Алгоритмы обнаружения лица на основе анализа и обработки изображений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Мохаммед Мамдух Мохаммед Гомаа

• Мохаммед Мамдух Мохаммед Гомаа
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Мохаммед Мамдух Мохаммед Гомаа

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. МЕТОДЫ И АЛГОРИТМЫ ОБНАРУЖЕНИЯ

ЛИЦА

1.1. Анализ проблемы обнаружения лица человека на цифровых изображениях

1.2. Задача обнаружения лица

1.2.1. Вызовы на методах обнаружения лица

1.2.2.Практическое применение алгоритмов обнаружения

лиц

1.2.3 Ошибки при выделении лиц

1.3. Алгоритмы обнаружения лица

1.3.1. Методы на основе признаков

1.3.1.1. Низкоуровневый анализ

1.3.1.2. Анализ признаков

1.3.1.3. Модели активных форм

1.3.2. Методы моделирования изображения лица

1.3.2.1. Факторный анализ

1.3.2.2. Моделирование класса изображений лиц с помощью метода главных компонент (Principal Components Analysis,

PCA)

1.3.2.3.Моделирование распределения векторов лиц с помощью смеси многомерных нормальных распределений (mixture of Gaussians)

1.3.2.4.Линейный дискриминантный анализ (Linear Discriminant Analysis, LDA)

1.3.2.5. Нейронные сети

1.3.2.6. Скрытые Марковские Модели (Hidden Markov Models, HMM)

1.3.2.7.Машины опорных векторов (Support vector

machines)

1.4.Техника обнаружения лиц по Viola и Jones

1.5. Анализ существующих методов обнаружения лица человека

1.6. Постановка задачи исследования

1.7. Выводы по первой главе

ГЛАВА 2: РАЗРАБОТКА ПРОГРАММНЫХ МОДУЛЕЙ ДЛЯ

ОБНАРУЖЕНИЯ ЛИЦА

2.1. Цветовая сегментация областей кожи на изображении

2.2. Задача цветовой сегментации кожи на изображении

2.3. Метод выбора цвета кожи

2.4. Выделения лиц с использованием алгоритма сегментации по цвету кожи и алгоритма сравнения с шаблоном

2.5. Результаты выделение области лица

2.6. Влияние уровня яркости изображения на точность детектирования

лиц

2.7 Выводы по второй главе

ГЛАВА 3. МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ДЛЯ

ВЫДЕЛЕНИЯ ИЦ

3.1. Метод обнаружения лиц на изображении с использованием комбинации метода Виолы-Джонса и алгоритмов определения цвета кожи

3.1.1. Результаты метода обнаружения лиц на изображении

3.2. Новый экспресс- метод для обнаружения лица

3.3 Алгоритм автоматического обнаружения лица с помощью метода

вычитания фона

3.4. Выводы по третьей главе

ГЛАВЕ 4: ГИБРИДНЫЙ АЛГОРИТМ ОБНАРУЖЕНИЯ ЛИЦА

ЧЕЛОВЕКА

4.1. Программно-Аппаратный комплекс выделения лиц

4.2. Результаты модель программно-аппаратного комплекса выделения

лиц

4.4. Выводы по четвертой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Алгоритмы обнаружения лица на основе анализа и обработки изображений»

ВВЕДЕНИЕ

Актуальность работы.

В настоящее время вычислительная техника используется во многих областях человеческой деятельности, являясь удобным и многофункциональным инструментом решения широкого круга задач, и в связи со стремительным развитием цифровой фотографии , цифрового видео перспективной является задача распознавания образов на цифровых изображениях. Однако при работе с ЭВМ человек вынужден использовать средства взаимодействия, слабо адаптированные к возможностям человеческого восприятия и ограничивающие способности человека к обмену информацией.

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. Обнаружение лиц является первым этапом в построении системы идентификации и распознавания лиц человека. Обнаружение лица, в отличие от других биометрических характеристик человека (отпечаток пальца, форма руки, рисунок радужной оболочки глаза, голос), не требует физического контакта, что значительно расширяет возможности применения.

Задача локализации лиц людей является сложной ввиду нескольких основных причин: лицо - ато динамический объект, имеющий высокую степень изменчивости, например, по форме лица и цвету кожи; различные условия освещенности, определяющиеся типом, направлением и количеством источников света; частичное перекрытие лиц другими объектами сцены; необходимость локализации и распознавания лиц, имеющих произвольные положения в пространстве.

В существующих системах при увеличении процента обнаружений свыше 90% наблюдается экспоненциальный рост числа ложных обнаружений,

что затрудняет использование этих систем в ситуациях, когда требуется работа полностью в автоматическом режиме без участия контролера-человека.

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.

Учитывая вышеизложенное, актуальной является задача создания программно-аппаратного комплекса, который в автоматическом режиме позволял бы выделять лица проходящих мимо него людей и передавать на дальнейшую обработку не просто фотоизображение, а связку «лица-фото».

На основании приведенного в работе анализа, делается вывод, что одним из лучших по соотношению показателей качество распознавания/скорость работы является метод Виолы - Джонса. Однако в ряде случаев этот метод дает достаточно большое количество ложных обнаружений.

Степень разработанности. В диссертации разработана новая решающая для задач детектирования лиц на изображениях . Вопросами разработки алгоритмов анализа информации цифровых изображений, а также предварительной обработки и выделения контуров занимались многие авторы. Наиболее известны работы А.Михельсона, В.Ф.Нестерук и В.Н.Порфирьева, Р.А.Воробель и др., описывающие алгоритмы определения контрастности цифровых изображений. Последние десять лет в области обнаружения образов ведутся активные разработки и предложены различные методы обнаружения, использующие такие подходы, как метод главных компонент, методы с использованием гистограмм, нейросети, байесовские сети, алгоритм ViolaJones, Захры и др., статистические методы и т. д. К наиболее значимым работам в области распознавания образов следует отнести труды следующих ученых: В. Н. Вапника, В. М. Глушкова, Ф. Розенблатта, Б. Уидроу, Л. Рабинера, Ю.И. Журавлева, Б.А. Алпатова, А.И. Галушкина, Я.А.Фурмана, А.Л. Горелика, В.С. Михалевича, В.С.Пугачева, G.Nagy, L.N. Kanal, K. Fukunaga, R.O. Duda, P.E. Hart, К. Фу, J. Kittler, L. Gyorfi, G.Lugosi, C.M. Bishop, B. Ripley и др.

Часть этих алгоритмов обнаружения инвариантны по отношению к объекту, другие используют такие априорные знания об объекте, как: форма, цветовая гамма, взаимное расположение частей и др.

Существующие потребности в создании подобных систем накладывают жесткие ограничения на скорость работы алгоритмов, которые должны 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.

Для успешного функционирований системы обнаружения лиц обеспечение высокой скорости работы должно также сочетаться с малым количеством ложных обнаружений.

Целью диссертационного исследования является совершенствование методов анализа и обработки изображений на основе данных систем детектирования лиц в местах массового пребывания людей, за счет улучшения характеристик алгоритмов определения лиц людей на изображениях и под повышением эффективности понимается улучшение следующих характеристик: повышение процента обнаружения лиц человека, снижение процента ложных обнаружений.

Для достижения поставленной цели необходимо решить следующие задачи:

• Анализ существующих методов и выбор наиболее перспективны для решения задач детектирования лиц на изображениях, и описать обзор подходов и алгоритмов обнаружения, выявить их ограничения;

• Модификация метода Виолы-Джонса позволяющие повысить процента степень достоверности;

• Исследовать возможности сегментации кожи человека на цветных изображениях в различных цветовых пространствах;

• Усовершенствование работы алгоритмов детектирования лиц на изображениях;

• Разработка автоматизированной информационной системы,

реализующей выделение лиц человека на изображениях.

• Проверка эффективности предложенных моделей и методов

детектирования лиц на изображениях.

Объект исследования являются алгоритмы обнаружения лиц человека на изображениях.

Предметом исследования являются эффективность и качество работы алгоритмов обнаружения лиц человека на изображениях.

Научную новизну работы составляет следующее:

1. Разработано математическое обеспечение компьютерной системы обработки изображений с целью детектирования лиц, основанное на использовании цветовых пространствах и сравнении с шаблоном, достигнуть показателя детектирования порядка 95%.

2. Предложены модификации метода Виолы-Джонса, основанная на вычитании фона и использовании цветовых пространств, позволившие на 1015 % средний уровень верного детектирования множества лиц на одном изображении и повысить эффективность метода Виолы-Джонса.

3. Предложен метод обработки информации из видеопотока, отличающийся автоматическим выделением лиц с последующей передачей блока, содержащего лицо в виде статичного изображения с временной привязкой позволяющий, автоматизировать этот процесс.

Практическая значимость диссертационного исследования:

1. На основе проведенного анализа влияния яркости анализируемого изображения на качество работы метода детектирования лиц показано, что наиболее инвариантным к яркости изображения является алгоритм Виолы-Джонса.

2. Разработано программное обеспечение для детектирования лиц на изображениях (свидетельство о государственной регистрации программы для ЭВМ № 2015661926 от 12.11.2015г. Программа для обнаружения лиц на изображениях.

3. Разработан прототип аппаратно-программного комплекса выделения лиц из видеопотока, прошедший апробацию в Астраханском филиале ПАО «Ростелеком». Отдельные результаты исследования внедрены в 1Т-парке «Фабрика», подтвердившие 95% достоверность детектирования множества лиц на изображениях, поступающих с камеры наблюдения, расположенной в бизнес-инкубаторе 1Т-парка. Все результаты внедрения подтверждены соответствующими актами.

Методология и методы исследования. В процессе работы использовались цифровой обработки изображений, распознавания образов, математического и системного анализа, теории алгоритмов, теории графов, математической статистики, теории принятия решений.

Область исследования. Содержание диссертации соответствует паспорту специальности 05.13.01 - системный анализ, управление и обработка информации (информационные системы управления) по следующим областям исследования: п.1. Теоретические основы и методы системного анализа, оптимизации, управления, принятия решений и обработки информации, п.5. Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации. п.12. Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

Положения, выносимые на защиту:

1. Математическое обеспечение компьютерной системы детектирования лиц человека, основанного на цветовых пространствах и сравнении с шаблоном.

2. Алгоритмическое обеспечение обнаружения лица человека на основе модифицированного алгоритма Виолы-Джонса с использованием цветовой информации и вычитании фона.

3. Компьютерная система обнаружения лица человека из видеопотока.

Степень достоверности и рекомендаций обусловлена применением

адекватного математического аппарата, подтверждается их согласованностью с

результатами проведенного компьютерного моделирования и сопоставлением полученных результатов с научными данными, известными из российской и зарубежной литературы, а также подтверждается результатами, полученными при практическом использовании автоматизированной системы детектирования лиц на изображениях, что отражено в акте внедрения.

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Апробация результатов диссертационного исследования.

Основные положения и результаты исследования доложены на VII международной научно-практической конференции для молодых ученых «Фундаментальные и прикладные проблемы получения новых материалов: исследование, инновации и технологии» (Астрахань, 2013) , VI международной научно - практической конференции «Европейская наука и технологии» (г.Мюнхен, Германия, 2013), VIII международной научно-практической конференции для молодых ученых «Фундаментальные и прикладные проблемы получения новых материалов: исследование, инновации и технологии» (Астрахань, 2014), XXI международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2014), XLI Международная заочная научно-практическая конференция «Научная дискуссия: инновации в современном мире» (Москва,2015).

Публикации. По теме диссертации опубликовано 10 научных работ, из них 4 статьи в журналах, рекомендованных ВАК, 5 в сборнике международных конференциях, получено 1 свидетельство регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация содержит введение, 4 главы, заключение, библиографический список из 142 наименований. Основная часть работы изложена на 118 страницах и содержит 42 рисунков , 13 таблиц и 2 приложения.

ГЛАВА 1. МЕТОДЫ И АЛГОРИТМЫ ОБНАРУЖЕНИЯ ЛИЦА

1.1. Анализ проблемы обнаружения лица человека на цифровых зображениях

За последние несколько лет обнаружение лиц (ОЛ) (Face Detection (FD)) приобрело важную роль, также было предложено много алгоритмов обнаружения лиц на изображениях, применяющих разные подходы. Лицо очень важно для идентификационных людей. Цель ОЛ определять, есть ли лица на изображении или нет, и если есть, обнаружить их каким-либо способом. Целью процесса обнаружения лиц является локализация всех участков изображения, на которых есть лицо, вне зависимости от условий освещения. Несмотря на существование типичных функций в структуре лица, это трудная задача, поскольку черты сильно варьируются в зависимости от возраста, цвета кожи и выражения лица. Техники (алгоритмы) ОЛ используют в различных практических (например, в интерфейсах взаимодействия человек - компьютер, системах видеонаблюдения и контроля доступа, в системах технического зрения, робототехнике). Обнаружение лица представили в начале 1970-х гг., где были использованы простые методы [116].

Обнаружение лиц - это определение количества лиц, присутствующих на изображении, и обнаружение их положения. В общем, процесс обнаружения лиц состоит из двух шагов, на первом из которых изображение сканируется целиком для обнаружения области (функций), которые могут быть идентифицированы как лицо; наиболее распространённым признаком является цвет кожи. Далее следует локализация, которая даёт более точную оценку размеров и положения лиц. Обнаружение лиц - способность обнаруживать и локализовать лица на изображении или сцене, обнаружение лиц является первым этапом в построении системы идентификации и распознавания лиц человека.

Многие направления науки, производства и техники в значительной степени ориентируются на развитие систем, в которых информация носит визуальный характер. Распознавание лиц является одним из практических применений алгоритмов распознавания образов, основной задачей которой является автоматическая выделения лица на изображении и, при необходимости,

идентификация человека по лицу. В контексте строительства натурального интерфейса человек-компьютер задача выделения лица обнаруживает своё использование в подсистеме отслеживания лица и его характерных черт в видеопотоке для определения выражения лица.

1.2. Задача обнаружения лица

Ранние попытки создания способа обнаружения лиц предпринимались с начала 1970-х годов. Эти попытки опирались на простые эвристические и антропометрические методы, которые оказались негибкими из-за различных допущений, таких как однотонный фон и фронтальной лицо, поэтому эти методы обычно жестки. Задача обнаружения лица человека на изображении является одной из проблем организации человеко-машинного интерфейса и хорошим примером среди задач распознавания изображений. При наличии цветовой информации она может активно использоваться и является первым шагом процесса для принятия решения проблем распознавания лица. Однако и сама информация о присутствии и, может быть, численности лиц на изображении возможно полезна, например, для таких приложений, как содержательная индексация базы данных изображений и охранные системы и т. д.

В машинном зрении часто происходят некоторые проблемы[25] для ОЛ: локализация лица (face localization) является упрощённой версией задачи обнаружения, т. к. располагает информацией о том, что на изображении находится только одно лицо. Фиксация движения лица (слежение движения лица) (face tracking): полное отслеживание движения лица в видеопотоке, выражается как задача локализации лица на текущем кадре, фокусировке на информацию о его расположении на предыдущих кадрах. Распознавание лиц или идентификация лиц (Face recognition or face identification): сравнение входного изображения с базой данных и обнаружение соответствия изображения, если таковые имеются. Аутентификация лица (Face authentication): задача обработки лица, что соответствует один к одному как проверка заявленной

идентичности (для проверки или отказа от принятой идентичности) из лица человека.

1.2.1. Вызовы на методах обнаружения лица

Следующие факторы в значительной степени усложняют возможность обнаружения лица и делают обнаружение сложно[11, 25]:

• Ориентация лиц и различные внешние виды лица: лицо на изображении не всегда строго вертикально, в том числе относительно маленькое изменение ориентации лица относительно камеры (фронтальная, 45 градусов, вверх тормашками), и некоторые черты лица, такие как глаза или нос, могут стать невидимы, это в значительной степени усложняет возможность детектирования лиц.

Рисунок 1.1 — Разные внешние виды лица

• Различные условия освещённости (тип, количество и направление источников света, их цвет и яркость, наличие теней, цветовой баланс камеры, искажение изображения, привносимое оптической системой и т. п.). Например, когда освещение используется, то часть лица очень яркая, в то время как другая часть очень тёмная, и это влияет существенно на получающееся изображение;

Рисунок 1.2 — Различные условия освещённости

• Некоторые люди носят очки, у некоторых есть борода или усы, у других есть морщины и шрамы, эти типы функций вносят дополнительные погрешности при обнаружении лиц;

Рисунок 1.3 — Структурные компоненты лица

• Различные выражения лица: появление человека, который смеётся, отличается от появление человека, который сердит и т.д., поэтому выражения лица влияют на появление лица в изображении;

Рисунок 1.4 - Изменение выражения лица

• Размер лица: размер человеческого лица может меняться много раз. Различные люди имеют разные размера лица. Также лица, находящиеся ближе к камере, выглядят больше, чем лица, которые находятся далеко от камеры, и при большом количестве лиц на изображении в значительной степени изменяет изображение;

Рисунок 1.5 — Размер лица

• Лица в изображениях могут быть частично закрыты (окклюзия). Например, человек стоит с иным лицом или какой-либо объект находится перед лицом. Поэтому на изображении появляется часть лица;

Рисунок 1.6 — Окклюзия (закрыта другими предметами)

• Фон (фиксированный, низкой контрастности, зашумлённый и т. п.), который имеет возможность вносить погрешности в работу алгоритмов обнаружения лиц.

Рисунок 1.7 — Фон изменение (комплекс фон)

1.2.2. Практическое применение алгоритмов обнаружения лиц

Технология обнаружения лиц (ОЛ) может быть полезной и необходимой в различных приложениях. Обнаружение лиц имеет широкий спектр применения и может быть использовано в системах виртуальной реальности, интеллектуальных интерфейсах человек - машина, робототехнике, видео-телефонии, технологиях компьютерного зрения, автоматических системах контроля доступа, поиске изображений на основе содержания, кодировании видео, видеоконференциях, видеонаблюдении, правоохранительных органах, охранных организациях, системах идентификации личности и программах мониторинга. Конкретными практическими применениями алгоритмов ОЛ могут быть: биометрическая идентификация видеоконференций, индексация изображения и баз видеоданных и интеллектуальных человеко-машинных интерфейсов. Обнаружение лица применяется в супермаркетах, веб-камера может быть интегрирована и

обнаружить любое подвижное лицо, система тогда вычисляет этническую принадлежность, пол и возрастной диапазон лица.

1.2.3. Ошибки при выделении лиц

На этапе обнаружения существуют два вида ошибок: ложноположительные и ложноотрицательные срабатывания (рисунок 1.8):

1. Ложноположительные ошибки - когда алгоритм находит лица на изображении в то время, когда они там не присутствуют.

2. Ложноотрицательными ошибки - когда алгоритм не находит лица на изображении, на котором они присутствуют.

Рисунок 1.8 - (а) Ложноположительными (б) Ложноотрицательными.

1.3. Алгоритмы обнаружения лица

Поскольку методы обнаружения лиц требуют априорной информации о лице, их можно разделить на различные широкие категории, различающиеся по подходу к использованию знаний о лице. Kriegman Ming et al. [25] классифицировали методы в четыре категории (основанные на знаниях, на основе инвариантных свойств, на основе сравнения с шаблоном, на основе обучения). Различные методы обнаружения лица рассматриваются и обсуждаются в [71, 84,8, 30,25,110,128, 105, 97, 124, 70].

Hjelmas и Boon [30] и Хомяков Юрьевич [140] разделили все методы обнаружения лиц по одному изображению на две категории (рисунок 1.9), однако некоторые из них перекрываются, что будет обсуждаться в данном разделе.

Рисунок 1.9 — Классификация методов обнаружения лица

1.3.1. Методы на основе признаков

Для методов на основе признаков можно выделить три подхода, на одном из которых они базируются: высокоуровневый анализ признаков, низкоуровневый анализ и методы на основе моделирования форм. Обычно, задача детекции лица на конкретном изображении связана с локализацией этого лица на каком-то сложном фоне. Низкоуровневый анализ основан на сегментации признаков на базе конечных элементов изображения (полутоновых или цветных). Методы на основе признаков совершают операции с областями изображения, учитывая геометрию и семантику лица. Репрезентативность данных признаков несколько выше в сравнении с низкоуровневым анализом.

1.3.1.1. Низкоуровневый анализ

Особенность низкоуровневого анализа заключается в детекции лиц на изображении, основанной на информации, которая не связана с чертами лица, а также с их расположением. Самыми распространёнными методами детекции являются методы, основанные на обобщённых измерениях или выделении границ движения, которое представлено последовательностью изображений. Выделение краев

Края объектов (контуров) используются в выделении признаков объектов изображения, этот метод применялся ещё в одних из самых ранних работ по обнаружению лица и выявлению черт лица на изображениях [116]. Больше примеров, основанных на методе выделения краев объектов, может быть найдено в [90] - для выделения признаков лица, и в [37] - для обнаружения лица. Далее основанные на крае методы были также применены для обнаружения очков на изображениях лица [54]. Контурное описание изображений начало активно изучаться с середины XX века, тогда были

разработаны специализированные телевизионные системы, которые раскладывали изображения по контурам [136, 142]. Известно, что описать любое изображение объекта возможно используя набор контуров, текстурных областей и границ (краёв) между областями [141], ограниченного динамического диапазона сенсоров, изменения освещённости на реальных изображениях, наличия шумов,

разнородной текстуры, при использовании операторов. Выделение границ может привести к выделению контурных линий более широких, чем необходимо, к появлению ложных контуров, а также разрывам контурных линий, что потребует выполнения специализированных процедур по утончению, интерполяции контуров, обнаружению связных кривых среди множества выделенных участков отдельных контурных линий.

Много различных типов краевых операторов были применены и использованы для краевых детекторов, например, оператор Марра - Хилдрета (Marr Hildreth edge operator) [65], оператор Собела (Sobel) [30] , первые и вторые производные (Лапласа) гауссовых и детектор границ Кэнни [91]. Проблема помехоустойчивого выделения слитных границ окончательно не решена. Полутоновые изображения (Grayscale Image)

Кроме того, выделение границ, информация в полутоновое изображение часто используется для выделения границ и определения черт лица. Такие черты лица, как зрачки, губы, брови, более темные, чем другая часть лица. Это свойство может быть использовано для идентификации различных частей лица. Несколько алгоритмов выделения признаков лица на основе поиска яркостных экстремумов в заданных областях [43], и некоторые алгоритмы использовали шаблон глаз, чтобы определить местонахождение пары глаз [29]. При таком подходе для предобработки изображений активно используют известные морфологические алгоритмы для улучшения качества темной области, чтобы сделать обнаружение легче.

Информация о цвете в обнаружении лица (Цветные изображения)

В то время как полутоновые изображения обеспечивают основное представление для признаков изображения, цвет концентрирует в себе больше информации о появлении объекта. Благодаря тому, что изображение имеет цветовую составляющую, которая является дополнительным измерением пространства признаков, возможно выделение границ объекта, неотличимых на полутоновых изображениях [30].

Известно, что, несмотря на выбранное цветовое пространство и расовую принадлежность, оттенок человеческой кожи занимает только сконцентрированную ограниченную область цветового пространства [107], которая, в свою очередь находится не в существенной зависимости от индивидуальных особенностей конкретного человека. Разнообразие цветовых пространств и их индивидуальных особенностей стало дополнительной причиной интенсивного развития методов по детекции людей,основанных на цвете их кожи.

Одна из наиболее широко используемых цветовых моделей - представление RGB, в котором различные цвета определены комбинациями красного, зеленого и синего цвета. В исследовании обнаружения лица используются и другие цветовые пространства, например, HSI [16], YIQ [123], HSV, YES и YCbCr.

Цвет человеческой кожи на изображении не зависит от масштаба и ракурса лица, однако позволяет выделять одновременно не только само лицо, но и его отдельные области, которые не покрыты кожей (ноздри, брови, глаза). Однако до сих пор представления цвета человеческой кожи в разнообразных цветовых пространствах (форма цветовых оттенков, размер, размытость), а также то, как они влияют на качество сегментации, исследованы недостаточно. Недостаток метода обнаружения кожи данный метод основан только на классификации пикселов изображения с целью обнаружения областей, содержащих цвет кожи. Анализ движения

Когда видео доступно, с помощью информации движения появляется возможность детекции объектов, в том числе селекции от окружающего фона. В [127], движущиеся силуэты, которые включают лица и части тела, извлекаются порога. В [20], определение местонахождения пары глаз, измерение горизонтального и вертикального между двумя смежными областями кандидата получено из разницы кадров. Другой метод измерения движения - через оценку движущихся контуров лица. Обобщенные измерения

Список литературы диссертационного исследования кандидат наук Мохаммед Мамдух Мохаммед Гомаа, 2017 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Abadpour, A. Pixel-Based Skin Detection for Pornography Filtering/ A. Abadpour, S. Kasaei // Iranian Journal of Electrical & Electronic Engineering, Iranian Journal of Electrical & Electronic Engineering, July 2005. -Vol. 1, Issue 3. - P. 21-41.

2. Abbadil, N. Detection and Segmentation of Human Face/ N. Abbadil, A. Qazzaz// International Journal of Advanced Research in Computer and Communication Engineering, February 2015. -Vol. 4, Issue 2. - P. 90-94.

3. Abbasnejad, I. A hierarchical Bayesian network for face recognition Using 2D and 3D facial data/ I. Abbasnejad , D. Teney// IEEE International Workshop On Machine Learning For Signal Processing, 2015. - P. 1-6.

4. Alan, Y. Feature extraction from faces using deformable templates / Y. Alan, W. H. Peter, S. C. David // International Journal Computer Vision,1992. -Vol. 8, Issue 2. - P. 104-109.

5. Andreas, L. Automatic tracking, coding and reconstruction of human faces, using flexible appearance models / L. Andreas, T.J. Chris, C.F. Timothy // Electronics Letters, 1994. - Vol. 30, Issue 19. - P. 1587-1588.

6. Baback, M. Probabilistic Visual learning for Object Representation/ M. Baback, P. Alex // Pattern Analysis and Machine Intelligence, IEEE Transactions on, June 1997. - Vol. 19, Issue 7. - P. 696-710.

7. Brown, L. A survey of image registration techniques/L. Brown //Journal ACM Computing Surveys (CSUR), 1992. - Vol. 24, Issue 1. - P. 325-376.

8. Cha, Z. A Survey of Recent Advances in Face Detection/ Z. Cha, Z. Zhengyou // Technical Report MSR-TR-2010-66, Microsoft research, Microsoft corporation, one Microsoft way Redmond, Multimedia, Interaction, and Communication (MIC) Group, 2010. - P. 1-17.

9. Chai, D. Face segmentation using skin-color map in videophone applications / D. Chai, K. Ngan // IEEE Trans. on Circuits and Systems for Video

Technology, June 1999. - Vol. 9, Issue 4. - P. 551-564.

10.Chan, Y. Using Colour Features to Block Dubious Images/ Y. Chan, R. Harvey, A. Bangham// In European Signal Processing Conference, 2000. - P. 14.

11.Chandrashekhar, P. Face Detection Techniques-A Review/ P. Chandrashekhar, N.D. Gopal // International Journal of Current Engineering and Technology, 2013. - P. 1809-1813.

12. Charles, P. A. Frequently Asked Questions about Color / P. A. Charles //1995. - P. 1-24.

13. Chen, C. Color pattern recognition with the multi-channel non-zero-order joint transform correlator based on the HSV color space/ C. Chen, W. Wu // Optics Communications, 244, 2005. - Vol. 244, Issues (1-6). - P. 51-59.

14. Chitra, S .Comparative Study for Two Color Spaces HSCbCr and YCbCr in Skin Color Detection/ S. Chitra, G. Balakrishnan// Applied Mathematical Sciences, 2012. - Vol. 6, Issue 85. - P. 4229-4238.

15. Chiunhsiun, L. Human face detection using geometric triangle relationship / L. Chiunhsiun, F. Kuo-Chin // Proceedings 15th International Conference On Pattern Recognition (Barcelona), 2000. -Vol. 2. - P. 941-944.

16. Choong, H. L. Automatic human face location in a complex background using motion and color information / H. L. Choong, S. K. Jun , H. P. Kyu // Pattern Recognition,1996. - Vol. 29, Issue 11. - P. 1877-1889.

17. Christophe, G. Convolution Face Finder: A Neural Architecture for Fast and Robust Face Detection/ G. Christophe, D. Manolis // IEEE Transactions on Pattern Analysis And Machine Intelligence, November 2004. - Vol. 26, Issue 11. - P. 1408-1423.

18. Chun-Hung, L. Automatic facial feature extraction by genetic algorithms/L. Chun-Hung, W. Ja-Ling // Image Processing, IEEE Transactions on, 1999. - Vol. 8, Issue 6. - P. 834-845.

19. Cootes, T. F. Active shape models: Evaluation of a multi-resolution method for improving image search / T. F. Cootes, C. J. Taylor, A. Lanitis // Proceedings of the Fifth British Machine Vision Conference, 1994. - P. 327-336.

20. Craw, I. Automatic extraction of face feature/ I. Craw, H. Elli, J. R. Lishman //Pattern Recognition Letters, 1987. - Vol. 5, Issue 2. - P. 183-187.

21. Da-chuan, C. Possibilistic Hopfield Neural Network on CT Brain Hemorrhage Image Segmentation/ C. Da-chuan, P. Qin , C. Kuo-sheng, B. Hans // The 4th Asian Conf. Computer Vision, 2000. - Vol. 2. - P. 1-5.

22. Dan, R. A SNoW based face detector/ R. Dan, Y. Ming-Hsuan, A. Narendra// Advances in Neural Information Processing Systems 12, [NIPS Conference], 2000. - P. 862-868.

23. Daniel, R. Context-free attentional operators: The generalized symmetry transform / R. Daniel, W. Haim, Y. Yehezkel // International Journal of Computer Vision. Kluwer Academic Publishers, Boston. Manufactured in The Netherlands, 1995. - Vol. 14. - P. 119-130.

24. Dario, M. Real-time face location on gray-scale static images / M. Dario, M. Davide //Pattern Recognition, 2000. - Vol. 33, Issue 9. - P. 15251539.

25. David, K. Detecting faces in images: A survey/ K. David, Y. Ming-Hsuan, A. Narendra // IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2002. - Vol. 24, Issue 1. - P. 34-58.

26. Duan, L. Adult image detection method base-on skin color model and support vector machine/ L. Duan , G. Cui, W. Gao, H. Zhang // In Asian Conference on computer Vision. Melbourne, Australia, 2002. - P. 797-800.

27. Duda, R. Pattern Classification and Scene Analysis/R. Duda, P. Hart// Wiley New York, 1973. - P. 271-272.

28. Edgar, O. Training support vector machines: An Application to face detection/ O. Edgar, F. Robert, G. Federico // Proceedings of IEEE Computer

Society Conference on Computer Vision and Pattern Recognition, 1997. - P. 130-136.

29. Emad, N. Facial features detection using Eyes- Facial features detection using Eyes-Nose template Nose template Nose template/ N. Emad, A. Eimad-Eldin // IJCSNS International Journal of Computer Science and Network Security, 2011. - Vol. 11, Issue 11. - P. 87-91.

30. Erik, H. Face detection: A Survey/ H. Erik, K. Boon // Computer vision and image understanding, 2001. - Vol. 83, Issue 3. - P. 236-274.

31. Fleck, M. Finding Naked People/ M. Fleck, D. Forsyth, C. Bregler// In Proc. of the ECCV, 1996. - Vol. 1065. - P. 593-602.

32. Francois, F. Coarse-to-fine face detection/ F. Francois, G. Donald// International Journal of Computer Vision, Kluwer Academic Publishers. Manufactured in The Netherlands, 2001. - P. 85-107.

33. Frank, W. The computational eye / W. Frank, J. Adam, T. Jeff // IEEE Spectrum: Toward an Artificial Eye, 1996. - Vol. 33, Issue 5. - P. 30-37.

34. Frank, Y. Image Processing and Pattern Recognition: Fundamentals and Techniques/ Y. Frank// Book, Published by John Wiley & Sons, Inc., Hoboken, New Jersey, Published simultaneously in Canada, 2010. - 367 P.

35. Freund, Y. A Short Introduction to Boosting/ Y. Freund, R. E. Schapire// Journal of Japanese Society for Artificial Intelligence, September 1999. - Vol. 14, Issue 5. - P. 771-780.

36. Gareth, E. Interpreting Face Images using Active Appearance Models/ E. Gareth, T. Christopher, C. Timothy // Proceedings Third IEEE International Conference on Automatic Face and Gesture Recognition,1998. - P. 300-305.

37. Govindaraju, V. Locating human faces in photographs/ V. Govindaraju// International Journal of Computer Vision, 1996. - Vol. 19, Issue 2. - P. 129-146.

38. Gupta, N. Enhanced Face Detection Using Skin Color Model:A

Review/ N. Gupta ,V. Jain , S. Mishra// International Journal of Advanced Research in Computer Science and Electronics Engineering (IJARCSEE), November 2015. - Vol. 4, Issue 11. - P. 149-154.

39. Gururaj, P. An Analysis of Skin Pixel Detection using Different Skin Color Extraction Techniques/ P. Gururaj, J. Dayanand, M. Dhananjay// International Journal of Computer Applications, 2012. - Vol. 54, Issue 17. - P. 1-5.

40. Gurveen, K. Face Recognition Using YCbCr and CIElab Skin Color Segmentation Methods: A Review/ K. Gurveen, K. Paramjeet // International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 2015. - Vol. 4, Issue 4. - P. 1274-1276.

41. Haiyuan, W. Face and facial feature extraction from colour image / W. Haiyuan, T. Yokoyama, D. Pramadihanto, M. Yachida // Proceedings of the Second International Conference on Automatic Face and Gesture Recognition. Killington, 1996. - P. 345-350.

42. Hanna, K. Colour accuracy of a soft proof / K. Hanna // Helsinki university of technology. Thesis for degree master of Science in Engineering, 2007. - P. 3-24.

43. Hans, G. Multi-model system for locating heads and faces/ G. Hans, M. Kocheeisen , E. Cosatto, D. Gibbon , E. Petajan // In the Proc of the second Intl. Conference on Automatic Face and Gesture Recognition, 1996. - P. 88-93.

44. Hashem, H. Adaptive technique for human face detection using HSV color space and Neural Networks/ H. Hashem// National NRSC Radio Science Conference, 2009. - P. 1-7.

45. Hennecke, M. Using deformable templates to infer visual speech dynamics/ M. Hennecke, K. Prasad, D. Stork // In Proceedings of the 28th Annual Asilomar Conference on Signals, Systems, and Computers, (Pacific Grove, CA), November 1994. - Vol. 1. - P. 578-582.

46. Henry, R. Neural network-based face detection/ R. Henry, B. Shumeet, K. Takeo// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1996. - Vol. 20, Issue 1. - P. 23-38.

47. Henry, S. A statistical method for 3D object detection applied to faces and cars/ S. Henry, K. Takeo // Proceedings IEEE Conference on Computer Vision and Pattern Recognition. CVPR 2000 (Cat. No.PR00662), 2000. - Vol. 1.

- P. 746-751.

48. Hiyam, H. Face Detection and Pose Estimation Based on Evaluating Facial Feature Selection/ H. Hiyam, B. Zou, M. Raed, L. Mohammed, W. Jumana // International Journal of Hybrid Information Technology, 2015. - Vol. 8, Issue 2. - P. 109-120.

49. Hotta, K. Scale invariant face detection method using higher-order local autocorrelation features extracted from log-polar image/ K. Hotta, T. Kurita, T. Mishima// In IEEE Proc. of 3rd International Conf. on Automatic Face and Gesture Recognition,1998. - P. 70-75.

50. Jageshvar, K. Facial Feature Expression Based Approach for Human Face Recognition: A Review/ K. Jageshvar, P. Mahendra// International Journal of Innovative Science, Engineering & Technology, May 2014. - Vol. 1, Issue 3.

- P. 214-218.

51. James, F. Fundamentals of interactive computer graphics/ F. James, V. Andries, F. Steven, H. John // Addison-Wesley, Second Edition, 1994. - P. 590592.

52. Jason, B. A comparative assessment of three approaches to pixel-level human skin-detection / B. Jason, S. M. John // Proceedings 15Th International Conference On Pattern Recognition, Barcelona, 2000. - Vol. 1. - P. 1056-1059.

53. Jeffrey, H. Eye detection using optimal wavelet packets and radial basis functions (RBFs) / H. Jeffrey, W. Harry // Int. J. Patt. Recogn. Artif. Intell, November 1999. - Vol. 13, Issue 07. - P. 1009-1026.

54. Jiang, X. Towards detection of glasses in facial images/ X. Jiang, M. Binkert, B. Achermann, H. Bunke// Pattern Analysis and Applications, 2000. -Vol. 3, Issue 1. - P. 9-18.

55. Junjie, Y. Structural Models for Face Detection/ Y. Junjie, Z. Xucong, L. Zhen, Y. Dong, Z. Stan // 10th IEEE International Conference and Workshops on, 2013 . - P. 1-6.

56. Kakumanu, P. A Survey of Skin-Color Modeling and Detection Methods/ P. Kakumanu, S. Makrogiannis, N. Bourbakis // Pattern Recognition, 2007. - Vol. 40, Issue 3. - P. 1106-1122.

57. Kazunori, O. The Bochum/USC Face Regognition System and How it Fared in the FERET Phase III Test/ O. Kazunori, J. Steffens, T. Maurer, H. Hong, E. Elagin, H. Neven, C. Malsburg // Face Recognition. Springer, 1998. -Vol. 163 of the series NATO ASI Series. - P. 186-205.

58. Ke, Q. Robust L1 norm factorization in the presence of outliers and missing data by alternative convex programming/ Q. Ke, T. Kanade // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2005. - P. 739-746.

59. Ke, Q. Robust subspace computation using L1 norm/ Q. Ke, T. Kanade // Technical Report CMU-CS-03-172, Carnegie Mellon University, Pittsburgh, PA, 2003. - P. 1-15.

60. Kheirkhah, E. A Hybrid Face Detection Approach in Color Images with Complex Background/ E. Kheirkhah, Z. Tabatabaie// Indian Journal of Science and Technology, January 2015. - Vol. 8, Issue 1. - P. 49- 60.

61. Kin-Man, L. Locating and extracting the eye in human face images / L. Kin-Man, Y. Hong // Pattern Recognition, May 1996. - Vol. 29, Issue 5. - P. 771-779.

62. Lam, K. A Study on Similarity Computations in Template Matching Technique for Identity Verification/ K. Lam, Y. Yeong, T. Yew, S. Chai, A.

Suandi // International Journal on Computer Science and Engineering, 2010. -Vol. 2, Issue 8. - P. 2659-2665.

63. Leslie, F. Anthropometry of the Head and Face / F. Leslie// The University of Michigan. Raven Press, New York, USA, 1994. - 405 P.

64. Liyanage, C. Detection and tracking of facial features by using a facial feature model and deformable circular template / C. Liyanage, A. Kiyoharu, H. Mitsutoshi// IEICE Transactions on Information and Systems,1995. - Vol. E78-D, Issue 9. - P. 1195-1207.

65. Marr, D. Theory of edge detection/ D. Marr, E. Hildreth // In Proc. of the Royal Society of London, 1980. - Vol. 207, Issue 1167. - P. 187-217.

66. Matthew, T. Eigen faces for Recognition / T. Matthew, P. Alex // Journal of Cognitive Neurosicence, 1991. - Vol. 3, Issue 1. - P. 71- 86.

67. Meng, L. An image-based Bayesian framework for face detection/ L. Meng, T. Nguyen, A. David// in IEEE Conference on Computer Vision and Pattern Recognition, 2000. - Vol. 1. - P. 302-307.

68. Michael, K. Snakes: active contour models / K. Michael, W. Andrew, T. Demetri // International Journal of Computer Vision, 1987. - Vol. 1, Issue 4. -P. 321-331.

69. Ming-Hsuan, Y. Face Detection Using Multimodal Density Models/ Y. Ming-Hsuan, D. Kriegman, N. Ahuja// Computer Vision and Image Understanding, November 2001. - Vol. 84, Issue 2. - P. 264-284.

70. Mitul, M .Face Detection Approaches: A Survey/ M. Mitul, F. Macwan// International Journal of Innovative Research in Science, Engineering and Technology, 2014. - Vol. 3, Issue 4. - P. 11107- 11116.

71. Mohammed, M. Face Detection/ M. Mohammed// Естественные науки журнал фундаментальных и прикладных исследований, Yestestvennye Nauki (Natural Sciences), 2013. - Vol. 4, Issue 45. - P. 199-214.

72. Nazil, P. An Overview on Template Matching Methodologies and its

Applications/ P. Nazil , K. Darshan , B. Ishan// International Journal of Research in Computer and Communication Technology,2013. - Vol. 2, Issue 10. - P. 988995.

73. Neetu, S. A Review: Face Detection Methods And Algorithms/ S. Neetu, K. Sukhwinder, S. Hari // International Journal of Engineering Research & Technology (IJERT), 2013. - Vol. 2, Issue 6. - P. 284-289.

74. Omaima, N. Review of face detection systems based artificial neural networks algorithms/ N. Omaima// The International Journal of Multimedia & Its Applications (IJMA), 2014. - Vol. 6, Issue 1. - P. 1-16.

75. Othman, Z. A statistical framework for Hierarchical Diff-EDF schedulers/ Z. Othman, A. M. Zin // International Conference on Intelligent and Advanced Systems, ICIAS, 2007. - P. 372-377.

76. Paul, V. Rapid object detection using a boosted cascade of simple features/ V. Paul, J. Michael// In Proc. IEEE Conf. Computer Vision and Pattern Recognition, Kauai, HI, USA, Dec. 2001. - Vol. 1. - P. 511-518.

77. Paul, V. Robust Real-Time Face Detection/ V. Paul, J. Michael// International Journal of Computer Vision, 2004. - Vol. 57, Issue 2. - P.137-154.

78. Osman, M. Towards Integrating Statistical Color Features for Human Skin Detection/ M. Osman, M. Maarof, M. Rohani// International Journal of Computer, Electrical, Automation, Control and Information Engineering, 2016. -Vol. 10, Issue 2. - P. 277-281.

79. Peer, P. Human Skin Color Clustering for Face Detection/ P. Peer, J. Kovac, F. Solina // EUROCON1993, Ljubljana, Sloveni, 2003. - Vol. 2. - P. 144-148.

80. Peter, P. Image Segmentation [Электронный ресурс] [Electronic Resource] / P. Peter// Croatia: InTech, 2011. - Режим доступа URL: http://www.intechopen.com/books/image-segmentation.

81. Pietrowcew, A. Face detection in color images using Fuzzy Hough

transform/ A. Pietrowcew // Opto-Electronics Review, 2003. - Vol. 11, Issue 3. -P. 247-251.

82. Prema, C. Survey on Skin Tone Detection using Color Spaces/ C. Prema, D. Manimegalai// International Journal of Applied Information Systems (IJAIS) - ISSN: 2249- 0868 Foundation of Computer Science FCS, New York, USA, May 2012. - Vol. 2, Issue 2. - P. 18-26.

83. Puneet, G. A review on robust face detection Method using Gabor wavelets/ G. Puneet, J. Mradul // International Journal of Innovative Research in Science, Engineering and Technology, March 2013. - Vol. 2, Issue 3. - P. 604611.

84. Qaim, M. A Review on Face Detection Methods/ M. Qaim, G. Bal, B. Rizwan // Journal of Management Development and Information Technology, India, 2011. - P. 1-11.

85. Rafael C. G. Digital Image Processing, 3rd edition/ C. G. Rafael, E. W. Richard, L. E. Steven// Pearson Education (Singapore) Pvt. Ltd, 2009. - P. 416429.

86. Rafael, C. G. Digital Image Processing using Matlab/ C. G. Rafael, E. W. Richard, L. Steven // Prentice Hall, 2009. - 329 P.

87. Ravi, S. Human Skin Detection using Combination of Color Spaces in Color Images/ S. Ravi, R. Mishra// International Association of Scientific Innovation and Research (IASIR), 2014. - P. 13-21.

88. Ravi, S. Skin Segmentation based on Gaussian Model by Combining Color Spaces/ S. Ravi, R. Mishra // International Association of Scientific Innovation and Research, 2013. - P. 189-197.

89. Rehanullah, K. Color based skin classification / K. Rehanullah, H. Allan, S. Julian, B. Abdul // Pattern Recognition Letters , 2012. - Vol. 33. - P. 157 -163.

90. Roberto, B. Face recognition: Feature versus template/ B. Roberto, P.

Tomaso // IEEE Trans, Pattern Analysis and Machine Intelligence, 1993. - Vol. 15, Issue 10. - P. 1042-1052.

91. Saad, S. Human face segmentation and identification/ S. Saad // University of Maryland Center for Automation Research, College Park, MD 20742-3275, 1993. - P. 11-13.

92. Sachin, S. Multi-view Face Detection Using Deep Convolution Neural Networks/ S. Sachin, S. Mohammad, L. Li-Jia // International Conference on Multimedia Retrieval (ICMR). Computer Vision and Pattern Recognition, 2015. - P. 1-8.

93. Sachin, S. Review of Face Detection using PCA and ANN Techniques/ S. Sachin, P. Rahila // International Journal on Advanced Computer Theory and Engineering (IJACTE), 2013. - Vol. 2, Issue 5. - P. 19- 24.

94. Sandeep, M. Face Recognition Approaches: A Survey/ M. Sandeep, D. Anupam// International Journal of Computing and Business Research (IJCBR), 2015. - Vol. 6, Issue 1. - P. 1-12.

95. Sanjay, S. A Robust Skin Color Based Face Detection Algorithm/ S. Sanjay, D. Chauhan, M. Vatsa, R. Singh// Tamkang Journal of Science and Engineering, 2003. - Vol. 6, Issue 4. - P. 227-234.

96. Shah, K. Combinatorial Color Space Models for Skin Detection in Sub-continental Human Images/ K. Shah, M. Saiful, M. Golam, T. Mirza, G. Alim, M. Mostafa, M. Hossain, K. Asif, A. Imran, I. Saiful// Visual Informatics: Bridging Research and Practice, 2009. - Vol. 5857. - P. 532-542.

97. Shaily, P. Review: Face Detection and Recognition Techniques/ P. Shaily, S. Sandeep// International Journal of Computer Science and Information Technologies, 2014. - Vol. 5, Issue 3. - P. 4111- 4117.

98. Shang-Hung, L. Face Recognition/Detection by Probabilistic Decision-Based Neural Network/ L. Shang-Hung, K. Sun-Yuan, L. Long-Ji // IEEE Transactions on Neural Networks, January 1997. - Vol. 8, Issue 1. - P. 114-132.

99. Sandeep, D. Face Detection and Expression Recognition using Neural Network Approaches/ D. Sandeep, CH. Nisha & //Global Journal of Computer Science and Technology: (F) Graphics & Vision, 2015. - Vol. 15, Issue 3. - P. 20-24.

100. Sharma, A. Analysis of Sobel Edge Detection Technique for Face Recognition/ A. Sharma, J. Shilpa // International Journal of Advanced Research in Computer Engineering &Technology (IJARCET), May 2015. - Vol. 4, Issue 5. - P. 2450-2453.

101. Simon, H. Neural Networks: a comprehensive foundation, Third edition / H. Simon// USA, 1998. - P. 39-40.

102. Sirovich, L. Low-dimensional procedure for the characterization of human faces/ L. Sirovich, M. Kirby// Journal of the Optical Society of America A, 1987. - Vol. 4, Issue 3. - P. 519-524.

103. Smita, T. Face Detection using Combined Skin Color Detector and Template Matching Method/ T. Smita, S. Varsha, S. Sanjeev // International Journal of Computer Applications, 2011. - Vol. 26, Issue 7. - P. 5-8.

104. Sobottka, K. A novel method for automatic face segmentation, facial feature extraction and tracking/ K. Sobottka, I. Pitas // Signal Processing: Image Communication, 1998. - Vol. 12. - P. 263-281.

105. Stefanos, Z. A Survey on Face Detection in the wild: past, present and future/ Z. Stefanos, Z. Cha, Z. Zhengyou // Computer Vision and Image Understanding, August 2015. - Vol. 138. - P. 1-33.

106. Stephane, M. Pseudo two-dimensional hidden Markov models for face detection in colour images/ M. Stephane, M. Bernard// Proceedings of The Audio- and Video-Based Biometric Person Authentication, 1999. - P.1-6.

107. Stephen, M. Face tracking and pose representation / M. Stephen, G. Shaogang, J.J. Collins// In British Machine Vision Conference. Scotland, 1996. -P. 755-764.

108. Steve, R. G. A dual active contour for head and boundary extraction /R. G. Steve, S. N. Mark // IEE Colloquium on Image Processing for Biometric Measurement. London), 1994. - P. 6/1-6/4.

109. Strub, L. Automated Facial Conformation for Model-Based Videophone Coding/ L. Strub, J. Robinson // IEEE Int. Conf. on Image Processing - Washington D.C, 1995. - Vol. 2. - P. 587-590.

110. Subrat, K .A Survey on Face Detection and Recognition Techniques in Different Application Domain/ K. Subrat, S. Siddharth// I.J. Modern Education and Computer Science, 2014. - Vol. 8. - P. 34-44.

111. Tanaka, M. Dynamic attention map by Ising model for human face detection/ M. Tanaka, K. Hotta, T. Kurita, T. Mishima// In Proc. of International Conference on Pattern Recognition,1998. - P. 1-3.

112. Tarek, A. A New System for Extracting and Detecting Skin Color Regions from PDF Documents/ A. Tarek // (IJCSE) International Journal on Computer Science and Engineering, 2010. - Vol. 02, Issue 9. - P. 2838-2846.

113. Tarek M. M. A New Fast Skin Color Detection Technique / M. M. Tarek // World Academy of Science, Engineering and Technology, 2008. - Vol. 2, Issue 7. - P. 2354- 2358.

114. Terrillon, J. Comparative Performance of Different Skin Chrominance Models and Chrominance Spaces for the Automatic Detection of Human Faces in Color Images/ J. Terrillon, M. Shirazi, H. Fukamachi, S. Akamatsu// In IEEE Conf. on Automatic Face and Gesture Recognition (FG). Santa Barbara, USA, 2000. - P. 54-61.

115. Tomaso, P. Example-based learning for view-based human face detection/ P. Tomaso, S. Kah-Key // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998. - Vol. 20, Issue 1. - P. 39-51.

116. Toshiyuki, S. Computer analysis and classification of photographs of human faces / S. Toshiyuki, N. Makoto, K .Takeo // Proc. First USA-Japan

Computer Conf, 1972. - P. 55.62.

117. Tsekeridou, S. Facial Feature Extraction in Frontal Views Using Biometric Analogies/ S. Tsekeridou, I. Pitas // In The IX European Signal Processing Conference, 1998. - P. 1-4.

118. Vasif, N. Towards a biometric purpose image filter According to skin detection/ N. Vasif, G. Asuman// The Second International Conference "Problems of Cybernetics and Informatics", September 10-12, Baku, Azerbaijan, 2008. - P. 224-227.

119. Vinodpuri, R. A Technical Review on Face Recognition based on BP Neural Network/ R. Vinodpuri, A. Deshmane // International Journal of Current Engineering and Technology, 2015. - Vol. 5, Issue 1. - P. 27-31.

120. Viola, P. Fast Multi-view Face Detection/ P. Viola, M. J. Jones// Tech. Rep. TR2003-96, Mitsubishi Electric Research Laboratories, Cambridge, MA, August 2003. - P. 1-11.

121. Vladimir, V. A survey on pixel-based skin color detection techniques/ V. Vladimir, S. Vassili, A. Alla// In GraphiCon, Moscow, Russia, 2003. - P. 8592.

122. Wang, Y. A novel approach for human face detection from color images under complex background / Y. Wang, B. Yuan // Pattern Recognition 34, 2001. - Vol. 34, Issue 10. - P. 1983-1992.

123. Wei, G. Face detection for Image Annotation/ G. Wei, I. K. Sethi //Pattern Recognition Letters, 1999. - Vol. 29, Issue 11. - P. 1313-1321.

124. Yadvinder, S. Face Detection and Recognition: A Review/ S. Yadvinder, SSIET, PTU, B. Dera // International Journal of Scientific & Engineering Research, 2014. - Vol. 5, Issue 7. - P. 1036-1039.

125. Yang, M. Face detection using mixtures of linear subspaces/ M. Yang, N. Ahuja, D. Kriegman// In Proceedings Fourth IEEE International Conference on Automatic Face and Gesture Recognition, 2000. - P. 70-76.

126. Wen-Kwang, T. A data mining approach to face detection/ T. WenKwang, L. Anthony, L. Ying-Ho, T. Chang, H. Lin// Pattern Recognition, 2010. - Vol. 43, Issue 3. - P. 1039-1049.

127. Yin, L. Integrating active face tracking with model based coding/ L. Yin, A. Basu// Pattern Recognition Letters, 1999. - Vol. 20, Issue 6. - P. 651657.

128. Yong-hong, L. A survey of face detection, extraction and recognition/ L. Yong-hong, J. Zhou, Y. Shengsheng // The Journal Computing and Informatics, 2003. - Vol. 22, Issue 2. - P. 163-195.

129. Zahra, S. Hybrid Face Detection System using combination of Appearance-based and Feature-based methods/ S. Zahra, R. W. Rahmat, N. B. Udzir, E. A. Kheirkhah // International Journal of Computer Science and Network Security, 2009. - Vol. 9, Issue 5. - P. 181-185.

130. Zarit, B. Comparison of five color models in skin pixel classification/ B. Zarit, B. Super, H. Quek// In ICCV'99 Int'l Workshop on recognition, analysis and tracking of faces and gestures in Real-Time systems,1999.-P.58-63.

131. Zhanwu, X. Color-Based Skin Detection: Survey and Evaluation/ X. Zhanwu, Z. Miaoliang// Proceedings in 12th International of Multi-Media Modelling Conference, 2006. - P. 143-152.

132. Zhengming, L. Face Detection in Complex Background Based on Skin Color Features and Improved AdaBoost Algorithms/ L. Zhengming, L. Xue , F. Tan// IEEE International Conference on Progress in Informatics and Computing (PIC), 2010. - Vol. 2. - P. 723.727.

133. Болотова, Ю. А. Алгоритм детектирования областей лиц и рук на изображении на основе метода Виолы - Джонса и алгоритма цветовой сегментации/ Ю. А. Болотова, Л. C. Федотова, В. Г. Спицын // Fundamental Research, 2014. - № 11 (часть 10) . - C. 2130-2134.

134. Вежневец, В. П. Локализация человеческого лица на цветном

растровом изображении / В. П. Вежневец // Математические методы распознавания образов (ММРО-10): тр. конф, 2001. - С. 71-82.

135. Друки, А. А. Алгоритмы выделения лиц на статических RGB изображениях в видеопотоке/ А. А Друки// Известия Томского Политехнического Университета, 2012. -Том. 320, № 5. - C. 65-69.

136. Мончак, А. М. Помехоустойчивость беспорогового алгоритма обнаружения контурных элементов изображения/ А. М. Мончак // Известия ЛЭТИ. Формирование и обработка сигналов и изображений, 1979. - №. 234. - С. 26-31.

137. Панина, А. И. Опыт использования алгоритмов Skin Detection для обработки медицинских изображений/ А. И. Панина, В. Н. Беловодский// Системный Анализ и Информационные Технологии в Науках о Природе и Обществе, 2012. -Том. 2, № 1. - C. 146-151.

138. Петрович, В. В. Алгоритмы анализа изображения лица человека для построения интерфейса человек-компьютер/ В. В. Петрович // Диссертация на соискание учёной степени кандидата физико-математических наук, 2004. - 30 C.

139. Хайкин, С. Нейронные сети: полный курс / С. Хайкин// Изд. Москва Вильямс, 2006. - 1104 С.

140. Хомяков, М. Ю. Методы обработки изображения лица человека по цветовой и контурной информации и аппаратно-программные средства биометрической идентификации/ М. Ю. Хомяков// Диссертации кандидат технических наук. Санкт-Петербург, 2012. - 25 C.

141. Хомяков, Ю. Н. Методы классификации текстур/Ю.Н. Хомяков// Зарубежная радиоэлектроника, 1986. - №.2. - С. 33-46.

142. Хомяков, Ю.Н. Системы контурного разложения/Ю.Н. Хомяков// Вопросы радиоэлектроники. Техника телевидения, 1967. - №.3. -С. 100-111.

117