Алгоритмы обнаружения лица человека для решения прикладных задач анализа и обработки изображений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Кудряшов, Павел Павлович

• Кудряшов, Павел Павлович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Кудряшов, Павел Павлович

Аннотация.

Введение.б

1. Анализ проблемы обнаружения лица человека на цифровых изображениях.

1.1. Постановка задачи обнаружения лица человека.

1.2. Методы эмпирического распознавания.

1.2.1. Общее описание методов эмпирического распознавания.

1.2.2. Методы, основанные на шаблонах.

1.2.3. Методы, основанные на признаках.

1.2.4. Методы с использованием контурных моделей.

1.2.5. Методы с использованием цветовой сегментации.

1.3. Методы моделирования изображения лица.

1.3.1. Общее описание методов моделирования изображения лица.

1.3.2. Байесовские сети.

1.3.3. Машины опорных векторов.

1.3.4. Нейронные сети.

1.3.5. Сети SNoW.

1.3.6. Классификатор Viola-Jones.

1.4. Основные характеристики алгоритмов распознавания.

1.5. Анализ существующих методов обнаружения лица человека.

1.6. Цель и задачи исследования.

2. Алгоритмы обнаружения лица человека

2.1. Ограничения, накладываемые на понятие "изображение лица человека". 41'

2.2. Этап обучения классификатора.

2.2.1. Расширенный набор типов признаков.

2.2.2. Матрица объекта.

2.3. Этап обнаружения лица человека.

2.3.1. Использование механизма поворотов для подтверждения обнаружения.

2.3.2. Использование адаптивного шага масштабирования окна поиска.

2.4. Определение размеров и положения лица человека.

2.4.1. Определение областей цвета "кожи".

2.4.2. Сегментация с использование обрамляющих эллипсов.

2.4.3. Определение угла наклона лица человека.

2.5. Гибридный алгоритм обнаружения лица человека.

2.6. Выводы по второй главе.

3. Разработка программного модуля быстрого обнаружения лица человека.

3.1. Общая характеристика модуля.

3.1.1. Основные требования.

3.1.2. Использование сторонних библиотек.

3.1.3. Программная реализация.

3.2. Архитектура программного модуля.

3.2.1. Подсистема предварительного определения положения и размеров лица

3.2.2. Подсистема обнаружения лица.

3.2.3. Подсистема подтверждения обнаружения лица.

3.3. Результаты функционирования модуля при решении тестовых задач.

3.4. Области применения модуля.

3.5. Границы применимости модуля.

3.6. Система распознавания лиц человека на цифровых изображениях "Rapid face detection".

3.7. Выводы по третьей главе.

4. Глава 4. Применение модуля быстрого обнаружения лица человека для решения прикладных задач.

4.1. Прототип системы контент-ориентированного сжатия изображений.

4.1.1. Описание системы.}.

4.1.2. Результаты работы.

4.2. Система автоматической коррекции красных глаз "Red Eye Remove".

4.2.1. Эффект "красных глаз".

4.2.2. Задача коррекции эффекта "красных глаз".

4.2.3. Общая характеристика системы.

4.2.4. Архитектура системы.

4.2.5. Программная реализация системы.

4.2.6. Анализ результатов работы автоматической системы коррекции красных глаз

4.2.7. Области применения системы автоматической коррекции красных глаз.

4.3. Выводы по четвертой главе.

Основные результаты диссертационной работы.

Список сокращений и условных обозначений.

Введение диссертации (часть автореферата) на тему «Алгоритмы обнаружения лица человека для решения прикладных задач анализа и обработки изображений»

Актуальность темы диссертации. В настоящее время в связи со стремительным развитием цифровой фотографии и цифрового видео перспективной является задача распознавания образов на цифровых изображениях.

Последние десять лет в области распознавания образов ведутся активные разработки и предложены различные методы распознавания, использующие такие подходы, как метод главных компонент, методы с использованием гистограмм, нейросети, байесовские сети, алгоритм Viola-Jones, статистические методы и т. д (Rowley, Shneiderman, Viola, Kanade, Schapire). Часть этих алгоритмов распознавания инвариантны по отношению к объекту, другие используют такие априорные знания об объекте, как: форма, цветовая гамма, взаимное расположение частей и др.

Несмотря на то, что в реальном мире существует огромное количество различных объектов, значительный интерес представляет разработка алгоритмов обнаружения более узкого класса объектов - лиц человека. Конкретными практическими применениями алгоритмов распознавания лиц могут быть: системы автоматического учета числа посетителей; системы пропускного контроля в учреждениях, аэропортах и метро; автоматические системы предотвращения несчастных случаев; интеллектуальные интерфейсы "человек-компьютер" и др.

Задача обнаружения лица человека является сложной ввиду нескольких основных причин: высокая вариативность лиц человека, обусловленная анатомическими и фенотипическими особенностями индивидов; различные условия освещенности, определяющиеся типом, количеством и направлением источников света; необходимость обнаружения лиц, находящихся в произвольных положениях и наклонах.

Существующие потребности в создании подобных систем накладывают жесткие ограничения на скорость работы алгоритмов, которые должны 6 работать в режиме близком к реальному времени. Однако даже наиболее быстрые из существующих подходов (Viola 2001, Lienhart 2002, Shneiderman 2004) позволяют обнаруживать лица в реальном времени лишь при вертикальном положении лица и непригодны для обнаружения лиц, повернутых в плоскости изображения под произвольным углом.

Для успешного функционирования системы обнаружения лиц обеспечение высокой скорости работы должно также сочетаться с малым количеством ложных обнаружений. В существующих системах при увеличении процента обнаружений свыше 90% наблюдается экспоненциальный рост числа ложных обнаружений, что затрудняет использование этих систем в случаях, когда требуется процент обнаружения близкий к 100%.

Таким образом, учитывая, что наиболее важными характеристиками систем обнаружения являются скорость и процент обнаружения, актуальной является задача разработки и внедрения новых, более быстрых и точных алгоритмов, способных обнаруживать лицо человека, наклоненное под произвольным углом в плоскости изображения.

Цель работы и задачи исследования. Целью диссертационной работы является повышение эффективности обнаружения лица человека на цифровых изображениях за счет разработки и применения новых и модифицированных алгоритмов. Под повышением эффективности понимается улучшение следующих характеристик: повышение процента обнаружения лиц человека, снижение процента ложных обнаружений, снижение времени обучения классификатора и времени обработки изображения по отношению к результатам существующих алгоритмов.

Для достижения данной цели были поставлены и решены следующие задачи:

• описать особенности и способы решения задачи обнаружения лица человека, провести обзор подходов и алгоритмов обнаружения, выявить их ограничения;

• разработать новые и модифицировать существующие алгоритмы для решения задачи обнаружения лица человека;

• реализовать предложенные алгоритмы в программном модуле обнаружения лица человека;

• провести проверку работоспособности и эффективности модуля при решении тестовых и практических задач;

• разработать и внедрить программный комплекс автоматической коррекции красных глаз.

Объект исследования. Процесс обнаружения лица человека на цифровых изображениях с использованием вычислительной машины.

Предмет исследования. Алгоритмы анализа цифровых изображений и обнаружения лица человека.

Методы исследования. В диссертации использованы методы системного анализа, распознавания образов, компьютерного зрения, математической статистики, параллельного программирования, объектно-ориентированного проектирования систем.

Научная новизна работы состоит в следующем:

• предложена модификация существующего алгоритма Viola-Jones с использованием нового типа признаков треугольной формы и матрицы объекта. Использование треугольных признаков позволяет добиться более точной аппроксимации наклонных черт лица. Использование матрицы объекта позволяет повысить скорость обучения при одновременном снижении объема базы обучающих примеров. Использование треугольных признаков и матрицы объекта инвариантно к объекту распознавания (может использоваться при обнаружении любых других объектов);

• предложен новый алгоритм прогнозирования положения и размеров лица человека с использованием цветовой информации, позволяющий значительно сократить время на обнаружение лица, наклоненного на произвольный угол в плоскости изображения;

• предложен новый алгоритм подтверждения обнаружения лица с использованием механизма поворотов, позволяющий существенно снизить процент ложных обнаружений. Использование алгоритма подтверждения инвариантно к объекту распознавания;

• предложен гибридный алгоритм обнаружения лица человека. основанный на алгоритме Viola-Jones, алгоритме прогнозирования положения и размеров лица человека и алгоритме подтверждения обнаружения лица с использованием механизма поворотов.

Обоснованность и достоверность результатов, приведенных в диссертационной работе, обеспечиваются использованием зарекомендовавших себя методов системного анализа, компьютерного зрения и распознавания образов, подтверждаются результатами работы разработанного модуля быстрого обнаружения лиц на тестовой базе изображений, а также результатами его работы при решении практической задачи обнаружения лица человека в системе автоматической коррекции красных глаз "Red Eye Remove".

Практическая значимость и внедрение.

• разработан модуль быстрого обнаружения человеческих лиц, позволяющий обнаруживать лица человека на цветных цифровых изображениях при произвольном угле наклона лица в плоскости изображения и отличающийся более высокой точностью и скоростью обнаружения по сравнению с существующими аналогами;

• разработана система полностью автоматической коррекции красных глаз, позволяющая корректировать цифровые изображения без участия человека. Система может быть использована для коррекции цифровых фотографий рядовых пользователей, в фотосалонах, фотоаппаратах, в составе цифровых комплексов высокопроизводительной печати фотолабораторий и в автоматических киосках фотопечати.

Система автоматической коррекции красных глаз "Red Eye Remove" внедрена фотосалоне "DeaLux" в г. Волгограде. С использованием системы откорректировано свыше 5000 фотографий клиентов сети. Система 9 автоматической коррекции красных глаз "Red Eye Remove" и система обнаружения лица человека "Rapid face detection" зарегистрированы в отраслевом фонде алгоритмов и программ ФГНУ "Государственный координационный центр информационных технологий" Федерального агентства по образованию РФ.

Положения, выносимые на защиту:

• модифицированный алгоритм Viola-Jones с использованием признаков треугольной формы и матрицы объекта;

• алгоритм прогнозирования положения и размеров лица человека на основе цветовой информации;

• алгоритм подтверждения обнаружения с использованием механизма поворотов;

• гибридный алгоритм обнаружения лица человека;

• модуль быстрого обнаружения лиц человека;

• автоматическая система коррекции красных глаз человека.

Апробация результатов работы. Основные положения диссертации докладывались и обсуждались на научных семинарах кафедры "САПР и ПК" ВолгГТУ, а также на Международных и Всероссийских научных и научно-практических конференциях: "Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT + SE)" (Гурзуф, Украина, 2007), "Интеллектуальные системы (AIS). Интеллектуальные САПР (CAD)" (Дивноморское, 2007), "Технологии Microsoft в теории и практике программирования" (Москва, 2007), "Новые информационные технологии" (Судак, 2007), "Информационные технологии в образовании, технике и медицине" (Волгоград, 2006), Региональная конференция молодых исследователей Волгоградской обл. (Волгоград, 2006).

Публикации. Основные положения диссертации отражены в 25 опубликованных работах. В том числе 4 статьи напечатаны в рецензируемых научных журналах центральной печати, из которых 3 статьи опубликованы в журналах, рекомендованных ВАК для публикации основных результатов Ш диссертационных работ. В список опубликованных работ также входят два свидетельства об официальной регистрации программ для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, приложений, списка литературы. Общий объем диссертации - 121 страница, включая 43 рисунка, 11 таблиц, список литературы из 155 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Кудряшов, Павел Павлович

Основные результаты диссертационной работы

Основными результатами диссертационной работы являются:

• проведен сравнительный анализ подходов к решению задачи обнаружения лица человека. В качестве наиболее перспективного выбран подход с использованием алгоритма Viola-Jones;

• предложен модифицированный алгоритм Viola-Jones, использующий новый тип треугольных признаков и матрицу объекта. Треугольные признаки и матрица объекта могут быть использованы инвариантно к объекту распознавания;

• предложен гибридный алгоритм обнаружения лица человека, основанный на алгоритмах: Viola-Jones, прогнозирования положения и размеров лица человека с использованием цветовой информации и подтверждения обнаружения лица с использованием механизма поворотов. Алгоритм подтверждения обнаружения инвариантен к объекту распознавания;

• предложенные алгоритмы реализованы в виде модуля быстрого обнаружения человеческих лиц. Результаты тестирования модуля на тестовых базах показали на 40% более низкий уровень ложных обнаружений и до 10 раз большую скорость работы при обнаружении лиц в произвольных положениях;

• разработанный модуль обнаружения человеческих лиц использован в составе автоматической системы коррекции засвеченных глаз человека Red Eye Remove;

• результаты тестирования системы Red Eye Remove показали превосходство системы в точности обнаружения над системами компаний HP (на 5%) и FotoNation (на 15%) на тестовом наборе из 200 фотографий.

Список сокращений и условных обозначений

1. TP - верные обнаружения (true positives). Число объектов, присутствующих на изображении и обнаруженных алгоритмом.

2. FP - ложные обнаружения (false positives). Число объектов, обнаруженных алгоритмом, при их отсутствии на изображении.

3. FN - ложные пропуски (false negatives). Число объектов, присутствующих на изображении и не обнаруженных алгоритмом.

4. Precision - точность. Отношение числа истинных обнаружений к сумме чисел истинных и ложных обнаружений.

5. Recall - отклик. Отношение числа истинных обнаружений к сумме чисел истинных обнаружений и ложных пропусков.

6. ROC кривая - кривая receiver operator characteristic. Кривая выражает соотношение уровня верных и ложных обнаружений.

Список литературы диссертационного исследования кандидат технических наук Кудряшов, Павел Павлович, 2007 год

1. Albiol A., Torres L., Delp Е. J. Optimum color spaces for skin detection. Электронный ресурс. [2001]. - Режим доступа: http://ieeexplore.ieee.org/iel5/7594/20726/0Q958968.pdf

2. Amit Y., Geman D. A computational model for visual selection. Neural Computation, 11, p. 1691-1715,1999.

3. Anil K., Rein-Lien Hsu J., Abdel-Mottaleb M. Face detection in color images. PAMI, p. 696-706, January 2002.

4. Bar-Shalom Y., Fortmann T. Tracking and Data Association. Academic Press, 1988.

5. Bartlett M.S., Lades H.M., Sejnowski T.J. Independent component representations for face recognition. Proceedings of the SPIE Conference on Human Vision and Electronic Imaging III, vol. 3, p. 299,1998.

6. Belhumeur P.N., Hespanha J.P., Kriegman D.J. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, vol. 19, p. 711-720,1997.

7. Betke M., Mullally W., Magee J.J. Active detection of eye scleras in real time. Электронный ресурс. [2001]. - Режим доступа: http://cs-people.bu.edu/mullally/papers/betke-mullallv-magee.ps

8. BioID face database. Электронный ресурс. - Режим доступа: http://www. humanscan. de/support/do wnl oads/facedb.php

9. Bors A.G., Pitas I. Optical Flow Estimation and Moving Object Segmentation Based on Median Radial Basis Function Network. Электронный ресурс. -Режим доступа: http://cRm.graphicon.ru/

10. Bradski G.R. Computer vision face tracking as a component of a perceptual user interface. Workshop on Applications of Computer Vision, p. 214-219, Princeton, NJ, Oct. 1998.

11. Brunelli R. Estimation of pose and illumination direction for face processing. Image and Vision Computing 15, p. 741-748,1997.

12. Brunelli R., Poggio T. Face recognition: features versus templates. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 15. № 10. P. 235-241,1993.

13. Brunelli R., Poggio T. Template Matching: Matched spatial filters and beyond. Pattern Recognition 30(5), p. 751-768,1997.

14. Camus T.A., Wildes A. Reliable and fast eye finding in close-up images. Электронный ресурс. [2002]. - Режим доступа: http://doi.ieeecomputersocietv.org/10.1109/ICPR.20Q2.1044732

15. Canny J. A Computational Approach to Edge Detection, IEEE Trans, on Pattern Analysis and Machine Intelligence, 8(6), 1986.

16. Chen H., Belhumeour P., Jacobs D., In search of illumination invariants. In Proceedings of IEEE Computer Vision and Pattern Recognition, vol. 1, p. 254261, June 2000.

17. Cheng D., Pu Q., Cheng K., Burkhardt H. Possibilistic Hopfield Neural Network on CT Brain Hemorrhage Image Segmentation. Электронный ресурс. -Режим доступа: http://citeseer.ist.psu.edu/504323.html

18. Classification and Regression Trees. Электронный ресурс. [1999]. - Режим доступа: http://www.ifpri.org/themes/mp 18/techguid/t g03.pdf

19. CMU PIE database. Электронный ресурс. - Режим доступа: http://www.ri.cmu.edu/proiects/proiect 418 text.html

20. Collobert R., Bengio S. SVMTorch: Support Vector Machines for Large-Scale Regression Problems. Journal of Machine Learning Research, 1, p. 143-160, 2001.

21. Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press, Cambridge, 2000.

22. CVL face database. Электронный ресурс. - Режим доступа: http://www.lrv.fri.uni-li.si/facedb.html

23. Dai Y., Nakano Y. Recognition of facial images with low resolution using a Hopfield memory model. Pattern Recognition 1998, vol. 31, p. 159-167,1998.

24. DeMenthon Y. Qi. D., Doermann D. Hybrid Independent Component Analysis and Support Vector Machine Learning Scheme for Face Detection. International Conference on Acoustics, Speech and Signal Processing, Salt Lake City, Utah, May 2001.

25. Donato G., Bartlett M.S., Hager J.C., Ekman P., Sejnowski T.J. Classifying Facial Actions. IEEE Trans. Pattern Analysis and Machine Intelligence 21(10), p. 974-989,1999.

26. Downs Т., Gates K.E., Masters A. Exact Simplification of Support Vector Solutions. Journal of Machine Learning Research, 2,2001

27. Eickeler S., Muller S., Rigoll G. Recognition of JPEG Compressed Face Images Based on Statistical Methods. Gerhard-Mercator-University Duisburg, Germany, 1999.

28. Equinox HID database. Электронный ресурс. - Режим доступа: http://www.equinoxsensors.com/products/HID.html

29. Esme В., Sankur В., Anarim Е. Facial feature extraction using genetic algorithms. 8-th European Signal Processing Conference, Trieste, P. 1511-1514, 1996.

30. Evgeniou Т., Pontil M., Poggio T. Regularization Networks and Support Vector Machines. Advances in Computational Mathematics, 13(1), p. 1-50,2000.

31. Fasel I., Fortenberry В., Movellan J. A generative framework for real time object detection and classification, Computer Vision and Image Understanding, № 1, p. 182-210,2005.

32. Feraud R., Bernier 0. J., Viallet J. ШЕЕ Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 1, p. 42-53, Jan. 2001.

33. Feris R.S., Gemmell J., Toyama K., Kruger V. Hierarchical wavelet networks for facial feature localization, IEEE International Conference on Automatic Face and Gesture Recognition, p. 118-123,2002.

34. FG-NET aging database. Электронный ресурс. - Режим доступа: http://sting.cvcollege.ac.cv/~alanitis/fgnetaging/index.htm

35. Fleuret F., Geman D. Coarse-to-fine face detection. Int. J. Computer Vision, 41, p. 85-107,2001.

36. Ford A., Roberts A. Colour Space Conversions. Электронный ресурс. -Режим доступа: http://www.povnton. com/PDFs/col oureq. pdf

37. Freund Y., Schapire R. A short introduction to boosting. J. of Japanese Society for AI, p. 771-780,1999.

38. Freund Y., Schapire R. E. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), p. 119-139, August 1997.

39. Freund Y., Schapire R. E. A decision-theoretic generalization of on-line learning and an application to boosting. In Computational Learning Theory: Eurocolt 95, Springer-Verlag, p. 23-37,1995.

40. Garcia C., Delakis M., A neural architecture for fast and robust face detection. Proc. IEEE International Conference on Pattern Recognition, p. 44-47, Quebec, Canada, Aug. 2002.

41. Gasparini F., Schettini R. Automatic redeye removal for smart enhancement of photos of unknown origin. Электронный ресурс. [2005]. - Режим доступа: http://www.ivl.disco.unimib.it/papers2003/VIS2005-gasparini.pdf

42. Gasparini F., Schettini R. Skin segmentation using multiple thresholding. Электронный ресурс. [2002]. - Режим доступа: http://www.ivl.disco.unimib.it/papers2003/EI06-EI109%20Skin-paper.pdf

43. Gaubatz М., Ulichney R. Automatic red-eye detection and correction. ICIP-2002.

44. Gomez G., Morales E. Automatic feature construction and a simple rule induction algorithm for skin detection. Proc. of the ICML Workshop on Machine Learning in Computer Vision, 31-38,2002.

45. Grudin M.A., Lisboa P.J., Harvey D.M. Compact multi-level representation of human faces for identification. Image Processing and its Applications. P. 111115,1997.

46. Hartman A., Lienhart R. Automatic classification of images on the web. -Электронный ресурс. [2002]. - Режим доступа: http://www.lienhart.de/Publications/publications.html

47. HaUinan P. L., Gordon G. G., YuiUe A. L., Giblin P., Mumford D. Two- and Three-Dimensional Patterns of the Face. Natick: A. K. Peters Ltd, p. 260,1999.

48. Hewitt R. Seeing with OpenCV: Finding faces in images. Электронный ресурс. Режим доступа: http://prism2.mem.drexel.edu/~paul/openCv/openCvPart02.pdf

49. Jain А.К., Duin R.P.W., Mao J. Statistical Pattern Recognition: A Review. IEEE Trans. Pattern Analysis and Machine Intelligence 22(1), p. 4-37,2000.

50. Jones M., Rehg J. M. Statistical color models with application to skin detection. In CVPR, p. 274-280, 1999.

51. Jones M., Viola P. Fast Multi-view Face Detection. Электронный ресурс. -[2003]. Режим доступа: http://www.merl.com/reports/docs/TR2003-96.pdf

52. Kalman R. E. A New Approach to Linear Filtering and Prediction Problems. Transactions of the ASME--Journal of Basic Engineering, vol. 82, p. 35-45, 1960.

53. Kapoor A., Picard R. Real-time, fully automatic upper facial feature tracking. Электронный ресурс. [2002]. - Режим доступа: http://ieeexpl0re.ieee.0rg/iel5/7862/21655/01004123.pdf?arnumber=l 004123

54. Kolb В., Taylor L. Facial expression, emotion, and hemispheric organization R.D. Lane and L. Nadel Eds. Cognitive Neuroscience of Emotion, p. 62-83, Oxford University Press, 2000.

55. Kovac J., Peer P., Solina F. Human Skin Colour Clustering for Face Detection. Электронный ресурс. [2004]. - Режим доступа: http://www.princeton.edu/~aabdalla/ele579/Human%20Skin%20Colour%20Clu stering%20for%20Face%20Detection.pdf

56. Kruppa H., Schiele В. Using local context to improve face detection. -Электронный ресурс. Режим доступа: http://www.vision.ethz.ch/pccv/

57. Kruppa Н., Schiele В., Bauer, М. Finding skin in real-world images. DAGM, 2002.

58. Lanitis A., Taylor C.J., Cootes T.F. Automatic Interpretation and Coding of Face Images Using Flexible Models. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 19. P. 743-756,1997.

59. Learning-Based Computer Vision with Intel's Open Source Computer Vision Library. Электронный ресурс. - [2006]. - Режим доступа: http://www. intel. com/

60. Lee J. Y., Yoo S. I. An Elliptical Boundary Model for Skin Color Detection. Электронный ресурс. [2002]. - Режим доступа: http://ailab. snu. ас. kr/publ i cation/down/CIS ST02-169CT.pdf

61. Li S.Z. et al. Statistical learning of multi-view face detection. ECCV, 2002.

62. Lienhart R. Comparison of Automatic Shot Boundary Detection Algorithms. Электронный ресурс. [1999]. - Режим доступа: http://www.lienhart.de/spie99.pdf

63. Lienhart R., Kuranov A., Pisarevsky V. An extended set of Haar-like features for rapid object detection. Proc. IEEE International Conference on Image Processing, p. 900-903, Rochester, NY, Sep. 2002.

64. Lienhart R., Kuranov A., Pisarevsky V. Empirical analysis of detection cascades of boosted classifiers for rapid object detection. Электронный ресурс. -[2003]. Режим доступа: http://fsa.ia.ac.cn/files/MRL-TR-Mav02-revised-Dec02.pdf

65. Lienhart R., Liang L., Kuranov A. A detector tree of boosted classifiers for realtime object detection and tracking. Электронный ресурс. [2003]. - Режим доступа: http://www.lienhart.de/ICME2003.pdf

66. Lienhart R., Maydt J. An Extended Set of Haar-like Features for Rapid Object Detection. IEEE ICIP 2002, Vol. 1, p. 900-903, Sep. 2002.

67. Lin К. H., Lam K.M., Siu W.C. Locating the eye in human face images using fractal dimensions. Электронный ресурс. [2001]. - Режим доступа: http://www.en.polyu.edu.hk/~enkmlam/Papers/IEEl 201 .pdf

68. Lin S. H., Kung S. Y., Lin L. J. Face recognition/detection by probabilistic decision-based neural network. IEEE Transactions on Neural Networks, Special Issue on Artificial Neural Networks and Pattern Recognition, 8(1), January 1997.

69. Lin Y., Liu Т., Fuh C. Fast object detection with occlusions. Электронный ресурс. [2004]. - Режим доступа: http://www.iis.sinica.edu.tw/~liutvng/paper/eccv04.pdf

70. Luo Н., Yen J., Tretter D. An Efficient Automatic Redeye Detection and Correction Algorithm. Электронный ресурс. - [2003]. - Режим доступа: http://doi.ieeecomputersociety.Org/10.l 109/ICPR.2004.1334400

71. Martin J. Automotive Traffic Tracking through Pattern Recognition. Электронный ресурс. Режим доступа: http://www.ece.osu.edu/~martinj/Automotive Traffic Tracking.doc

72. Martinez A.M. Recognizing imprecisely localized, partially occluded, and expression variant faces from a single sample per class. PAMI, IEEE Transactions on 24, №. 6,748-763,2002.

73. Martinez A.M. Semantic access of frontal face images: the expression-invariant problem. Электронный ресурс. [2005]. - Режим доступа: http://ieeexplore.ieee.org/iel5/6885/18538/0085384Q.pdf

74. Martinez A.M., Zhang Y. Subset Modelling of Face Localization Error, Occlusion, and Expression. Электронный ресурс. [2004]. - Режим доступа: http://www.ece.osu.edu/~aleix/BookChapter05.pdf

75. Meyer F. Color image segmentation. Proceedings of the International Conference on Image Processing and its Applications, p. 303-306,2002.

76. Moghaddam В., Pentland A. Probabilistic visual learning for object detection. Fifth International Conference on Computer Vision, p. 786-793, Cambridge, Massachusetts, IEEE Computer Society Press, June 1995.

77. Motwani R.C., Motwani M.C., Harris F.C. Jr. Eye Detection using Wavelets and ANN. Электронный ресурс. [2003]. - Режим доступа: http://www.cse.unr.edu/~fredh/papers/conf/033-eduwaa/paper.pdf

78. Orazio Т., Leo М., Cicirelli G., Distante A. An algorithm for real time eye detection in face images, ICPR, 2004, pp. 278-281.

79. Osuna E., Freund R., Girosi F. Training Support Vector Machines. Conference on Computer Vision and Pattern Recognition, Puerto Rico, 1997.

80. Osuna E., Freund R., Girosi F. Training support vector machines: An application to face detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1997.

81. Pantic M., Rothkrantz L.J.M. Automatic analysis of facial expressions: the state of the art. IEEE Transactions on Pattern Analysis and Machine Intelligence 22(12), p. 1424-1445,2000.

82. Papageorgiou C., Oren M., Poggio T. A general framework for object detection. In International Conference on Computer Vision, 1998.

83. Papageorgiou C., Poggio Т., Mohan A. Example-Based Object Detection in Images by Components. IEEE Trans, on Pattern Analysis and Machine Intelligence, April 2001.

84. Perez F., Koch C. Toward color image segmentation in analog VLSI: Algorithm and Hardware. International Journal of Computer Vision, 12(1), p. 17-42,1994.

85. Phillips P. J., Flynn P. J., Scruggs Т., Bowyer K. W., Chang J., Hoffman K., Marques J., Min J., Worek W. Overview of the face recognition grand challenge. IEEE International Conference on Computer Vision and Pattern Recognition, 2005.

86. Phung S. L., Bouzerdoum A., Chai D., Kuczborski W. A color-based approach to automatic face detection. Proc. IEEE International Symposium on Signal Processing and Information Technology, Darmstadt, Germany, Dec. 2003.

87. Quinlan J. Induction of decision trees. Machine Learning, 1, p. 81-106,1986.

88. Ranganath S., Arun K. Face recognition using transform features and neural networks. Pattern Recognition 1997, vol. 30, p. 1615-1622,1997.

89. Rasmussen C., Hager G.D. Probabilistic Data Association Methods for Tracking Complex Visual Objects. IEEE Trans, on Pattern Analysis and Machine Intelligence, June 2001.

90. Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Cornell Aeronautical Laboratory, Psychological Review, 1958.

91. Roth D., Yang M., Ahuja N. A snowbased face detector. Neural Information Processing 12,2000.

92. Rowley H. A., Baluja S., Kanade Т., Neural network-based face detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 1, p. 2338, Jan. 1998.

93. Rowley H., Baluja S., Kanade T. Rotation Invariant Neural Network-Based Face Detection, IEEE Conf. Computer Vision and Pattern Recognition, pp. 38-44, 1998.

94. Schapire R. E., Freund Y., Bartlett P., Lee W.S. Boosting the margin: A new explanation for the effectiveness of voting methods. In Proceedings of the Fourteenth International Conference on Machine Learning, 1997.

95. Schettini R., Gasparini F., Corchs S. Pixel based skin colour classification exploiting explicit skin cluster definition methods. Электронный ресурс. -[2005]. Режим доступа: http://www.ivl.disco.unimib.it/papers2003/AIC2005-543 546.pdf

96. Schildkraut J., Gray R. A fully automatic redeye detection and correction algorithm. ICIP-2002.

97. Schneiderman H. Feature-Centric Evaluation for Efficient Cascaded Object Detection. Электронный ресурс. [2004]. - Режим доступа: http://d0i.ieeec0mputers0cietv.0rg/l 0.1109/CVPR.2004.109

98. Schneiderman H. Learning a restricted bayesian network for object detection. Электронный ресурс. [2004]. - Режим доступа: http://doi.ieeecomputersocietv.org/10.1109/С VPR.2004.141

99. Schneiderman Н., Kanade Т. A statistical method for 3d object detection applied to faces and cars. CVPR, June 2000.

100. Schneiderman H., Kanade T. Face and Automobile Detection using Statistical Modeling. Электронный ресурс. [2002]. - Режим доступа: http://www.cs.emu.edu/afs/cs.emu.edu/user/hws/www/face detection.html

101. Schneiderman H., Kanade T. Object Detection Using the Statistics of Parts. International Journal of Computer Vision, 2002.

102. Schneiderman H., Kanade T. Object Detection Using the Statistics of Parts. Электронный ресурс. [2004]. - Режим доступа: http://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/schneiderman-iicv-04.pdf

103. Sensor Network Projects: Detecting, Locating, and Tracking Human Faces. -Электронный ресурс. [2004]. - Режим доступа: www.ee.unimelb.edu.au/ISSNIP/proiects/facerec.html

104. Sharma P., Reilly R. A colour face image database for benchmarking of automatic face detection algorithms. Электронный ресурс. - [2003]. -Режим доступа: http://ieeexplore.ieee.org/iel5/8652/27421 /01220498.pdf

105. Sigal L., Sclaroff S. Estimation and prediction of evolving color distributions for skin segmentation under varying illumination. CVPR, 2000.

106. Singh S. Kr., Chauhan D. S., Vatsa M., Singh R. A Robust Skin Color Based Face Detection Algorithm. Электронный ресурс. [2002]. - Режим доступа: http://www2.tku.edu.tw/~tkise/6-4/6-4-6.pdf

107. Sinha P. Qualitative representations for recognition. Biologically Motivated Computer Vision (BMCV), p. 249-262,2002.

108. Sinha P., Torralba A. Detecting faces in impoverished images. AI Memo 2001028, CBCL Memo, 2001.

109. Smeraldi F., Carmona A., Bigun J. Saccadic search with Gabor features applied to eye detection and real-time head tracking. Электронный ресурс. - [1998].1. Режим доступа:http://www.dcs.qmul.ac.uk/~fabri/publications/downloads/gaboreve.ps.gz

110. Sobattka К., Pitas I. A Novel Method for Automatic Face Segmentation. Facial Feature Extraction and Tracking. Signal Processing & Image Communication, 12(3), p. 263-281,1998.

111. Sun Z., Bebis G., Miller R. Quantized wavelet features and support vector machines for on-road vehicle detection. The Seventh International Conference on Control, Automation, Robotics and Vision, Singapore, December, 2002.

112. Sung К. K., Poggio Т., Example-based learning for view-based human face detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. l,p. 39-51,1998.

113. Thilak kumar R., Kumar Raja S., Ramakrishnan A. G. Eye detection using color cues and projection functions. Электронный ресурс. - [2001]. - Режим доступа: http://eprints.iisc.ernet.in/archive/00000515/01/eve detection.pdf

114. Tieu К., Viola P. Boosting image retrieval. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2000.

115. Tomaz F.,Candeias Т., Shahbazkia H. Improved Automatic Skin Detection in Color Images. Электронный ресурс. [2003]. - Режим доступа: http://www.cmis.csiro.au/Hugues.Talbot/dicta2003/cdrom/pdf/0419.pdf

116. Turk М., Pentland A. Eigen Faces for Recognition. Journal of Cognitive Neuroscience, 3(1), 1991.

117. Vapnik V. The Nature of Statistical Learning Theory. Springer, New York, 1995.

118. Vezhnevets V., Andreeva A. A Comparative Assessment of Pixel-based Skin Detection Methods. Электронный ресурс. [2005]. - Режим доступа: http://research.graphicon.ru/files/papers/skin2005.pdf

119. Vezhnevets V., Degtiareva A. Robust and Accurate Eye Contour Extraction. Электронный ресурс. [2003]. - Режим доступа: http://graphics.cs.msu.ru/en/publications/text/gc2003vd.pdf

120. Vezhnevets V., Sazonov V., Andreeva A. A Survey on Pixel-Based Skin Color Detection Techniques. Proc. Graphicon-2003, P. 85-92, Moscow, Russia, September 2003.

121. Viola P., Jones M. Fast and robust classification using asymmetric AdaBoost and Detector Cascade. Электронный ресурс. [2002]. - Режим доступа: http://books.nips.cc/papers/files/nipsl4/VS08.pdf

122. Viola P., Jones M. Rapid Object Detection using a Boosted Cascade of Simple Features. IEEE CVPR, 2001.

123. Viola P., Jones M. Robust Real-Time Face Detection. International Journal of Computer Vision 57(2), 137-154,2004.

124. Viola P., Jones M. Robust Real-Time Object Detection. International Journal of Computer Vision, 2002.

125. Wang P., Green M. В., Ji Q., Wayman J. Automatic Eye Detection and Its Validation. Электронный ресурс. - [2004]. - Режим доступа: h ttp://www.ecse.rpi.eduA~qii/Papers/frgc eve.pdf

126. Whitehill J., Omlin C. Haar features for FACS AU recognition. Электронный ресурс. [2003]. - Режим доступа: http://mplab.ucsd.edu/~iake/haar.pdf

127. Wiskott L., Fellous J.-M., Krueger N., Malsburg C. Face Recognition by Elastic Bunch Graph Matching. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997. Vol. 19. P. 775-779,1997.

128. Wu C., Liu C., Shum H.-Y. Automatic Eyeglasses Removal from Face Images. Электронный ресурс. [2002]. - Режим доступа: http://people.csail.mit.edu/celiu/pdfs/ACCV Eveglasses.pdf

129. YALE database. Электронный ресурс. - Режим доступа: http://cvc. vale.edu/ proi ects/val efaces/val efaces. html

130. Yang M. H., Kriegman D., Ahuja N. Detecting faces in images: A survey. PAMI, 24(1), p. 34-58, January 2002.

131. Yoon H., Kim D., Chi S.Y. Elliptical Head Detection Method For Human Tracking. Intelligent Systems and Control, 2006.

132. Yuille A. Y., Cohen D. S., Hallinan P.W. Feature Extraction from Faces Using Deformable Templates in CVPR, p. 104-109,1989.

133. Zhang L., Sun Y., Li M. Automated red-eye detection and correction in digital photographs. Электронный ресурс. [2004]. - Режим доступа: http://research.microsoft.com/users/leizhang/Paper/ICIPQ4-Lei.pdf

134. Zhang Y., Martinez A.M. A weighted probabilistic approach to face recognition from multiple images and video sequences. Электронный ресурс. [2006]. -Режим доступа: http://www.ece.osu.edu/~aleix/lMVC06.pdf

135. Zhao W., Chellapa R. SFS based view synthesis for robust face recognition. In Proc. IEEE Face and Gesture Recognition, p. 285-292,2000.

136. Zheng J., Hao C., Fan Y. Adaptive skin detection under unconstrained lighting conditions using a bigaussian model and illumination estimation. Электронный ресурс. [2005]. - Режим доступа: http://www.wise-t.com/ias/Magazine/2005/3/03 Zeng.pdf

137. Брилюк Д., Старовойтов В. Распознавание человека по изображению лица и нейросетевые методы. Электронный ресурс. [2002]. - Режим доступа: http://library. graphicon.ru: 8080/catal о g/183

138. Брилюк Д.В., Старовойтов В.В. Нейросетевые методы распознавания изображений. Электронный ресурс. Режим доступа: http://rusnauka.narod.ru/lib/author/brilukdb/1 /

139. Вежневец А. Популярные нейросетевые архитектуры. Электронный ресурс. [2004]. - Режим доступа: http://www.ict.edu.ru/ft/002406/num5neiro.pdf

140. Вежневец А., Вежневец В. Boosting Усиление простых классификаторов. Электронный ресурс. - [2006]. - Режим доступа: http://cgm.graphicon.rU/content/view/l 12/66/

141. Вежневец А., Вежневец В. Нестандартные нейросетевые архитектуры. Электронный ресурс. [2004]. - Режим доступа: http://vvww.ict.edu.ru/ft/002439/nuni6neiro.pdf

142. Вежневец А.П. Методы классификации с обучением по прецедентам в задаче распознавания объектов на изображениях. Электронный ресурс. -[2006]. Режим доступа: http://www.graphicon.ru/proceedings2006/papers/fr 10 34 VezhnevetsA.doc

143. Вежневец В. Введение в Computer Vision. Электронный ресурс. [2003]. -Режим доступа: http://cgm.graphicon.ru/content/view/20/62/

144. Вежневец В. Оценка качества работы классификаторов. Электронный ресурс. - [2006]. - Режим доступа: http://cgm.graphicon.ru/content/view/106/66/

145. Вежневец В., Дегтярева А. Обнаружение и локализация лица на изображении. Электронный ресурс. [2003]. - Режим доступа: http://www.ict.edu.ru/ft/002403/num2face.pdf

146. Вежневец В.П. Алгоритмы анализа изображения лица человека для построения интерфейса человек-компьютер. Электронный ресурс. -[2004]. Режим доступа: http://graphics.cs.msu.su/ru/publications/text/wezhauto.pdf

147. Вежневец В.П. Использование контурных моделей для вычленения черт лица на фронтальном изображении. Электронный ресурс. Режим доступа: http://graphics.cs.msu.ru/ru/publications/text/mmrolOcontour.pdf

148. Визильтер Ю.В., Каратеев С. JL, Бекетова И. В. Методы биометрическое идентификации человека по изображениям его лица. / Визильтер Ю.В., Каратеев С. JL, Бекетова И. В. //Вестник компьютерных и информационных технологий. 2005. - №11. - С.2-10.

149. Воронов К. В., Лекции по статистическим (байесовским) алгоритмам классификации. Электронный ресурс. [2007]. - Режим доступа: http://www.ccas.ru/voron/download/Baves.pdf

150. Конушин А. Эволюционные нейросетевые модели с незаданным заранее числом связей. Электронный ресурс. [2003]. - Режим доступа: http://www. ict. edu. ru/ft/002414/num 1 evol .pdf

151. Мариничев К., Вежневец В. Алгоритмы выделения параметрических кривых на основе преобразование Хафа. Электронный ресурс. [2006]. -Режим доступа: http://cgm.graphicon.ru/content/view/107/62/

152. Хайкин С. Нейронные сети: полный курс / С. Хайкин. 2-е изд. - Москва: Вильяме, 2006.-1104 с.

153. Цифровая библиотека лаборатории компьютерной графики и мультимедиа ВМиК МГУ. Электронный ресурс. - Режим доступа: http://library. graphicon.ru/catalog/217