传统签订了合同,签名识别是一种专业的作家——或者在线识别和可以做。离线验证完成的图像文件,而验证电子笔或垫被称为在线。第二个版本livenesschecking的优势,除了签名签的过程本身的轮廓可以用来添加信息:它是一个函数,它可以记录。笔可以测量上的压力。这些系统仍然脆弱的对专业的模仿。
击键
便宜,不需要特殊capturing-hardware,可以实现与普通通用pc(包括键盘)和软件。不仅一个密码来衡量,但是按键动态添加。停留时间(段键被按下)和飞行时间(时间两支安打)可以用来识别一个训练有素的人。这个生物形态提供了一个适当的方式,进一步确保登录程序,但不为高度安全的环境而设计的。
步态
没有多少精力花在这个形态,但它可以被用来识别人类与标准视频捕获设备在高的距离。变化的表面,鞋袜或进行对象可能腐败的结果。

生理生物特征
生理特征是紧密耦合的基因,并在大多数情况下稳定在很长一段时间,因为没有直接的方式影响他们(识别基于脸部除外)。伤害和疾病可能变化特征;有时是一个独特的和生物的形状之间的关系。医疗信息的获取,是精致和私人,因此他们应该得到保护。为了增加保密他们不应该存储和不变的用于身份验证的目的。
的脸
人类专家识别人脸。这种故意的自动化过程并不容易,但在二维人脸识别研究是复杂的。这种形态有一个非常高的用户接受,因为它经常就业。经过30年的研究,2 d效果很好[64]。然而,有一些问题很难应付只考虑“平”面孔的图像。三维深度信息的照明条件和姿势变化可以处理更精确。这种类型的面部识别是一个不断发展的领域,还没有研究。3 d模型的另一个优点是,它们比2 d图像难以复制。只是简单地拿着照片的捕获设备可以骗几个二维人脸识别系统。最近系统包括活性检测机制来防止这种攻击——一种可能的解决方案是两个摄像机系统难以欺骗。
虹膜
人类眼睛的一部分,位于之间的学生和巩膜。的丰富的纹理形态提供了很好的性能结果。甚至区分同卵双胞胎是可行的,因为像指纹形态是一个phenotypic6特性。用户验收是有问题的。
指纹
历史演变特性,它使用细节山脊的手指皮肤认识到人类。广泛用于取证以及日常应用,因为皮肤表面的独特性和廉价的传感装置。样品可以获得不同的技术(光学、电容、热或超声波传感器存在)。当触摸这些传感器,指纹图像扭曲,因为皮肤的弹性。特征提取应该抵制这一事实。
DNA
特征提取是非常昂贵的,需要很长时间(数天),但它被称为终极生物特征。脱氧核糖核酸可以在每一个细胞的生物体;一个缺点是同卵双胞胎的平等。尽管99.5%的人类基因组之间的重叠个人仍有足够的信息进行准确识别。等位基因是替代形式的DNA,可以用于特征提取。DNA可以滥用获得其他信息(如医疗条件、种族或父权可以提取),因此是至关重要的隐私。
视网膜
血管模式内在的眼睛作为参考。这个特性很稳定,不会改变。传感器是昂贵的和必须使用可见光,这可能会惹恼用户。视网膜图像在医学领域用于诊断疾病,因此被认为是为数不多的生物形态的敏感信息。
耳朵的形状
这个不寻常的形态也可以用于识别。采用温谱图,而不是正常的图片提高系统性能,因为发型没有影响。耳朵形状模型往往结合人脸识别来提高整体性能。人类的身体提供更多的属性被捕获和比较。举几例:气味,汗毛孔,静脉模式,嘴唇运动或皮肤反射。使用综合biometrics7可以提高系统的性能。

文献调查
年代。贾斯瓦尔出版社。文献[68]给出一个全面的图像基于人类和机器识别的脸在1987年到2010年期间。机器识别面临的几个应用程序。作为最成功的应用程序的图像分析和理解,人脸识别最近引起相当大的关注,尤其是在过去的几年里。此外,相关的话题,例如简短的研究,系统评价,光照和姿态变化的问题。本文众多的方法,该方法与基于图像的三维人脸识别进行了讨论。
年代。贾斯瓦尔出版社。[69]描述了一种有效的方法和算法,使个人面临动画从可能的输入。算法重建三维面部模型动画从两个投影照片从前面和侧面视图或数据从任何可用的资源范围。它是基于以自动方式提取特征脸和修改一个通用模型,检测到的特征点与圆锥曲线和pixalization。然后好修改遵循如果数据可用范围。重建3 dface可以动画立即用给定的参数。几个面临一个方法论应用于不同输入数据得到最终可以做成动画的脸。
年代。贾斯瓦尔出版社。[70]提出的研究中,2 d照片图像分成两部分;一部分是前视图(x, y)和侧视图(y, z)。这种方法的必要条件是位置或坐标的图像应该一律平等。我们结合图像根据坐标然后将三维模型(x, y, z),但这个3 d模型不准确的大小或形状。在定义——换句话说,我们将3 d可以做成动画的脸,精致的3 d人脸可以做成动画通过pixellization和平滑的过程。平滑的执行更现实的真实感三维人脸模型的人。
正式的方法分类面临第一次被提出在[4]。作者提出了收集面部特征曲线,发现他们的规范,然后分类其他配置文件的偏离常态。这个分类是多通道,即独立措施,可能会导致一个向量与其他向量相比在数据库中。发展先进,人脸识别系统被证明在实际设置[5]。人脸识别的快速发展是由于多种因素:算法的活跃发展,大型数据库的可用性的面部图像,和一种方法评估人脸识别算法的性能。在文献中,人脸识别问题可以制定为:静态(仍然)或场景的视频图像,识别或验证一个或多个人员在现场与面临的存储在数据库中。一般来说,生物识别设备可以解释三个步骤过程。
一个观察)传感器。传感器的类型及其观测取决于使用的生物识别设备类型。这个观察让我们个人的“生物签名”。
B)计算机算法“规范化”生物签名,这样在相同的格式(大小、分辨率、视图等)作为系统的数据库上签名。生物签名给了我们一个正常化的“规范化签名”的个体。
C)匹配器比较规范化签名的设置(或子集)规范化签名系统的数据库,并提供了一个“相似性得分”,比较个人的规范化数据库中的签名与每个签名设置(或子集)。然后做什么相似性得分取决于生物识别系统的应用程序。人脸识别开始面对有时凌乱的场景模式的检测,所得的脸部图像正常化占几何和光照的变化,可能使用面部地标的位置和外观信息,识别面临使用适当的分类算法,并使用基于模型的计划和物流流程结果反馈后[6]。
所有的人脸识别算法一致的两个主要部分:
一个人脸检测和规范化。
脸识别。
算法由两个部分被称为全自动算法和那些只包含第二部分被称为部分自动算法。部分自动算法给出一个面部图像的中心坐标的眼睛。全自动算法只给面部图像。人脸识别分类技术的另一种方法是考虑他们是否基于模型或原型。模型中使用[7]计算商形象,在[8]获得他们的活动外观模型。这些模型捕获类信息(类的脸),并提供强有力的约束处理外观变化。在另一个极端,原型也可以用于识别。
竞技场方法[9]简单地存储所有训练和比赛对每一个任务的形象。据我们所知,目前的方法,采用模型不使用范本,反之亦然。这是因为这两种方法绝不是互斥的。最近,[10]相结合提出了一种对人脸识别模型和原型。,模型是用于合成额外的训练图像,然后可以作为范本在学习阶段的一个人脸识别系统。姿态不变性的关注方面,人脸识别方法可以分成两类:(i)全球方法,(2)基于组件的方法。
在全球的方法,一个代表整个脸部图像特征向量作为分类器的输入。几个分类器提出了在文献中如最小距离分类的特征空间(11、12),费雪的判别分析[13],[14]和神经网络。全球技术适合分类面临的正面视图。然而,他们不是健壮的反对提出改革以来全球特性是高度敏感的平移和旋转的脸。为了避免这个问题之前可以添加一个对齐标签分类。
调整输入面图像与参考图像需要计算两个脸图像之间的对应。信件通常是确定了少量的突出点面对像眼睛的中心,鼻孔和嘴角。基于这些通讯,输入面图像可以参考的脸扭曲的形象。在[15],人脸识别是由独立的三个面部区域的匹配模板(眼睛、鼻子和嘴巴)。组件的配置在分类系统不包括以来无约束的几何模型的脸。类似的方法与一个额外的调整阶段,提出了在[16]。在[17],脸上的几何模型由2 d实现弹性图。的识别是基于小波系数计算节点的弹性图。[18],窗户被转移的脸图像和DCT系数计算窗口内输入一个2维隐马尔科夫模型。人脸识别的研究仍然面临的挑战在一些具体领域的姿态和光照等变化。 Although numerous methods have been proposed to solve such problems and have demonstrated significant promise, the difficulties still remain. For these reasons, the matching performance in current automatic face recognition is relatively poor compared to that achieved in fingerprint and iris matching, yet it may be the only available measuring tool for an application. Error rates of 2-25% are typical. It is effective if combined with other biometric measurements. Current systems work very well whenever the test image to be recognized is captured under conditions similar to those of the training images. However, they are not robust enough if there is variation between test and training images [19].
入射光的变化,头部姿势,面部表情,和发型(包括面部毛发)、化妆品(包括眼镜)和年龄,今天所有混淆的最佳系统。我们可以测量研究文献后两个重要的观察结果:(1)似乎没有任何功能,特性,或子空间同时不变的所有面孔图像可能出现的变化,(2)得到更多的训练图像,几乎任何技术将表现的更好。这两个因素是人脸识别的主要原因不是广泛用于实际应用。事实上,对于许多应用程序,通常需要识别面孔的能力在不同的变化,即使训练图像是极其有限的。
Eigenfaces (Pca)
Hyun海出版社。描述,Eigenfaces是一组标准化的组件基于统计分析各种脸图像。数学来说,eigenfaces是一组特征向量的协方差矩阵中提取出来的highdimensional向量表示可能面临的人类。任何人脸都可以由eigenface图像的线性组合表示。例如,一个人的脸可以用的一部分eigenface eigenface一种类型和其他部分的另一种类型,等等。Pentland的论文[66],出于主成分分析(PCA),作者提出了这种方法,提取原则组件的脸,编码,并与数据库。PCA技术也被称为Karhunen-Loeve方法选择维度降低线性投影最大化所有预计样品的散射。
计算Eigenfaces, Eigenfaces方法是基于主成分分析(PCA)找到最好的向量表示脸图像在图像空间的分布。这些向量定义子空间(面临空间)的脸。一个图像被视为一个点或向量在高维向量空间,并且每个向量描述Nby - N图像原来的脸的图像的线性组合长度2 N。例如,典型的图像大小为256 * 256 65536年维度描述向量,或一个点在65535 -维度空间。一个图像映射到一个集合点在这个巨大的空间。有必要训练集的平均脸图像应该计算在我们计算每个eigenface和普通的区别。鉴于两个向量之间的差异,可以构建协方差矩阵,特征向量。特征值与特征向量使其容易排名根据其效用的特征向量在特征图像之间的差异。
使用Eigenfaces脸图像进行分类和检测面孔,一张新面孔图像投影到空间简单的面对乘以图像之间的差异,平均在2.1节中提到的,结果乘以每个特征向量。这个操作的结果将在代表每个eigenface的加权贡献输入面图像,把eigenfaces为基础设置的脸图像。欧几里得距离从每个面类确定最佳匹配输入图像的类。
通过eigenfaces,系统可以检测面临的存在。脸图像投影到空间不彻底改变,而任何区别人脸图像看起来完全不同;因此,很容易区分脸图像和区别人脸图像。使用这个基本思想、图像投射到面对空间,然后mean-adjusted之间的欧氏距离计算输入图像和投影空间。距离是用作“faceness”所以距离计算的结果是一个“地图”,在较低的值表明有一个脸。评价和问题,对实验中,16个受试者数字化三个方向,三个头大小或尺度,和三个照明条件。6为每个图像简化高斯金字塔建于512 x512像素16 x16像素。各种团体的十六个图像选择和2500图像分类。系统实现了96%的正确分类在光线变化,85%的头方向,64%的头大小。
自从eigenfaces直接应用主成分分析方法,它不破坏任何专门处理的图像的信息只有特定的点,一般提供更准确的识别结果。但这些技术对位置和规模的变化很敏感。一些严重的问题背景和头部大小和方向的影响。特征分析,上面所描述的那样,不区分背景的脸。在许多情况下,图像的重要组成部分包括背景导致不正确的分类,因为背景不是必需的信息检测。另一个问题是由于不同头部大小的输入图像邻域像素相关性下失去头的大小变化。性能大小可能下降到64%在正确性和它表明需要一个多尺度的方法,每个面类包括个人在几个不同大小的图像。注意光线的变化也仍然是一个问题,如果光源定位在某些特定的方向。这个问题是在Belhumeur的论文[67]。
本节概述主要的人脸识别技术,主要应用于额叶的脸,每种方法的优缺点。的方法被认为是eigenfaces (eigenfeatures)、几何特征匹配。分析了方法的面部表示他们使用Eigenface是一种最彻底调查的人脸识别方法。它也被称为Karhunen——Loeve扩张,eigenpicture,特征向量和主成分。引用(20、21)主成分分析用于有效地表示人脸的照片。他们认为,任何面对图像可以通过小的权重集合近似重建为每个脸和标准脸照片(eigenpicture)。获得的权重描述每个面都将面对图像投影到eigenpicture。参考[28]使用eigenfaces,出于技术Kirby和报告,对人脸检测和识别。在数学术语,eigenfaces主成分分布的面孔,或协方差矩阵的特征向量的集合的脸图像。特征向量被命令代表不同数量的变化,分别在面孔。
每一个面都可以完全eigenfaces的线性组合表示。它也可以近似只使用“最好”的最大特征向量与特征值。最好的M eigenfaces构造一个M维空间,即“脸空间”。作者报道,96%,85%,64%正确分类平均在照明、取向,分别和大小的变化。他们的数据库包含2500的16个人。随着图像包含大量的背景区域,上述结果是受背景的影响。作者解释了系统的鲁棒性能之间的显著相关性在不同的光线条件下图像照明的变化。然而,[22]表明,整个脸的图像之间的相关性并不高效满意的识别性能。光照归一化[21]eigenfaces方法通常是必要的。
参考[23]提出了一种新的方法来计算协方差矩阵使用三个图片摄于不同照明条件下考虑到任意的照明效果,如果对象是传感器的。参考[24]扩展他们的早期作品eigenface eigenfeatures相应面对组件,比如眼睛、鼻子和嘴。他们使用了模块化的特征空间是由上述eigenfeatures(即组成的。、eigeneyes eigennose和eigenmouth)。这个方法不太敏感的外观变化比标准的eigenface方法。系统实现了95%的识别率FERET数据库7562年约3000人的图像。总之,eigenface表现为一种快速、简单、实用的方法。然而,一般来说,它不提供不变性在规模和光照条件的变化。最近,在[25]的耳朵和人脸识别实验,使用标准的主成分分析方法表明,识别性能基本上是相同的使用耳图像或脸图像,结合多通道识别结果的两个显著的性能提升。例如,一阶之差一天的识别率变化实验使用197 -图像训练集用于多通道生物是90.9%和71.6%的耳朵和70.5%的脸。有大量的多通道生物识别技术相关工作。 For example [26] used face and fingerprint in multimodal biometric identification, and [27] used face and voice. However, use of the face and ear in combination seems more relevant to surveillance applications.
几何特征匹配
几何特征匹配技术是基于一组几何特性的计算从一脸的照片。人脸识别这一事实可能即使在粗分辨率高达8 x6像素[28]当一个面部特征几乎没有透露详细意味着面对的整体几何配置功能是充分的认可。整体配置可以被描述为一个向量代表的位置和大小主要面部特征,如眼睛,眉毛,鼻子,嘴,脸轮廓的形状。使用几何特性做了一个开创性的工作自动人脸识别通过使用几何特性在1973年[29]。他们的系统识别率达到75%的峰值性能数据库的20人人均使用两张图片,一个模型和其他测试图像。引用(30、31)表明,一个人脸识别程序提供了手工显然可以识别的特征提取与令人满意的结果。参考[49]自动提取一组图像的几何特征脸,鼻子等宽度和长度,嘴的位置,和下巴的形状。有35的特性提取35维向量形式。贝叶斯分类器识别被执行。他们报告说90%的识别率47人的数据库。
参考[32]引入了mixture-distance技术,实现了95%的识别率在查询数据库的685人。30手动提取距离代表每个面。参考[33]Gabor小波分解,检测特征点用于每个面形象,大大降低了数据库的存储需求。通常,35 - 45每面生成特征点。匹配过程中利用信息在一个特征点的拓扑图形表示。补偿后不同的重心位置,两个成本值,拓扑成本,和相似的成本评估。识别精度的最佳匹配合适的人是86%和94%的正确的人的面孔是前三名候选人匹配。总之,基于精确测量几何特征匹配特性之间的距离可能是最有用的大型数据库中寻找可能的匹配,比如面部照片专辑。然而,它将会依赖于特征定位算法的准确性。目前自动人脸特征定位算法不提供高度的准确性和需要大量的计算时间。

提出的模型
我们工作的模型实现了基于外观的方法(PCA和LDA)和基于特征的人脸识别技术特征提取与降维。人工神经网络反向传播训练和分类,使用径向基函数和学习矢量量化。整体性能的比较讨论了特征提取算法和训练算法。我们工作的整体模型图2所示。
图像

图像预处理
人脸识别任务执行鬼脸脸上数据库,其中包含360颜色的脸的图像18个人形成18类虽然有20图片为每个主题。数据库的图像表达与不同的位置。每个图像的大小是200 * 180。一半的图像(180张照片)即10每个主题选择的训练数据集和剩下的一半(180张照片)选择进行测试。图像转换成灰度&与直方图均衡化处理。
Pca预处理
主成分分析可以用来近似原始数据较低维的特征向量。基本方法是计算原始数据的协方差矩阵的特征向量,并把它近似的线性组合的主要特征向量。利用PCA过程,测试图像可以被第一,投影图像在特征脸空间来获得相应的权重集,然后与权重的设置在训练集的低维特征表示的问题。可以表示如下:
让代表n×n数据矩阵,其中每个xi是一个面临n维的向量,连接从一个p×脸图像。这里n是像素的总数(p.q)面对形象和n是脸图像训练集的数量。主成分分析可以被视为一个线性变换(1)从原始图像向量投影特征向量,即。
图像
where Y is the m × N feature vector matrix, m is the dimension of the feature vector, and transformation matrix W is an n×m transformation matrix whose columns are the eigenvectors corresponding to the m largest eigenvalues computed according to the formula (2): ei=Se (2) where ei , are eigenvectors & eigenvalues matrix respectively. Here the total scatter matrix S and the mean image of all samples are defined as
图像
在{w我| = 1,2,…,m}是n维空间的集合S m最大特征值对应的特征向量。换句话说,输入向量(脸)在n维空间降低到一个特征向量的m -维子空间。我们可以看到,降低特征向量的维数米远小于输入面临向量的维数n。
R-Lda预处理
R-LDA方法是基于一本小说正规化Fisher判别准则,这是特别强劲对SSS问题中使用的传统LDA相比。正则化的目的是减少高方差相关withinclass散射矩阵的特征值估计的潜在增加的偏见。方差和偏差之间的权衡,根据瑞士问题的严重程度,是由正则化的力量。给定一个训练集,包含C类Z
with each class consisting of a number of localized face images zij , a total of face images are available in the set. For computational convenience, each image is represented as a column vector of length J(= Iw × Ih) by lexicographic ordering of the pixel elements, i.e. zij  RJ, where (Iw × Ih) is the image size, and RJ denotes the Jdimensional real space. Let Sb and Sw be the between- and within-class scatter matrices of the training set, respectively.
正规化费舍尔的判据,利用,在这个工作,而不是传统
图像
Where 0<<1 is a regularization parameter. The modified Fisher’s criterion is a function of the parameter , which controls the strength of regularization. Within the variation range of , two extremes should be noted. In one extreme where  = 0, the modified Fisher’s criterion is reduced to the conventional one with no regularization. In contrast with this, rather strong regularization is introduced in another extreme where  = 1.
预处理输出-
利用主成分分析法(PCA)预处理图像或R-LDA后,降低了维数的特征向量。PCA特征向量维度20和R-LDA产生它的尺寸14。我们有180个训练样本输入到神经网络已成为特征向量矩阵的大小20到180年或14到180年根据PCA R-LDA使用。
形态学方法,
在本节中,我们解释形态技术仍然发现面部特征的彩色图像。这种方法的识别面临着包括四个阶段:预处理,分割的脸从场景,包括人脸检测特征提取的脸部区域,最后识别的脸。
预处理-
在本节中,我们讨论我们之前使用的各种技术寻找图像的面部特征。预处理也称为规范化。光的强度图像中并不是唯一的所以我们的第一步是使图像同样丰富。首先我们以输入图像为彩色图像。
分割-
分割是自动人脸识别系统的第一个步骤。分割的目标是使图像更可分析的。在简单的文字对象检测分割。到1990年代中期,分割的主要是关注单向分割从一个简单的或复杂的背景。近年来重大进展已经在各种条件下实现自动人脸检测。是有区别的对象分割和背景图像的对比度。通过计算对比变化中我们可以计算图像的梯度图像。通过计算梯度图像,边缘和索贝尔算子用于计算阈值,进而给出一个二进制图像梯度。处理二元梯度掩模图像仍然显示行高对比度的图像通过使用线性结构元素。e扩张的二元梯度图像,这些线性差距可以删除。然后区域填充得到二进制映像提起孔;提取8-Connected组像素组件抑制光结构连接到图像边界; filtering; thinning and Pruning [10] are implementation result in segmented image. The segmented image is then superimposed with the initial gray image.

特征提取,
提取的特征像眉毛,眼睛,鼻子和嘴巴现在在增强形式。特征提取算法包括:a)更准确的选择功能b)测定正常的重心(NCG)分割的图像处理算法找到更准确的特点。算法结果在切除小对象和结果在形态开放二进制图像。一旦特性识别,算法决定了正常的重心(NCG)或Intensity-weighted质心提取的每个特性。欧氏距离计算不同的面部点之间[11]。在二维中,(x1, y1)和之间的欧氏距离
图像
这是默认的欧几里得距离的计算方法。我们认为不同的面部特征之间的欧氏距离。眼睛之间的距离计算第一然后计算相应所有面部点之间的距离

训练和分类
神经网络的输入矩阵大小20到180年或14到180年目标矩阵大小的基础上确定类的数量。目标矩阵的大小18到180年,如果输入特征向量(列明智)属于二班然后在第二行相应的输出向量将1和0在其他行。值1在任何目标向量表示的图像类的归属感用各自的目标向量的行值。分类特征向量输入目标向量,我们使用反向传播(BP),径向基函数(RBF) &学习矢量量化(LVQ)。我们配置和测试每个神经网络与各种配置。变化是由以下组件:神经网络的输入,隐藏层,在隐藏层节点数、学习速率。RBF的传播也是不同的考虑,条件是足够大,以便积极传播径向神经元的输入区域重叠足以让几个径向神经元总有相当大的输出在任何给定的时刻。然而,传播不应该如此之多,每个神经元是一样有效的回应,大,输入空间的面积。
人工神经网络
一个人工神经网络(ANN)是一种基于生物神经网络的数学模型或计算模型。它由一组相互关联的人工神经元和处理信息使用联结主义的方法来计算。在大多数情况下,一个安是一个自适应系统,改变其结构基于外部或内部信息流经网络在学习阶段。在更实际的神经网络非线性统计数据建模工具。它们可用于模型复杂的输入和输出之间的关系或发现数据中的模式。
感知器-
与单个R-element神经元输入向量如下所示。这里的单个元素输入p1, p2,公关是乘以权重W1, 1 W 1, 2, W 1, R。美联储和加权值求和结。它们的和是Wp,点积(单列)矩阵W和向量b p。神经元有偏见,这是总结的加权输入表单的净输入n。这和,n是传递函数f的论点。
回Propagation-Multi-Layer神经网络作为分类器
反向传播算法是一种监督学习方法,寻找重量误差函数空间的最小使用梯度下降的方法,因此误差函数的连续性和可微性是强制性的。结合的重量最小化误差函数是解决学习问题。计算误差传播从一层到前一个,并用于调整权重之间的连接层。训练时停止错误变得可以接受,或预先确定的迭代次数。训练后,修改后的互连权重的一种内部表示形式,使安来产生所需的输出时的培训投入,甚至新的输入类似于培训投入。反向传播通常允许误差的快速收敛性满意的局部最小值的网络,这是合适的。多层感知器的一个输入,一个或多个隐藏层和一个输出层的必要条件是反向传播网络。使用反向传播网络在训练可以有超过两个隐藏层,它可以简化学习复杂的关系网络。其他架构添加更多的连接,这可能帮助网络学习。采用神经网络前馈多层神经网络隐层。 The weighting factor of the input-tohidden neurons can be computed by (7)
图像
k是迭代次数;i, j索引输入和隐藏的神经元,分别;and  is step size can be calculated from the following series of equations (8)-(11). The error function is given by
图像
p是输出神经元的数量,l是神经元的指数,tl和ol的目标和输出值,分别。激活功能,网络函数和输出函数是由方程(9)
图像
图像
其中n是输入神经元的数量,和m输出神经元的数量。让我们定义
图像
然后我们获得重量更新方程(7)inputto -隐层通过计算(12)和情商Eq。(13)方程式。(8)、(11)。接下来,vij hidden-to-output神经元的体重更新也可以以同样的方式。反向传播网络往往有一个或多个隐藏层神经元乙状结肠紧随其后的是一个线性神经元的输出层。多层神经元的非线性转移函数允许网络学习非线性和线性输入和输出向量之间的关系。线性输出层允许范围之外的网络产生值1 + 1。
径向基函数分类器-
径向基函数网络执行类似的功能与多层神经网络映射,然而其结构和功能不同。径向基函数是一个本地网络监督的方式训练。径向基函数执行当地的映射,也就是说只有输入接受域附近产生一个激活。这个网络的输入层是一组n单位,它接受一个n维输入特征向量的元素。n个元素的输入向量x l隐藏的输入功能,隐藏的输出函数,这是乘以权重因子w (i, j),网络的输出层的输入y (x)为每一个RBF单位k, k = 1, 2, 3,…l中心选为样本的平均值模式属于类k,即。
图像
在哪里我th图像的特征向量类k和Nk的总数在课堂上训练图像k。由于RBF神经网络是一类神经网络,隐藏单位的激活函数是由输入向量和一个原型向量之间的距离。通常激活的径向基函数。Function units (hidden layer unit) is chosen as a Gaussian function with mean vector μi and variance vector i as follows
图像
Note that x is an n -dimensional input feature vector, μi is an n -dimensional vector called the center of the Radial Basis Function unit, i is the width of the i th Radial Basis Function unit and l is the number of the Radial Basis
功能单位。j的响应输出单元输入x给出:
图像
其中w (i, j)是连接的重量我th RBF单位j th输出节点。
学习矢量量化作为分类器
学习矢量量化(LVQ)神经网络结合了竞争学习和监督学习可以有效地实现非线性分类。有几种不同的基本LVQ算法。最常见的是LVQ1, LVQ2 LVQ3。基本的LVQ神经网络分类器(LVQ1),采用我们的工作,将输入空间划分为不相交的区域。一个原型向量代表每个地区。为了一个输入向量进行分类,它必须与所有的原型。欧氏距离度量用于选择最接近的向量输入向量。输入向量分类相同的类的原型。LVQ分类器由一个输入层、一个隐藏的无监督竞争层,将输入向量分为子类,并监督线性输出层,它结合了子类到目标类。在隐藏层,只有获胜神经元和其他神经元的输入输出为零。 The weight vectors of the hidden layer neurons are the prototypes. The number of the hidden neurons is defined before training and it depends on the complexity of the input-output relationship. Moreover it significantly affects the results of differentiation.We carefully select the number of hidden neurons based on extensive simulation experiments.The learning phase starts by initiating the weight vectors of neurons in hidden layer. The input vectors are presented to the network in turn. For each input vector Xj , the weight vector Wc of a winning neuron i is adjusted. The winning neuron is chosen according to:
图像
where 0  (n) 1 is the learning rate. The training algorithm is stopped after reaching a pre-specified error limit. Because the neural network combines the competitive learning with supervised learning, its learning speed is faster than BP network.

实验
每个神经网络有不同的配置和培训也采取了不同的时间输入特征向量。RBF神经网络是最快的LVQ花了太多的时间比其他神经网络。RBF产生径向基神经元层训练开始时一次。在每个迭代中网络错误是适当降低输入向量。这个过程会一直重复,直到错误的目标是满足,或达到最大数量的神经元。在我们的例子中RBF为PCA创建135个神经元的输入向量,而169个神经元R-LDA输入向量。训练图应用于主成分分析的RBF & R-LDA预处理训练集:以下是优化神经网络配置和培训最好的图形输出匹配:
英国石油(Bp)配置和情节与这三种特征提取技术
图像
图像
BPA的配置表,RBF和LVQ)是他们的最优配置为给定的输入特征向量训练和预期目标输出。画情节的分析表明,这三种神经网络足够的训练和准备用于分类的任务。

结果
训练后BPA, RBF和LVQ成功为给定的特征向量输入和目标输出,存储的重量训练神经网络用于测试。以下是执行时间和识别不同的预处理和分类技术组合的结果。表4显示了执行时间的特征提取技术与神经网络的组合。表V显示了识别率的特征提取技术与神经网络的组合。
图像

结论和未来的工作
使用R-LDA识别性能与英国石油(BP)优于形态特征方法的性能与英国石油(BP)根据表二,使用形态学特征识别性能与BP方法优于PCA与英国石油(BP)的性能根据表二,使用PCA与RBF识别性能优于PCA与英国石油(BP)的性能和PCA LVQ按照表4,同样使用R-LDA与RBF识别性能优越的性能与BP和R-LDA R-LDA LVQ按照表V,当我们比较结果PCA RLDA,后来减少图像空间算法的识别性能似乎更好的描述分类器。
在降维与特征提取算法,R-LDA与所有三个分类器算法更加高效。这可能是因为一些重要的信息被删除时的零空间特征向量被丢弃的减少在PCA子空间。虽然R-LDA能够解决这个问题通过减少的影响较大的特征值和增加较小的从而抵消了偏压。正规化是稳定的另一个影响最小的特征值。尽管BP网络近有效分类为其成熟但RBF网络反向传播机制取得了更大的准确性比较BP和LVQ也比其他方法减少训练时间。因此使用R-LDA给予更有效的特征向量和RBF分类器,人脸识别性能和速度都可以明显改善。当我们得以成功提取优化及降低特征向量进行进一步的处理我们选择神经网络知识库的个人特性的图像。当我们已经提供了测试的样本训练神经网络我们发现识别率R-LDA提取特征向量加上BP, RBF和LVQ优于所有其他描述组合。如果我们看到比较的基础上,整个过程的时间复杂度也在这里R-LDA方法加上监督神经网络就领先了。

引用
  1. a . m .马丁内斯和a . c .谷湖PCA与LDA, IEEE反式。模式分析与机器智能,卷。23日,2号,第233 - 228页,2001年。
  2. Boualleg A.H.;Bencheriet, Ch。Tebbikh H“自动人脸识别使用神经网络- PCA”信息和通信技术,2006年。ICTTA 06年。2006年4月2号卷1,24 - 28
  3. Byung-Joo哦”人脸识别利用神经网络分类器基于PCA和LDA”系统,人与控制论,2005年IEEE国际会议。
  4. 弗朗西斯·高尔顿,“个人识别和描述”,在自然界中,第177 - 173页,1888年6月21日。
  5. w·Zaho“健壮的基于图像的三维人脸识别,”博士论文,马里兰大学出版社,1999年。
  6. r . Chellappa c·l·威尔逊,美国Sirohey,“人类和机器识别的面孔:一项调查,“Proc, IEEE 83卷,1995年5月,页705 - 741。
  7. t . Riklin-Raviv和a . Shashua”商形象:基于类识别和合成在不同光照条件下,“在CVPR, p . 2: 566 - 571年,1999页。
  8. G.j。爱德华兹,T.f,傻瓜和C.J.泰勒“面部识别使用主动外观模型,”大会,1998年。
  9. t . Sim r . Sukthankar m·穆林和s Baluja“基于内存的游客识别人脸识别,”在AFGR, 2000。
  10. t . Sim和t .金”,梳理对人脸识别模型和原型:一个启发性的例子,“在车间进行模型与原型在计算机视觉中,CUPR 2001。
  11. l . Sirovitch m .科比,“低维过程人脸的特征,”美国光学学会杂志》,2卷,第524 - 519页,1987年。
  12. m . Turk和a . Pentland“使用eigenfaces人脸识别,”Proc, IEEE计算机视觉与模式识别会议,586 - 591年,1991页。
  13. p . Belhumeur p Hespanha, d . Kriegman”Eigenfaces vs fisherfaces:识别使用类特定的线性投影,“IEEE模式分析与机器智能,19卷,没有。7,711 - 720年,1997页。
  14. m·弗莱明和g·科特雷尔,使用无监督特征提取分类的脸,“在Proc。IEEE IJCNN国际神经网络联合会议上,65 - 70年,1990页。
  15. r·布鲁内利和方法的人脸识别:特征与模板、“IEEE模式分析与机器智能,15卷,没有。10日,1042 - 1052年,1993页。
  16. d . j . Beymer“人脸识别在不同姿势,”1461年人工智能的备忘录,生物andComputational中心学习,麻省理工学院、剑桥、马,1993年。
  17. l . Wiskott人类。Fellous:克鲁格,c . von der Malsburg“群弹性图匹配的人脸识别,IEEE模式分析与机器智能,19卷,没有。7,775 - 779年,1997页。
  18. a . Nefian m·海斯,“嵌入式hmm-based人脸检测和识别的方法,“在Proc。IEEE国际会议音响、演讲,和信号处理,6卷,第3556 - 3553页,1999年。
  19. 美国国防部“面部识别供应商测试,2000,“可用:http://www.dodcounterdrug.com/facialrecognition/FRV T2000 / frvt2000.htm。
  20. l .报告和m .科比,”低维过程的描述人类的面孔,“j .光学Soc。的我。,vol. 4, pp. 519-524, 1987.
  21. m . Kirby和l .报告”的应用Karhunen Loeve过程的描述人类的面孔,“IEEE反式。模式分析与机器智能,12卷,第835 - 831页,1990年12月。
  22. 硕士Grudin”,一个紧凑的多层次模型识别面部图像,”博士论文,利物浦约翰摩尔大学,1997。
  23. l .赵和杨Y.H.”照明pcabased视觉系统的理论分析,模式识别,32卷,第564 - 547页,1999年。
  24. a . Pentland b·穆贾达姆,t . Starner“视图——基于人脸识别和模块化的特征空间,“Proc, IEEE CS相依。计算机视觉和模式识别,84 - 91年,1994页。
  25. k . Chang K.W.鲍耶和美国Sarkar Comarison和组合appearancebased耳朵和脸图像的生物识别技术,“IEEE反式。模式分析与机器智能,25卷,没有。2003年9月9日。
  26. l .洪教授和a . Jain“整合面临个人识别和指纹,IEEE反式。模式分析与机器智能,20卷,没有。12日,第1307 - 1295页,1998年12月。
  27. p . Verlinde g . Matre大肠Mayoraz,使用多重线性分类器决策融合,“Proc。如您相依Multisource-Multisensor信息融合,1卷,页。47-53,1998年7月。
  28. s (h .川,h . Mitsumoto“男性/女性从8 _6非常低分辨率的脸图像识别神经网络”模式识别、29卷,第335 - 331页,1996年。
  29. t·金”,由计算机图像处理和识别复杂的人脸,”技术报告,部门,信息科学,京都大学,1973。
  30. A.J. Goldstein清醒哈蒙,A.B. Lesk,“人脸识别”,Proc, IEEE 59卷,748年,1971页。
  31. y岩石和k .小林,”一个基本研究人脸识别,“模式识别领域,渡边,艾德,265年,1972页。
  32. r . Bruneli和方法的人脸识别:特征与模板、“IEEE反式。模式分析与机器智能,卷。15日,第1052 - 1042页,1993年。
  33. I.J.考克斯,j·戈恩和期票Yianios,“基于功能的使用mixture-distance人脸识别,计算机视觉,模式识别,1996。
  34. 狗屁的希、r . Chellappa和c . von der Malsburg“基于特征的人脸识别方法,”Proc, IEEE CS相依。计算机视觉和模式识别,373 - 378年,1992页。
  35. 福赛斯和男妓,“计算机视觉:一种现代方法,”普伦蒂斯霍尔,2003。
  36. 回族香港;Xuchun李;王磊;获得Khwang销量;Jian-Gang王;Venkateswarlu R“广义二维主成分分析神经网络,2005年。IJCNN 05。第一卷程序。2005年IEEE国际联合会议上,2005年7月4日8月31日
  37. Juwei Lu, K.N. Plataniotis A.N. Venetsanopoulos,“面部识别使用基于LDA算法”,IEEE神经网络,14卷,第一,页:195 - 200年,2003年1月。
  38. Juwei Lu, K.N. Plataniotis A.N. Venetsanopoulos”,正则化线性判别分析在小样本量的研究与应用场景,人脸识别”,模式识别字母,26卷,问题2,181 - 191年,2005页。
  39. 硕士土耳其和美联社Pentland,“使用Eigenfaces人脸识别”,IEEE Conf.计算机视觉和模式识别,586 - 591年,1991页。
  40. j . m . j .呃,s . Wu Lu和h l .(音“人脸识别与径向基函数(RBF)神经网络,“IEEE反式。在神经网络,13卷,第三页697 - 710
  41. Thakur,美国;唱歌,J.K.;巴苏,位;Nasipuri m;茶室,m .“使用主成分分析和RBF神经网络的人脸识别“新兴的工程和技术趋势,2008年。ICETET 08年。第一次国际会议于2008年7月16 - 18日。
  42. 诉Espinosa-Duro, m . Faundez-Zanuy”面孔识别的神经网络分类器,“学报1999年IEEE第33届国际卡纳汉Conf.安全技术,182 - 186年,1999页。
  43. w·赵r . Chellappa, A·罗森菲尔德,p . j .菲利普斯“人脸识别:文献调查,”UMD CfAR技术报告汽车- tr - 948, 2000。
  44. 王x, y和a . k . Jain,“结合人脸识别分类器,”Proc. IEEE 2003实习生。Conf.多媒体和博览会。卷。3。13 - 16,2003页。
  45. 鑫马;刘魏;宜宾李;鲁伊的歌,“基于LVQ神经网络的移动机器人目标分化方法”先进机器人技术,2005年。ICAR 05。诉讼。12日国际会议2005年7月18 - 20。
  46. Xudong江;Mandal b;科特市a“Eigenfeature正规化和提取人脸识别”模式分析与机器智能,IEEE 30卷,问题3,2008年3月。
  47. 颜峻王Dian-hong”顺序人脸识别基于LVQ网络”VLSI设计和视频技术,2005年。学报2005年IEEE国际研讨会。
  48. 智能人脸识别技术:比较研究。GVIP人脸识别特殊的问题,2007年
  49. Sumanth TammaDecember 5, 2002年代。人脸识别技术。(在线)。可用:http://ie.emu.edu.tr/ admin / dosyalar / % 7 be3f-az2-rta % 7 dneura.pdf
  50. 德韦尔,o .;Aeberhard, S。,“Line-based face recognition under varying pose”.Pattern Analysis and Machine Intelligence, IEEE Transactions on , Volume: 21 Issue: 10 , Oct. 1999, Page(s): 1081 -1088.
  51. b . l .张、张h .和美国美国通用电气、“applyingwavelet人脸识别的部分波段表示和内核联想记忆,“IEEE反式。神经。,vol. 15, no. 1, pp. 166–177, Jan. 2004.
  52. 唐问:刘,x, h . Lu和马,“面部识别使用kernelscatter-difference-based判别分析,IEEE反式。神经。,vol. 17, no. 4, pp. 1081–1085, Jul. 2006.
  53. w·郑x周、c .邹和l .赵“面部表情recognitionusing核典型相关分析(KCCA),“IEEE反式。神经。,vol. 17, no. 1, pp. 233–238, Jan. 2006.
  54. x,陈,z h .周和f·张,“识别部分闭塞,表达变异面临从单一的训练图像/ personwith SOM和软事例合奏,“IEEE反式。神经。,vol.16, no. 4, pp. 875–886, Jul. 2005.
  55. 罗摩Chellappa,查尔斯·l·威尔逊和SaadSirohey“人类和机器识别的面孔:一项调查,“IEEEvol.83学报no.5.pp。705 - 740 May1995。
  56. Mehmoud Ismail Reda a El-Khoribi”HMT排名让变换的人脸识别和验证,“ICGST图形视觉和图像处理的日报》下册,issue3, dec06 pp7-13。
  57. Debasis Mazumdar Santanu Dutta, Soma Mitra脸和复苏的“自动特征检测的姿势”传达到IETE杂志》上。
  58. Breu、亨氏、约瑟夫·吉尔大卫·柯克帕特里克和迈克尔·沃曼“线性时间欧氏距离变换算法,IEEE模式分析与机器智能,17卷,5号,1995年5月,页529 - 533。
  59. http://en.wikipedia.org/wiki/Backpropagation
  60. http://page.mi.fu-berlin.de/rojas/neural/chapter/K7.pdf
  61. 5.0版本CSU面临Identi_cation评价体系。的地点:所涉及http://www.cs.colostate.edu/ evalfacerec / algorithms5.html。2003年。
  62. k . Delac m . Grgic Grgic,人脸识别的统计数据:分析PCA的概率分布,ICA和LDA性能结果,程序的第四届国际研讨会上图像和信号处理和分析,2005年当前,萨格勒布,克罗地亚,2005年9月15 - 17日,页。289 - 294
  63. Despina Polemi。最终报告,生物识别技术:审查和评估生物识别技术识别和认证,包括评估的最适用的领域。欧洲委员会,1997年4月,网站2007年6月检查。
  64. NIST的。FRVT冰2006年和2006年大规模的结果。6 largescalereport.pdf http://face.nist.gov/frvt/frvt2006/FRVT2006andICE200。国家标准与技术研究院。
  65. 路德中和乔纳森·h·康奈尔Bolle m . et al .生物识别技术指南。施普林格-,2003年11月。ISBN-13 ISBN-10: 0387400893: 978 - 0387400891。
  66. 土耳其人,m·A。,Pentland, A. P., Eigenfaces for recognition, 1991, Cognitive Neurosci., V. 3, no.1, pp.71-86.
  67. Belhumeur, V。,Hespanda, J., Kiregeman, D., 1997, Eigenfaces vs. fisherfaces: recognition using class specific liear projection, IEEE Trans. on PAMI, V. 19, pp. 711-720.
  68. Sushma贾斯瓦尔,Sarita辛格Bhadauria, Rakesh Kumar辛格米伦,塔伦Divakar,简要描述的基于图像的三维人脸识别方法,卷1,4号,1 - 15,DOI: 10.1007 / 3 dres.04 (2010) 02。
  69. Sushma贾斯瓦尔,Sarita辛格Bhadauria, Rakesh辛格米伦“创造3 d可以做成动画的脸方法使用圆锥Section-Algorithm”,信息技术杂志,ISSN: 18125638, no.292 - 298页,2007年。
  70. Sushma贾斯瓦尔,Sarita辛格Bhadauria, Rakesh辛格米伦,“自动真实感三维人脸模型从2 d影像投影”日报:信息技术杂志:2007期:6问题:7页/记录没有。:1075 - 1079。