Алгоритмы анализа изображения лица человека для построения интерфейса человек-компьютер тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат физико-математических наук Вежневец, Владимир Петрович

• Вежневец, Владимир Петрович
• кандидат физико-математических наук
• 2004

Оглавление диссертации кандидат физико-математических наук Вежневец, Владимир Петрович

Введение

1 Задача обнаружения лица

1.1 Обзор существующих методов

1.1.1 Методы эмпирического распознавания.

1.1.2 Краткий обзор методов моделирования изображения лица.

1.1.3 Сравнение методов первой и второй категории

1.2 Обнаружения лица с помощью цветовой сегментации

1.2.1 Цветовая сегментация областей кожи на изображении

1.2.2 Обработка результатов цветовой сегментации для обнаружения лица

1.2.3 Несовершенство существующих методов.

1.2.4 Предлагаемые методы обнаружения лиц на изображениях

Введение диссертации (часть автореферата) на тему «Алгоритмы анализа изображения лица человека для построения интерфейса человек-компьютер»

Объект исследовании и актуальность темы.

В настоящее время вычислительная техника используется во многих областях человеческой деятельности, являясь удобным и многофункциональным инструментом решения широкого круга задач. Однако, при работе с ЭВМ человек вынужден использовать средства взаимодействия, слабо адаптированные к возможностям человеческого восприятия и ограничивающие способности человека к обмену информацией. Основная цель усовершенствования и развития интерфейса человек-компьютер заключается в организации обмена информацией с ЭВМ таким образом, чтобы:

• Снизить время освоения программных и аппаратных средств;

• Снизить уровень ошибок при передаче информации;

• Сделать работу с ЭВМ возможной для людей, не имеющим возможности пользоваться традиционными средствами интерфейса;

• Снизить утомляемость, увеличить субъективное удовлетворение пользователя от работы;

Для достижения поставленных целей необходимо применение средств взаимодействия, более полно использующих коммуникативные способности человека. Человек наделен большим количеством возможностей воспринимать и передавать информацию: зрение, слух (в т. ч. устная речь), жесты и движения, мимика, осязание и др. Во взаимодействии человека и компьютера существуют два информационных потока:

• управляющие команды и данные, передаваемые компьютеру для обработки;

• результаты вычислений и другая информация, представляемая компьютером пользователю.

Распространенный в настоящее время человеко-машинный интерфейс использует зрение, как основной канал представления информации пользователю, отображая данные в виде условных знаков на экране компьютера. Воспринимать информацию естественными для человека способами (распознавать речь, жесты, мимику и т.д.) современные средства интерфейса практически не в состоянии.

Лицо человека является важным источником информации при общении между людьми. Выражение лица, мимика, артикуляция при разговоре, движения головой являются удобным, естественным и, что важно, необременительным способом передачи информации. Неспособность компьютера с одной стороны воспринять, а с другой стороны воспроизвести столь естественные для человека способы общения затрудняет передачу и восприятие информации при работе с ЭВМ.

Для того, чтобы "научить" компьютер распознавать и реагировать на движения головы, мимику, изменение выражения лица, направление взгляда, требуются устойчивые алгоритмы анализа и распознавания изображения лица человека.

Для представления вычислительной системы в качестве партнера, имитирующего аспекты человеческого общения, и превращения взаимодействия пользователя с вычислительный системой в естественное общение с виртуальным персонажем, используются так называемые агенты виртуальной реальности. Для их обозначения в литературе принят термин "аватары" (avatars). Агентами виртуальной реальности могут быть модели реально существующих людей, управляемые другими пользователями, или виртуальные актеры, управляемые компьютером. Использование таких агентов в системах виртуальной реальности и аудиовизуальных интерфейсах позволяет организовать общение пользователя с системой наиболее естественным образом и облегчить ему освоение. Это особенно актуально для пользователей, не являющихся профессионалами в области информационных технологий.

В рамках данной диссертационной работы будут рассмотрены следующие задачи:

1. Обнаружение и выделение лица на изображении и в видеопотоке.

2. Распознавание антропометрических точек лица на изображении и в видеопотоке.

3. Управление курсором "мыши" с помощью движений головой и мимики пользователя.

Решение двух первых задача является необходимым условием для создания интеллектуальных интерфейсов, распознающих и реагирующих па движения головой и изменение выражения лица пользователя. Решение второй задачи также необходимо для автоматизированного построения фотореалистичных моделей лиц для интерфейсов, использующих агентов виртуальной реальности. Решение третьей задачи делает возможным использование компьютера людьми, неспособными использовать традиционные средства интерфейса по состоянию здоровья.

Использование в системах построения интерфейса накладывает дополнительные условия и требования па методы, которые могут использоваться для решения этих задач, а именно:

• Высокая скорость работы (в ряде случаев - реальное время);

• Функционирование па изображениях низкого (порядка 320x240 пикселей) и среднего (порядка 640x480 пикселей) разрешения;

• Устойчивость к уровню шума, характерному для недорогих бытовых видеокамер, подключаемых к компьютеру.

Цели работы

1. Разработать методы обнаружения и выделения лица на изображении низкого разрешения (порядка 320x240 пикселей) и высокого уровня шума (характерного для бытовых видеокамер), работающие в реальном времени;

2. Разработать алгоритм автоматического выделения антропометрических точек лица (контуров глаз, зрачков, бровей, носа, подбородка, рта) на фронтальной фотографии среднего разрешения (порядка 640x480 пикселей) для построения фотореалистичных моделей виртуальной реальности;

3. Разработать алгоритм управления курсором "мыши" с номощыо движений головы и мимики пользователя;

4. Разработать алгоритм автоматического определения положения антропометрических точек лица в видеопотоке низкого разрешения в реальном времени.

Научная новизна работы

Разработанные алгоритмы обнаружения и локализации лица человека на основе цветовой сегментации кожи обладают значительно большей устойчивостью обнаружения, сохранив скорость существующих методов.

Предложенные алгоритмы выделения антропометрических точек лица на изображении и в видеопотоке обладают более высокой устойчивостью п точностью распознавания, нежели описанные в литературе аналоги.

Разработан новый алгоритм управления курсором мыши с помощью движений головы и мимики пользователя. Алгоритм предоставляет возможность гибкой настройки метода трансляции движений головы в перемещения курсора, что предоставляет возможность настройки интерфейса на индивидуальные особенности пользователя с нарушениями двигательного аппарата.

Практическая значимость и реализация

Разработаны и доведены до реализации методы и алгоритмы решения нескольких актуальных задач машинного зрения и обработки изображений. Программные реализации описываемых в диссертации методов удовлетворяют требованиям и ограничениям, сформулированным при постановке задач.

Реализована система управления компьютером для детей, страдающих ДЦП. Система успешно прошла экспериментальную проверку и используется в ряде детских учебных учреждений. По заказу Министерства

Образования РФ па основе данной системы создан ряд тренажеров и вспомогательных программ для организации дистанционного обучения.

На основе разработанных алгоритмов обнаружения и локализации лица и его антропометрических точек на изображении построена система автоматизированного создания фотореалистичных 3D моделей головы по фотографиям. Система разрабатывалась в лаборатории Компьютерной Графики и Мультимедиа кафедры АСВК факультета ВМиК МГУ им. М.В. Ломоносова по заказу Samsung Advanced Institute of Technology. Апробация работы и публикации

Результаты работы докладывались и обсуждались на:

• 6-ой международной конференции по машинному зрению Asian Conference on Computer Vision (ACCV) 2004, Jcju, Korea, Январь 2004;

• 13-й международной конференции ио компьютерной графике и машинному зрению GraphiCon 2003, Россия, Москва, 2003;

• 12-й международной конференции по компьютерной графике и машинному зрению GraphiCon 2002, Россия, Нижний Новгород, 2002;

• 3-ей международной конференции "Цифровая обработка информации и управление в чрезвычайных (экстремальных) ситуациях" ЦОИУЧС 2002, Беларусь, Минск, 2002;

• 10-ой всероссийской конференции "Математические методы распознавания образов-10" (ММРО-Ю), Россия, Звенигород, 2001;

• семинаре по компьютерной графике и машинному зрению Ю.М. Ба-яковского (ф-т ВМиК МГУ);

• научно-исследовательском семинаре но автоматизации программировании нод руководством проф. М. Р. Шура-Бура (ф-т ВМиК МГУ).

Основные результаты работы изложены в 7-и научных публикациях /16/, /84/, /83/, /82/,/81/, /5/, /б/. Системы, в которые внедрены разработанные методы, защищены российскими и международным патентами.

Структура работы

Диссертации состоит из четырех глав и введения.

Первая глава посвящена задаче обнаружения и локализации лица па изображении и в видеоиотоке. В ней производится краткий обзор существующих алгоритмов обнаружения лица и описываются предлагаемые автором алгоритмы решения этой задачи.

Вторая глава посвящена описанию разработанных алгоритмов автоматического распознавания антропометрических точек лица иа фронтальных изображениях для построении трехмерной модели головы человека по набору фотографий.

В третьей главе описываются построение системы, реализующей управление передвижением курсора и срабатывания кнопки "мыи1и"ири помощи движений головы и мимики пользователя, регистрируемых видеокамерой.

Четвертая глава описывает алгоритмы распознавания и отслеживания перемещении антропометрических точек лица в видеопотоке низкого разрешения (порядка 320x240 пикселей).

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Вежневец, Владимир Петрович

Основные результаты работы состоят в следующем:

1. Предложены новые алгоритмы выделения лица человека па изображении, работающие в реальном времени и удовлетворяющие следующим ограничениям: работа с изображениями низкого разрешения (порядка 320x240 пикселей) и высокого уровня шума, характерного для бытовых видеокамер.

2. Разработан алгоритм автоматического выделения антропометрических точек лица па фронтальной фотографии среднего разрешения порядка 640x480 пикселей) для построения фотореалистичных моделей виртуальной реальности.

3. Разработан алгоритм управления курсором "мыши" с помощью движений головы и мимики пользователя.

4. Разработан алгоритм для автоматического определения положения антропометрических точек лица в видеопотоке низкого разрешения в реальном времени.

125

4.3. Заключение

Реализация описанных методов успешно функционирует на видеопотоке разрешением 320x240 пикселей, получаемом с web-камеры. Скорость работы системы порядка 5 fps па Pentium III GOO. Следует отметить, что оптимизация программной реализации алгоритмов не проводилась, так что по прежнему остается возможность дальнейшего ускорения работы.

Список литературы диссертационного исследования кандидат физико-математических наук Вежневец, Владимир Петрович, 2004 год

1. Вапник В.Н ., Червопенкис А. Я . Теория распознавания образов. Стохастические проблемы обучения. — М.: Наука, 1974.

2. Дуд а Р ., Хартп П . Распознавание образов и анализ сцеп. — М.: Мир, 1976.

3. Хори Б. К. П . Зрение роботов. — М.: Мир, 1989.

4. Рабииср JI. Р . Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор // Труды ИИЭР. — Февраль 1989. Т. 77, № 2.

5. Вежневец В. П . Локализация человеческого лица на цветном растровом изображении // Труды конференции «Математические методы распознавания образов» (ММРО-Ю). — 2001.

6. G. Веэюнсвсц В. П . Использование контурных моделей для выделения черт лица на фронтальном изображении // Труды конференции «Математические методы распознавания образов» (ММРО-Ю). — 2001.

7. Самаль Д. И ., Стгшровойтпов В. В. Обнаружение антропометрических точек лица с помощью фильтров Габора // Сб. науч. тр. «Цифровая обработка изобраэ/ссиий». — 2001.— С. 141-150.

8. Ноги ., Моулср К., Кахаиср Д . Численные метод!л и программное обеспечение. — М.: Мир, 2001.

9. Иберла К . Факторный анализ. — М.: Статистика, 1980.

10. Прэтт У . Цифровая обработка изображений. — М.: Мир, 1982.

11. Гайдышеа И . Анализ и Обработка Данных: специальный справочник. СПб: Питер, 2001.

12. Active face and feature tracking / L. Jordao, M. Perrone, .J. Costeira, Л. Santos-Victor // Proceedings of the 10th International Conference on Image Analysis and Processing. — 1999. — Pp. 572-577.

13. Active face and feature tracking / L. .Jordao, M. Perrone, Л. Costeira, Л. Santos-Victor // Proc. International Conference on Image Analysis and Processing. — September 1999. — Pp. 572-576.

14. Albiol A., Torres L., Delp E. J. Optimum color spaces for skin detection // Proceedings of the International Conference on Image Processing. — Vol. 1.- Tessaloniki, Greece: 2001.- Pp. 122-124.

15. Automatic extraction of frontal facial features for 3-d face modeling / V. Vezhnevets, S. Soldatov, A. Degtiareva, I.-K. Park // Proc. Sixth Asian Conference on Computer Vision. — 2004.

16. Bala L.-P., Talmi K., Liu J. Automatic detection and tracking of faces andfacial features in video sequences // Proc. of Picture Coding Symposium, Berlin. 1997.

17. Baskan S., Bulut M. A/., Atalay V. Projection based method for segmentation of human face and its evaluation // Pattern Recognition Letters.- 2002.- Vol. 23, no. 14.- Pp. 1623-1629.citeseer.nj.nec.com/hsu02face.html.

18. Biichfield S. Elliptical head tracking using intensity gradients and colorhistograms // Proceedings of CVPR '98. 1998. - Pp. 232-237.i

19. Brand J., Mason J. A comparative assessment of three approaches to pixellevel human skin-detection // Proc. of the International Conference on Pattern Recognition. Vol. 1.- 2000.- Pp. 1056-1059.

20. Bwi M., Perona P. Recognition of planar object classes // In Proc. CVPR . 1996. — 1996. citcsocr.iij.noc.com/bnrl'JGrccogiiitioii.htnil.

21. Chen Q., Wu //., Yachida M. Face detection by fuzzy pattern matching // Proc. of the Fifth International Conference on Computer Vision. — 1995. — Pp. 591-597.

22. Craw I., Ellis H., I Ashman J. Automatic extraction of face features // Pattern Recognition Letters. 1987. - Vol. 5. - Pp. 183-187.

23. Duda R., Hart P. Use of the hough transform to detect lines and curves in pictures // Communication of the Association of Computer Machinery. — 1972.- Vol. 15, no. 1.- Pp. 11-15.

24. The dyiiasighttlll sensor, http://orin.com/3cltrack/dyst.htm.

25. Edwards G., Taylor C., Cootes T. Interpreting face images using active appearance models // Proc. of the 3rd Int. Conf. on Automatic Face and Gesture Recognition, Nara, Japan. — 1998. — Pp. 300-305.

26. Eye typing using markov and active appearance models / D. W. Hansen, J. P. Hansen, M. Nielsen et al. // IEEE Workshop on Applications of Computer Vision WACV. - 2002. - dec. - Pp. 132-136.http://\vww.imm.dtu.dk/pubdb/p.php?1221.

27. LC Technologies. — The Eyegaze Communication System, 1997.

28. Dairell Т., Tollmar K., Dcntley F. et al. Face-responsive interfaces: from direct manipulation to perceptive presence. — 2002.

29. Feng G. C., Yuen P. C. Multi-cues eye detection on gray intensity image // Pattern Recognition. — 2001. — Vol. 34, no. 5. Pp. 1033-1046.

30. Feng G. C., Yuen P. C. Multi-cues eye detection on gray intensity image // Pattern Recognition. May 2001. - Vol. 34, no. 5. - Pp. 1033-1046.

31. Fitzgibbon A. W., Pilu M., Fisher R. B. Direct least square fitting of ellipses // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1999.- Vol. 21, no. 5.- Pp. 476-480.

32. Fleck Л/., Forsyth D. A., Drcglcr C. Finding nacked people // Proc. of the ECCV. Vol. 2. - 2002. - Pp. 592-602.

33. Govindaraju V. Locating human faces in newspaper photographs // Int'l J. Computer Vision. 1996.- Vol. 519, no. 2.- Pp. 129-146.

34. Headmouse head-controlled computer access.http://orin.com/acccss/hme/index.htin.

35. Hjelmas E., Low B. Face detection: A survey // Journal of Computer Vision and Image Understanding. — 2001. — Vol. 83. — Pp. 236-274.

36. Hoogenboom R., Lew M. Face detection using local maxima // Proceedings of Second International Conference on Automatic Face and Gesture Recognition. 1996. - Pp. 334-339.

37. Hsu R.-L., Abdel-Alottaleb M., Jain A. K. Face detection in color images // IEEE Trans. Pattern Analysis and Machine Intelligence. — 2002. — Vol. 24, ПО. 5. — Pp. 696-706. citesccr.nj.nec.corn/hsu02face.htinl.

38. An introduction to kernel-based learning algorithms / K.-R. Muller, S. Mika, G. Ratscli et al. // Transactions on Neural Networks.— 2001. — Vol. 12, no. 2.- Pp. 181-201.

39. Juell P., Marsh R. A hierarchical neural network for human face detection // Pattern Recog. 1996. - Vol. 29. - Pp. 781 787.

40. Kampmann M. Estimation of the chin and cheek contours for precise face model adaptation // Proc. International Conference on Image Processing. Vol. 3. - October 1997. - Pp. 300-303.

41. Kampmann M., Zhang L. Estimation of eye, eyebrow and nose features in videophone sequences // International Workshop on Very Low Bitrate Video Coding (VLBV 98), Urbana, USA. 1998.- Pp. 101-104.

42. Kampmann M., Zhang L. Estimation of eye, eyebrows and nose features in videophone sequences // Proc. International Workshop on Very Low Bitrate Video Coding. October 1998.- Pp. 101-104.

43. Kanade T. Picture processing system by computer complex and recognition of human faces // doctoral dissertation, Kyoto University.— 1973.— November.— Available as TIFF images at http://xiotech.ulib.org/cgi-bin/ulib/display?l 1014.12072.

44. Kass M., Within A.; Tcrzopoulos D. Snakes: Active contour models // Int. Journal of Computer Vision. — 1987. — Vol. 4, no. 1.

45. Kotropoulos C., Pitas I. Rule-based face detection in frontal views // Proc. Int'l Conf. Acoustics, Speech and Signal Processing. — Vol. 4.— 1997.— Pp. 2537-2540.

46. Kruppa HBauer M. A., Schiele B. Skin patch detection in real-world images // Annual Symposium for Pattern Recognition of the DAGM 2002, Springer LNCS 2449. 2002. - Pp. 109-117.

47. Lam K.-M., Yan H. Locating and extracting the covered eye in human face images // Pattern Recognition1996.— Vol. 29, no. 5.— Pp. 771-779.

48. Lee J. Y., Yoo S. I. An elliptical boundary model for skin color detection // Proc. of the 2002 International Conference on Imaging Science, Systems, and Technology. — 2002.

49. Lin С., Lin W. Extracting facial features by an inhibitory meclmnism-based 011 gradient distributions // PR. — 199G. — December. — Vol. 29, no. 12. — Pp. 2079-2101.

50. Lin S.-H., Kung S.-Y., Lin L.-J. Face recognition/detection by probabilistic decision-based neural network // IEEE Trans. Neural Networks. 1997. - Vol. 8. - Pp. 114-132.

51. Low В. K., Ibrahim M. K. A fast and accurate algorithm for facial feature segmentation // Proc. of the ICIP '97: IEEE International Conference on Image Processing. — 1997.

52. M. Stoning H. Andersen E. G. Skin colour detection under changing lighting condition // Araujo and Л. Dias (ed.) 7th Symposium on Intelligent Robotics Systems. 1999. - Pp. 187-195.

53. Menser В., Wien M. Segmentation and tracking of facial regions in color image sequences // Proc. SPIE Visual Communications and Image Processing 2000.- 2000. Pp. 731-740.

54. Moghaddarn В., Pentland A. Probabilistic visual learning for object representation // Early Visual Learning, Oxford University Press, 199G / Ed. by S. Nayar, T. Poggio. Oxford University Press, 199G. - Pp. 99-130.

55. Poynton C. A. Frequently asked questions about colour // ftp://\v\v\v.inforainp.net/pub/iiscrs/poyntoii/doc/coloiir/ColorFAQ.ps.gz. — 1995.

56. GO. Quick glance 2 eye gaze tracker for computer access compatible with microsoft windows 98/xp. http://www.eyetechds.coin/horncpagc.html.

57. Gl. Radcva P., Marti E. Facial features segmentation by model-based snakes // International Conference on Computing Analysis and Image Processing, Prague. 1995.

58. Reisfeld D., Ycshurun Y. Robust detection of facial features by generalized symmetry // ICPR92. 1992. - Pp. 1:117-120.

59. Roth D. The snow learning architecture: Tech. Rep. UIUCDCS-R-99-2102: UIUC Computer Science Department, 1999.

60. Roth D., Yang M., Ahuja N. A snow-based face detector // Advances in Neural Information Processing Systems 12 (NIPS 12). MIT Press, 2000.

61. Rowley //. A., Baluja S., Kanade T. Neural network-based face detection //

62. EE Trans. Pattern Anal. Mach. Intell.- January 1998.- Vol. 20.-Pp. 23-38.

63. Sakai Т., Nagao M., Fujibayashi S. Line extraction and pattern detection in a photograph // Pattern Recognition. — 19G9. — Vol. 1.— Pp. 233-248.

64. G8. Schumcyer II., Burner K. A color-based classifier for region identification in video // Visual Communications and Image Processing 1998, SPIE. — Vol. 3309. 1998. - Pp. 189-200.

65. G9. Shin M. C., Chang К. I., Tsap L. V. Does colorspace transformation make any difference on skin detection? // IEEE Workshop on Applications of Computer Vision. — 2002.

66. Silva L. C. D., Aizawa K., Hatori M. Detection and tracking of facial features by using a facial feature model and deformable circular template // IEICE Duns. Inform. Systems E78-D(0).~ 1995.- Pp. 1195-1207.

67. Skurbek W., Koschan A. Colour image segmentation a survey -: Tech. rep.: Institute for Technical Informatics, Technical University of Berlin, 1994. October, citcsccr.nj.nec.com/articlc/skarbck94colour.html.

68. Srneraldi F., Саппопа O., Bigun J. Saccadic search with gabor features applied to eye detection and real-time head tracking // Image and Vision Computing. 2000. - Vol. 18. - Pp. 323-329.

69. Smith P., Shah M., da Vitoria Lobo N. Monitoring head/eye motion for driver alertness with one camera.

70. Sobottku K., Pitus I. A novel method for automatic face segmentation,facial feature extraction and tracking // Signal Processing: Image Communication. June 1998. - Vol. 12, no. 3. — Pp. 263-281.

71. Sobottka K., Pitas I. A novel method for automatic face segmentation, facial feature extraction and tracking // Signal Processing: Image Communication. June 1998. - Vol. 12, no. 3.- Pp. 263-281.

72. Spors S., Rabenstcin R. A real-time facetracker for color video // IEEE International Conference on Acoustics, Speech, and Signal Processing. — 2001.

73. Sung K.-K., Poggio T. Example-based learning for view- based human face detection // IEEE Dans. Pattern Analysis and Machine Intelligence.— 1998.- Vol. 20, no. 1.- Pp. 39-51.

74. Tian Y., Kanade Т., Cohn J. Dual-state parametric eye tracking // Proceedings of the 4th IEEE International Conference on Automatic Face and Gesture Recognition (FGT00). 2000. - Pp. 110-115.

75. Toyama K. Look, ma no hands!' handsfree cursor control with realtime 3d face tracking // Proc. Workshop on Perceptual User Interfaces. — November 1998. - Pp. 49-54.

76. Track ir and smartnav hands free mice, http://www.naturalpoint.com/.

77. Vezhncvcts V. Face and facial feature tracking for natural human-computer interface // Труды конференции ГрафиКон'2002. — 2002.

78. Vezhnevets V. Method for localization of human faces in color-based face detectors and trackers // Труды конференции Digital Information Processing And Control In Extreme Situations'2002. — 2002.

79. Vczhncvets V., Degliarcva A. Robust and accurate eye contour extraction // Труды конференции ГрафиКоп'2003. — 2003.

80. Vczhncvets V., Sazonov V., Andrecva A. A survey on pixel-based skin color detection techniques // Труды конференции ГрафиКон'2003. —"2003.

81. Yang M.-H., Ahuja N. Detecting human faces in color images // Proc. of the ICIP 98: IEEE International Conference on Image Processing. — Vol. 1.- 1998. Pp. 127-130.

82. Yang M.-H., Ahuja N.} Kriegman D. Face detection using multimodal density models // Computer Vision and Image Understanding (CVIU). — 2001. Vol. 84, no. 2. - Pp. 264 -284.

83. Yang M. H., Kriegman D. J., Ahuja N. Detecting faces in images: A survey // IEEE Trans. Pattern Analysis and Machine Intelligence. — January 2002.- Vol. 24, no. 1.- Pp. 34-58.

84. Yilmaz A., Shah M. Automatic feature detection and pose recovery for faces // Proc. Fifth Asian Conference on Computer Vision.— January 2002. Pp. 284-289.

85. Yin L., Basu A. Realistic animation using extended adaptive mesh for model based coding // Proceedings of Energy Minimization methods in Computer Vision and Pattern Recognition. — 1999.— Pp. 2G9-284.

86. Yin L., Basu A. Nose shape estimation and tracking for model-based coding // Proc. IEEE International Conference on Acoust ics, Speech, Signal Processing. May 2001. - Pp. 1477-1480.

87. Yuille A., Hallinan P., Cohen D. Feature extraction from faces using deformable templates // International Journal of ComputerVision. — 1992. Vol. 8, no. 2. - Pp. 99-111.

88. Zarit B. D., Super B. J., Quek F. К. H. Comparison of five color models in skin pixel classification // ICCV'99 Int'l Workshop on recognition, analysis and tracking of faces and gestures in Real-Time systems. — 1999. — Pp. 5863.

89. Zhai S. What's in the eyes for attentive input // Cornmun. ACM. — 2003. — Vol. 46, no. 3. Pp. 34-39.

90. Zhai S., Morirnoto C., Ihde S. Manual and gaze input cascaded (magic) pointing // Proceedings of the SIGCHI conference on Human factors in computing systems. ACM Press, 1999. - Pp. 246-253.

91. Zhu X., Fan J., Elmagaimid A. Towards facial feature extraction andverification for onmi-face // Proc. IEEE International Conference on Iin Processing. Vol. 2. - September 2002.- Pp. 113-116.