第2章 人脸检测与识别算法综述(共12页)

1、第2章 人脸检测(jin c)与识别算法综述1.1 人脸检测(jin c)与识别系统人脸检测与识别系统大致(dzh)可以分为：人脸检测模块、人脸校正模块以及人脸识别模块，如图1.1所示。图1.1人脸检测与识别系统人脸检测的目标是从一副图片或者一帧视频中确定是否包含人脸，如果有则标定出所有人脸的位置、大小和姿势。这一部分已经在前面章节中讲过，这里不再赘述。简言之，其基本思想是运用知识或者统计的方法对人脸建立模型，比较所有的待检测区域与人脸模型的匹配度，从而确定图像中人脸的区域。人脸识别系统通常要求识别的图像只包含人脸信息，而没有其余的干扰信息。所以在进行识别之前，需要由人脸检测子系统在输入图像中

2、检测出其中包含的所有人脸的位置、大小、偏转角度等，从而提取出人脸信息，进行一些预处理后，提交给人脸识别子系统识别。人脸校正致力于将检测到的各种姿态的输入人脸转成正脸模式，以利于后面人脸识别更加容易，进而提高识别效率，这也是多姿态人脸识别重点研究的问题。本章只介绍人脸检测与识别部分，人脸校正部分我们将在后续章节中介绍。1.2人脸检测算法目前人脸检测方法很多，大致可以分为两大类：基于先验知识的人脸检测方法和基于后验学习和训练的方法。1.2.1基于先验知识的人脸检测方法基于先验知识的人脸检测方法一般是先提取人脸的各种特征，然后根据一些知识规则来检验它们是否符合人脸的先验知识，以此来确认图像中是否包含

3、人脸。该方法所使用的人脸特征大致可分为：基本特征和肤色特征。其中基本特征包括灰度特征、轮廓和形状特征、结构特征、纹理特征。 Yuille等7提出用可变形模板来描述人脸的形状信息，通过和输入图像的边缘、峰、谷和可变形模板中参数进行动态性交互、修正，采用优化算法，在参数空间内进行能量函数极小化来判定人脸。Yang3等首先提出基于镶嵌图（又称为马赛克图）的人脸检测方法，即采用由粗到细的二级结构的方法检测人脸。通过平均和下采样方法得到多个不同分辨率的图像，这些低分辨率图像被称为镶嵌。在最低两级分辨率的镶嵌图中，采用一系列规则快速地获得人脸候选区域。然后在高分辨率图像中，提取人脸特征的轮廓线，符合眼、嘴

4、特征的候选区域被最终确认为人脸图像。H.Martin11设计了肤色(f s)模型表征人脸肤色，利用一个感光模型对输入图像修正和补偿并建立人脸颜色分类器，其输出作为神经网络的输入进行检测。此外，Tony等采用高斯混合模型表示人脸肤色RGB中各个分量的统计分布，通过阈值比较判断像素是否为人脸像素。模板匹配方法也可以认为是基于先验知识的人脸检测方法，一般(ybn)是先假设一个标准的人脸模板，然后计算输入人脸图像与标准人脸的匹配度，并确定一个阈值，当匹配度超过这个阈值时，即可认为输入图像包含人脸；没有超过这个阈值，就认为不包含人脸。模板匹配又分为固定模板匹配和可变模板匹配两种。Govindaraju6

5、等使用变形模板(mbn)匹配头顶轮廓线和左右两条面颊轮廓线实现人脸定位。Miao8等基于人脸特征轮廓线的重心定义了重心模板。先用重心模板粗匹配，再将候选人脸区域划分为9个子区域，根据各子区域内灰度特征和轮廓线象素数的比例关系进一步验证。Shen9等提出采用人脸横纹特征检测可能的眼睛对，获得候选区域后再采用灰度投影、纹理检测等规则进行验证的人脸检测方法。后来，Wu和Shen10等人联合提出特征和模板结合的人脸检测算法。为了能够较好地区分两眼的横纹，该方法同时采用方形和矩形单元镶嵌图，并用预定义的具有人脸水平垂直方向峰谷特征的四个模板进一步确认人脸区域。该算法被接受进入MPEG-7标准。基于先验知

6、识的人脸检测方法适用于较强约束条件下(如简单背景、头部图像等)的人脸检测。由于使用的特征较少，此类算法可以达到较高的检测速度，实现实时检测与跟踪。但是 基于先验知识模型方法的检测效果太依赖于特征的提取和预先定义的规则，有其明显的局限性。其局限性表现在： 由于灰度受光照影响较大，强的光照变化会产生一些伪边沿; 人脸结构的对称性是一个重要的特征，对姿态变化比较敏感; 为了验证人脸区域，常常需要结合各人脸器官的特征及其之间的结构关系。当图像质量较差时，特征不容易检测; 人脸样本是开放集合，获取先验知识比较困难。 总之，该类方法对质量较好的图像具有好的检测性能，对于复杂的图像检测效果(xiogu)一般

7、不够好。1.2.2基于(jy)后验学习(xux)和训练的方法目前，用的更多的是基于后验学习和训练的方法，这一类方法是将人脸区域看作一类模板特征。使用大量的“人脸”与“非人脸”样本训练、构造分类器，通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测。因此，在这一类方法中人脸检测问题实际上被转化为统计模式识别的二分类问题。这类的人脸检测主要有下面几种方法：基于特征空间的方法、基于人工神经网的方法、基于支持向量机的方法、基于概率模型的方法、基于Adaboost学习算法的方法。 基于特征空间的方法基于特征空间的方法是将人脸区域图像变换到某一特征空间，根据其在特征空间中的分布规律划分“人脸”与“

8、非人脸”两类模式。这类方法里比较有代表性的就是Turk和Pentland提出使用PCA12（Principal Component Analysis,主成分分析）方法进行人脸检测和识别。主成分分析方法是对图像进行KL变换，以消除原来各个分量之间的相关性，取变换后所得到的最大的若干个特征向量来表示原来的图像，保留了原始图像的最大差异性信息，这若干个分量就称为主成分。将PCA用于人脸检测，对训练集中的人脸图像进行主成分分析，转换成一个小的特征向量集，叫“本征脸，它们是最初训练图像集的基本组件，同样地处理非人脸训练集。然后根据人脸图像在这一过程中改变较小而非人脸图像改变较大的特点，遍历测试图像中所有

9、候选人脸位置，计算候选位置对应的图像块与人脸空间之间的距离，其中，距离最小的位置就认为是测试图像中的人脸所在位置。此外，还有Sung13等提出了基于示例学习的方法，同时使用了1919像素分辨率的“人脸”与“非人脸”样本。即把“人脸”和“非人脸”数据库里的每一个示例图像标准化，然后再用它们去合成“人脸”和 非人脸”的模式聚类。Garcia14将小波变换理论应用到了人脸检测，也达到了较好的效果。 基于人工神经网的方法人工神经网络(Artificial Neural Network，ANN)的方法是把模式的统计特性隐含在ANN的结构和参数之中，通过训练一个网络结构把模式的统计特性隐含在神经网络的结构

10、和参数之中。人工神经网络避免了复杂的特征提取工作，它能根据样本的自我学习生成分类器，对于检测人脸这类复杂的，难以显式描述的模式表现出良好的鲁棒性和自适应性，具有独特的优势。缺点是需要大量调整人工神经网络结构(如:神经元节点数、层数、学习率)以便得到较好的检测结果。最早使用(shyng)人工神经网络进行人脸检测的是Propp和samal，最早使用人工神经网络进行人脸检测的是Propp和Samal15，他们的网络包含四层，共有1024个输入单元，第一隐含层共有256个单元，第二隐含层共有8个单元和2个输出单元。在此之后，许多研究人员开始运用人工神经网络来进行人脸检测，取得(qd)了一系列的成果。另

11、外Agui等提出使用多级神经网络解决人脸检测问题，在他们的方法中，第一步由两个平行的人工神经网组成，第二步的人工神经网的输入值是第一步两个子网的输出值，然后通过隐层提取特征，输出层的输出值决定所检测的图像块是否包含人脸。Soulie等16提出用具有时间延迟的神经元网络(具有25 x 25象素的感受域)扫描图像进行人脸检测。输入图像利用小波变换进行分解(fnji)，他们在120幅测试图像上进行实验，获得的2.7%错误拒绝率和的0.5%错误接受率。Rowley等17用多层神经元网络从人脸非人脸图像中学习人脸和非人脸模式，其方法的局限性是只能检测垂直的正面人脸。后来，Rowley等18将这种方法扩展

12、用于旋转的人脸检测，先用一个神经网络确定人脸的旋转角度，然后再用另外的神经网络对人脸进行验证，取得了较好的效果。 基于支持向量机的方法支持向量机(SupportVeetorMaehine,SVM)是Vapnik等提出的基于结构风险最小化原理（Structural Risk Minimization Principle,SRM）的统计学习理论，用于分类与回归问题。其基本思想是:首先通过非线性变换，将输入空间变换到一个高维空间，然后在这个高维空间中求取最优线性分类面。所谓最优分类面则是使分类间隔最大，从而达到结构风险最小化。支持向量机是一种二次规划方法，它在处理大批量的人脸正反例时，只选取那些位于

13、分界面附近的数据来完成学习过程。梁路宏等l9提出了基于模板匹配与支持向量机的人脸检测算法。算法使用一组双眼一人脸模板对来搜索候选人脸，并在搜索过程中使用多层感知器进行确认，以减少错误报警。实验结果的对比数据表明，该算法是十分有效的。Osuna20等将SVM方法用于人脸检测并取得了较好的实验结果。该方法的基本思路是对每一个1919像素的检测窗口使用SVM进行分类，以区分“人脸”与“非人脸”窗口。SVM的训练使用了大量人脸样本和自举方法收集的“非人脸”样本，并且使用逼近优化的方法减少支持矢量的数量。Platt21提出的序贯最小优化(SMO:Sequential Minimal Optimizati

14、on)算法是对Osuna等提出的方法的改进，该方法很好地解决了长期以来SVM的训练(xnlin)需要求解计算复杂度极高的二次规划的问题。 基于(jy)概率模型的方法基于概率(gil)模型方法的一种思路是计算输入图像区域属于人脸模式的后验概率，据此对所有可能的图像窗口进行判断；Schneiderman等22提出一种基于后验概率估计的人脸检测方法，该方法利用贝叶斯原理将后验概率估计转化为一个似然度求解问题。还将概率估计的方法用于检测正面旋转人脸和侧面人脸，同时使用多分辨率信息复用和由粗到精搜索的策略提高检测的速度。另一种概率模型是用于描述信号统计特性的隐马尔可夫模型(HMM) ,目前也被应用于人脸

15、检测与识别。HMM使用马尔可夫链来模拟信号统计特征的变化，而这种变化又是间接地通过观察序列来描述的，因此，隐马尔科夫过程是一个双重的随机过程。在HMM中，节点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同状态表现出这一特征的概率不同。由于HMM是一个统计模型，对于同一特征序列，可能会对应于许多状态序列，特征序列与状态序列之间的对应关系是非确定的。这种模型对于状态序列来说是隐的，故称为隐马尔可夫模型。Nefian等23根据正面人脸由上到下各个区域(头发、额头、双眼、鼻子、嘴)具有自然不变的顺序这一事实，使用一个包含五个状态的一维连续HMM表示。将头部图

16、像按照这五个区域划分为互有重叠的条块，对各块进行K-L变换，选取前若干个变换系数作为观测向量训练HMM。Nefian等24还提出了基于嵌入式HMM的人脸检测方法。该方法同时考虑到人脸由左到右各个特征的自然顺序，使用了二维HMM，并且采用二维DCT变换的系数作为观察向量。 基于Adaboost学习算法的方法基于Adaboost学习算法快速人脸检测方法由Paul Viola23等人于2001年提出，该方法采用一种称为“积分图”的图像表示方法，可以快速容易地计算出大量的简单特征，再用Adaboost学习算法从一个较大的特征集中选择少量关键的视觉特征，并构造一系列的弱分类器，多个弱分类通过线性组合可构

17、造出一个强分类器，再用级联的方式将单个的分类器合成为一个更加复杂的分类器。使图像的背景区域快速地丢弃，而在有可能存在人脸的区域花费更多的计算。同时大大提高了检测速度，可达15帧/秒。该方法的突出地位和贡献在于，它给出了一个稳定的实时的目标检测框架，是第一个现实可行的实时的人脸检测算法。此外(cwi),Li和Zhang等25改进了基于前向序列特征选择的Adaboost学习算法，采用带回溯过程的F1oatboost的特征选择算法。采用简单的块特征以及一个金字塔的分级结构，该系统可以检测多视角(shjio)人脸图像。Keren等26提出Antifaces多检测器级联的快速人脸检测方法(fngf)，只

18、需少数几个检测器级联就可以准确检测人脸图像。 基于后验学习和训练的方法是目前比较流行的方法，是解决复杂人脸检测问题的有效途径，它具有以下优点:(1) 不依赖于人脸的先验知识和参数模型，可以避免不精确或不完整的知识造成的错误;(2) 采用了事例学习方法获取模型的参数，统计意义上更为可靠;(3) 通过增加学习的事例可以扩充检测模式的范围、提高检测系统的鲁棒性。该方法大多适用于复杂背景图像中的人脸检测。目前基于统计模型的方法主要针对正面端正人脸的检测。1.3 人脸识别算法人脸识别方法很多，大致可以分为六种方法：基于几何特征的识别方法、基于模板匹配的方法、特征子空间分析方法、隐马尔科夫方法、基于神经网

19、络和弹性图匹配方法。 基于几何特征的人脸识别方法人脸的几何特征是指人脸的五官特征、脸型特征和五官在脸上分布的位置特征。基于几何特征的方法是最早、最传统的方法，这类方法将人脸用几何特征矢量表示，用模式识别中层次聚类的思想设计分类器以达到识别目的。它要求选取的几何特征矢量具有一定的独特性，能够反映不同人脸之间的差别，同时又具有一定的弹性，以消除时间跨度、光照等的影响。几何特征矢量是以人脸器官的几何关系和形状为基础的特征矢量，它的分量通常是指人脸指定两点间的欧氏距离、角度、曲率等。隐马尔可夫法首先在语音处理领域取得了较大的成功，然后有不少学者将其应用到人脸识别领域。Samarea最早建议了关于人脸的

20、隐马尔可夫模型39,40，他将人脸图像分成相互有一定重叠区域的小块，将小块内的二维图像矩阵转换为一个一维的灰度值向量，然后将这个向量作为隐马尔可夫模型中的观察向量，用以训练模型参数。这种方法的优点在于：一个训练好的HMM模型的序列既含有人脸图像不同部位的信息，又考虑了他们的相互关系，比起孤立的利用各个器官的数值特征有概念上的进步。Nefian发展了Samaria的方法41，主要是解决直接用灰度值作为观察向量需要大量存储的缺陷，提出的基于39个二维离散余弦变换特征系数作为观察序列，不仅减少了计算量，还可以保持Samaria原始方法所具有的识别率。这类方法在近年里没有得到更进一步的发展。应当指出，

21、几何特征之间的距离(jl)和结构关系在人脸识别的分类问题中仍然有潜在价值。例如，在一个大数据库中进行人脸检索时，可以利用面部几何特征进行粗分类以缩小匹配范围。基于模板(mbn)匹配的人脸识别方法 模板匹配本质上是一种统计识别方法。其中，模板可以理解为一个供模仿、完美无缺的标本(biobn)。因为一个模板与未知样品匹配的好坏，取决于模板上各单元与样本上各相应单元的匹配与否。若处于模板与样品上的绝大多数单元均相匹配，则称该模板与样品“匹配得好”；反之则称“匹配不好”。最简单的例子就是直接计算两幅人脸图像之间的匹配程度。由于这种方法要求两幅图像上的目标要有相同的尺度、取向和光照条件，所以在进行匹配之

22、前，预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。另一种方法是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓，而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度高的边缘，也很难从中自动提取所需的特征量。为此，用弹性模板方法提取特征显示出其独到的优越性。弹性模板由一组根据特征形状的先验知识设计的可调参数所定义，为了求出这组参数，需要利用图像的边缘、峰值、谷值和强度信息及特征形状的先验知识设计合适的能量函数。参数向能量减小方向调整，当能量达到最

23、小时，这组参数对应的模板形状最符合特征形状。 基于神经网络的方法由Lin等人提出的基于神经网络人脸识别方法38是基于概率决策理论，将人脸直接用灰度表征，利用神经网络的自组织自学习的能力来达到模式分类的目的的。作为一种经典的模式分类方法，神经网络进行人脸识别的优点在于：它可以避免繁琐的特征提取工作，只要训练样本具有足够的代表性，可以展现良好的自适应性和鲁棒性，即使有部分人脸区域被遮挡甚至在噪声干扰较大的情况下依然可以很好的完成任务。缺点在于神经网络的计算量较大，训练速度比较慢。 特征(tzhng)子空间分析方法特征(tzhng)子空间(kngjin)分析方法是当前人脸识别的主流方法之一，特征子空

24、间分析的思想就是根据一定的性能目标来寻找线性或非线性的空间变换，把原始信号数据压缩到一个低维子空间，使数据在子空间中的分布更加紧凑，为数据的更好描述提供手段，另外计算的复杂度也得到大大降低。子空间分析除了有线性和非线性空间变换之外，根据不同的性能目标要求，得到的子空间也是不一样的。Turk和Penland提出的特征脸方法36是基于KL变换技术的人脸低维重构思想。它认为自然原始的人脸图像对于识别来说存在着明显的统计冗余信息，通过KL变换可以将高维人脸图像降低到一个由一组新的正交基所构成的低维子空间中，而且不同的人脸图像在这个新的低维子空间中具有可分性，这组新的正交基就是特征脸向量。待识别的人脸图

25、像投影到这个新的低维空间中，可以得到以一个投影系数向量作为权值对特征脸向量的线性求和来表示的方式。Turk和Penland用最简单的最近邻分类器对这个投影系数向量进行分类，从而得到待识别人脸图像的所属模式。到目前为止，特征脸方法这种降维的思想已经广泛贯串应用到自动人脸识别技术的人脸检测、特征提取及识别等环节中。特征脸方法的缺点在于计算特征脸空间时用到的总离散度矩阵方差，不仅来源于不同人脸模式的类间差异，而且来源于同一人脸中由于光照、姿态视角、发型、或是其他一些因素造成的类内差异。而后者这些差异对总离散度矩阵方差造成的贡献是不利于识别结果的，特别是由于光照、角度等因素的影响，特征脸方法产生的识别

26、率会有明显的下降。2.3 人脸库的选择目前人脸识别领域常用的人脸数据库主要有: FERET人脸数据库由FERET项目（美国军方）创建，包含14,051张不同表情，光照，姿态和年龄的人脸图像，是人脸识别领域应用最广泛的人脸数据库之一。其中的多数人是西方人,每个人所包含的人脸图像的变化比较单一. MIT人脸数据库由美国麻省理工大学媒体实验室创建，包含16位志愿者的2,592张不同姿态、不同光照、不的27 张面部图像. Yale人脸数据库 由美国耶鲁大学计算视觉与控制中心创建，包含15位志愿者，每人 11 张照片，一共165张图片，包含不同光照，不同表情和不同姿态变化的人脸图像. Yale人脸数据库

27、B 包含了10个人的5,850幅多姿态,多光照的图像.其中的姿态和光照变化的图像都是在严格控制的条件下采集的,主要用于光照和姿态问题的建模与分析.由于采集人数较少,该数据库的进一步应用受到了比较大的限制. ORL人脸数据库由英国(yn u)剑桥大学(jin qio d xu)AT&T实验室创建，包含(bohn)40人，每人 10 张照片，共400张面部图像，部分志愿者的图像包括了姿态，表情和面部饰物的变化。该人脸库在人脸识别研究的早期经常被人们采用，但由于变化模式较少，多数系统的识别率均可以达到90%以上，因此进一步利用的价值已经不大。 UMIST 图像集英国曼切斯特大学创建，包含20 个人，

28、共 564 幅图像，每个人具有不同角度、不同姿态的多幅图像。 CMU PIE人脸数据库 CMU PIE人脸库建立于 2000年 11 月，由美国卡耐基梅隆大学创建，所谓 PIE 就是姿态（Pose），光照（Illumination）和表情（Expression）的缩写。它包含68位志愿者的41,368张多姿态，其中包括了每个人的 13 种姿态条件，43 种光照条件和 4 种表情下的照片，现有的多姿态人脸识别的文献基本上都是在 CMU PIE 人脸库上测试的。其中的姿态和光照变化图像也是在严格控制的条件下采集的，目前已经逐渐成为人脸识别领域的一个重要的测试集合。因此，我们也选择的是CMU PIE

29、人脸库作为训练人脸库，以及作为后面章节即将介绍到的多姿态人脸识别所需要的人脸库。1.4 人脸检测与识别效果评价标准人脸检测与识别效果的性能评价标准主要有：检测率、误检率、漏检率、检测速度、识别错误接受率FAR、识别错误拒绝率、鲁棒性等。 检测率检测率指的是被正确检测到的人脸数与原图像中包含的人脸数的比值。检测率越高，说明检测系统对人脸的接受能力越强。 误检率误检率是指被误检为人脸的非人脸子窗口数与原图像中被检测的所有非人脸子窗口数的比值。检测率无法反映系统对非人脸的排除能力，有可能出现这种情况：所有人脸都被检测到，同时很多非人脸区域也被误认为是人脸。因此，有必要引入误检率来衡量系统对非人脸样本

30、的排除能力，误检率越低，说明检测系统对非人脸的排除能力越强。 检测速度由于大部分应用领域需要现场实时的检测人脸，所以，在检测率和误检率达到满意的前提下，检测速度是越快越好的。 识别错误接受率识别错误接受率FAR（False Acceptance Rate）表示两个不是同一类别的人脸被错误认为是同一人脸数目占总人脸数的的比率。 识别错误拒绝率识别错误拒绝率FRR（False Rejection Rate）表示代表同一人脸的两个(lin )序列被错误认为是不同人脸数目(shm)占总人脸数的比率(bl)。 鲁棒性鲁棒性指的是在各种条件下，人脸检测与识别系统的适应能力。比如基于肤色模型的方法无法检测灰

31、度图像；大部分人脸检测与识别系统无法检测或识别到大角度旋转的人脸，需要把旋转角度限制在一定范围之内；大部分人脸检测与识别方法容易受复杂背景的干扰，在背景简单的条件下效果好，背景复杂的条件下效果变差明显。这些标准中有些是相互制约的，比如检测率和误检率就经常需要权衡，检测率提高，误检率提高；检测率降低，误检率也会降低。模板匹配方法的检测速度虽然很快，但其距离函数在不同环境下产生的效果差异很大，如背景简单时检测效果好，背景复杂时检测效果很差，这就是其鲁棒性不好的表现。1.5 本章小结本章简单介绍了人脸检测与识别系统，并对人脸检测与人脸识别两个方面的比较主流的算法进行了综述，最后介绍了人脸检测与识别的

32、评价标准。参考文献：3 Yang G, Huang T S. Human face detection in complex backgroundJ. Pattern Recognition, 1994, 27(1): 53-636Govindaraju V, Srihari S N, Sher D B. A computational model for face locationC.Proc IEEE Conference on Computer Vision, Osaka,Japan,1990:718-721.7 Yuille A, Hallinan P, Cohen D.Eeature

33、 Extraction from Faces Using Deformable TemplatesJ. International Journal of Computer Vision. 1992, 8.2: 99-1118Miao J, Yin B, Wang K, et al. A Hierarchical Multiscale and Multiangle System for Human Face Detection in a Complex Background Using Gravity-Center TemplateJ.PatternRecognition, 1999, 32 (

34、7):1237-1218.9 Shen Lansun, Wang Kongqiao, Xing Xin. Automatic Human Face Detection and Tracking in a Complex BackgroundS.ISO/IEC JTC1/SC29/WG11 MPEG99/M4422, Seoul, Korea, 1999-03.10 Lifang Wu, Lansun Shen, Kebin Jia, et al. Improvement of Automatic Human Face DetectionS. ISO/IEC JTC1/SC29/WG11 MPE

35、G2000/m6536, La Baule, M.Picering, A. Whichello, M. Frater, etc. A proposal for an Automatic face Extraction AlgorithmS. ISO/IEC JTC1/SC29/WG11 MPEG2000/m6536,La Baule,France(The two Algorithms are combined in m6536)，2000.11Martin A,Hunke H.Locating and Tracking of Human Faces with Neural NetworksC.

36、 Technical Report of CMU,CMU-Cs-94-155,1994.12Turk M, Pentland A. Eigen faces for recognition.J.Cog.Neurosci.3,71-86,1991C. Neurosci: Publisher ominous,1991.13Sung K.Poggio T.Example-based learning for view based human face detectionJ. IEEE Trans.on PAMI,1998,20(1):39-51.14Garcia C,Zikos G,Tziritas

37、G.Face detection in color images using wavelet packet analysisG /Multimedia Computing and Systems.Centro Affair,Florence,Italy,1999,VOL. 1:703-708.15 Propp M, Samal A. Artificial neural network architecture for human face detectionJ, Intelligent Eng. Systems Artificial Neural Networks 2, 1992 535-54

38、0.16 Soulie F, Viennet E, Lamy B. Multi-Modular Neural Network Architectures: Pattern Recognition applications in Optical Character Recognition and Human Face RecognitionC. Int1 J. Pattern Recognition and Artificial Intelligence, 1993, 7(4):721-75517 Rowley H A, Baluja S, Kanade T. Neural Network Ba

39、sed Face DetectionJ. IEEE Trans Pattern Analysis and Machine Intelligence, 1998, 20(1):23-38.18 Rowley H A, Baluja S, Kanade T. Rotation Invariant Neural Network-Based Face Detection. Proc汇C. IEEE Conf. Computer Vision and Pattern Recognition, 1998, 38-4419梁路宏，艾海舟，何克忠等.基于多模板匹配(ppi)的单人脸检测J1.中国图象图形学报.

40、1999，4A(10):823一8320Osuna E,Freund R,Girosi R.Training support vector machinesC.An application to face detection,in IEEE Proc.of Int.Conf.on Computer Vision and Pattern Recognition, 6,1997.21Platt J C.Fast Training of SVMs Using Sequential Minimal OptimizationM. Scholkopf B,Burges C J C, Smola A J e

41、ds,Advances in Kernel Methods-Support Vector Learning, Cambridge, MA: MIT Press, 1998:185-208.22Schneiderman H,Kanade T.Probabilistic modeling of local appearance and spatial relationships for object recognitionC.Proc.IEEE Conf.on Computer Vision and Pattern Recognition,Santa Barbara,California,1998:45-51.23Nefian A V,