Методы обработки изображения лица человека по цветовой и контурной информации и аппаратно-программные средства биометрической идентификации тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Хомяков, Марат Юрьевич

• Хомяков, Марат Юрьевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Хомяков, Марат Юрьевич

Введение.

Глава 1. Методы и системы биометрической идентификации личности по изображению лица.

1.1. Биометрическая идентификация по изображению лица.

1.2. Методы идентификации личности по изображению лица.

1.3. Детекция лица.

1.4. Методы распознавания лиц.

1.5. Классификация признаков.

1.6. Оценка эффективности методов идентификации.

1.7 Постановка задач исследования.

Глава 2. Сегментация цвета кожи человека на изображениях.

2.1. Детекция цвета кожи человека на изображениях.

2.2. Методика оценки цветового пространства.

2.3. Сравнительная оценка цветовых пространств.

Выводы.

Глава 3. Контуры объектов их выделение и отслеживание.

3.1. Отслеживание контуров на полутоновых изображениях.

3.2. Ошибки дискретизации линейных методов выделения границ.

3.3. Ошибки дискретизации острых изломов границ при отслеживании.

3.4. Помехоустойчивость методов выделения границ.

Выводы.

Глава 4. Детекция и локализация элементов лица человека на изображении

4.1. Отбор контрольных точек лица человека.

4.2. Выделение признаков по изображению лица человека.

4.3. Детекция и локализация глаз.

4.4. Детекция и локализация рта.

4.5. Детекция и локализация носа.

Выводы.

Глава 5. Методы усиления классификаторов.

5.1. Настройка весов AdaBoost.

5.2. Построение С4.5 классификаторов.

Выводы.

Глава 6. Аппаратно-программный комплекс биометрической идентификации личности по изображению лица.

6.1. Требования к исходным данным.

6.2. Требования к аппаратно-программной платформе.

6.3. Описание аппаратно-программного комплекса.

6.4. Условия проведения экспериментов.

6.5. Исследование аппаратно-программного комплекса.

Выводы.

Введение диссертации (часть автореферата) на тему «Методы обработки изображения лица человека по цветовой и контурной информации и аппаратно-программные средства биометрической идентификации»

Актуальность проблемы. В настоящее время биометрические технологии находят все большее применение во многих прикладных областях и рассматриваются как самый перспективный метод распознавания людей.

Идентификация личности по изображению лица человека, 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. Методы анализа геометрии и структурных особенностей лица перспективны для широкого круга задач. К ним относятся: идентификация личности, оценка эмоционального состояния и мимики, автоматическое распознавание речи по движению губ, отслеживание направления взгляда, создание новых человеко-машинных интерфейсов. Для стандартизации форматов записи биометрических данных, условий получения изображений лиц и параметров цифрового изображения лица разработан ГОСТ Р ИСО/МЭК 19794-5-2006 «Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Данные изображения лица».

Идентификация человека по изображению лица является сложной задачей из-за изменчивости лица, как объекта анализа (подвижность, широкий диапазон изменения антропометрических параметров), а также большой вариативности условий и средств получения изображений (параметров освещения, окклюзии лиц другими объектами, изменений ракурса и масштаба лица на изображении, качества видео- и фотосъемки).

Исследования по автоматическому распознаванию лиц проводятся с 60-х годов прошлого века. Количество публикаций по технологиям распознавания лиц ежегодно превышает сотни и продолжает возрастать, однако проблема далеко не решена. Дополнительная информация, содержащаяся в цвете и контурах, во многих работах по идентификации лиц не используется или используется неэффективно.

Считается, что зрительная система разбивает изображение на фрагменты по границам объектов и затем выполняет анализ текстуры внутри фрагментов. Анализ текстуры в системах на основе яркостных изображений целесообразно проводить с привлечением цветовой информации, а для выделения фрагментов использовать методы контурного разложения. Многие теоретические аспекты этих методов недостаточно исследованы. Не оценены особенности представления цвета кожи человека в различных цветовых пространствах. Отсутствует сравнительный анализ операторов выделения границ по помехоустойчивости и ошибкам дискретизации, возникающим при работе по оцифрованным изображениям. Существующие методы отслеживания контуров не применимы к полутоновым изображениям. Невозможность получения слитных контуров объектов простой пороговой обработкой градиентной информации приводит к необходимости использования процедур второго уровня - методов сшивки и уточнения разрозненных выделенных фрагментов границ. Разработка помехоустойчивого следящего метода разложения по контурам изображений позволит выделить информативные фрагменты со сжатием обрабатываемой информации в десятки раз.

Требуется создание принципиально новых гибридных методов, комбинирующих признаковый и холистический подходы, и учитывающих в своей работе особенности зрительной системы человека. Реализация структуры системы по каскадной и параллельной схемам (экстракция нескольких категорий признаков для одного изображения) позволит существенно сократить вычислительную сложность и повысить эффективность классификации. Холистическая обработка локальных признаков и их ранжирование по степени важности, с учетом цветовой и контурной информации на изображении, позволит компактно представить информационно значимые части лица человека.

Целью диссертационной работы является разработка методов и аппаратно-программных средств анализа цветовой и контурной информации на изображении лица человека для повышения эффективности биометрической идентификации.

Для достижения поставленной цели определены следующие задачи:

1. Исследовать возможности сегментации кожи человека на цветных изображениях в различных цветовых пространствах.

2. Разработать метод следящего выделения контуров на полутоновых изображениях.

3. Разработать методы поиска и выделения основных контрольных точек на изображении лица человека по цветовой и контурной информации.

4. Исследовать и повысить эффективность известных методов классификации А<ЗаВооз1 и С4.5 для решения задач идентификации.

5. Создать аппаратно-программный комплекс для исследования методов идентификации личности по изображению лица на основе цветовой и контурной информации.

Объектом исследования диссертационной работы являются методы и устройства обработки и распознавания изображений.

Предметом исследования являются методы обработки изображений лица человека для идентификации личности.

Методы исследования. Исследования базируются на методах цифровой обработки изображений, теории распознавания образов и методах искусственного интеллекта, аппарате теории множеств и численных методах линейной алгебры. Экспериментальные исследования выполнены с использованием наборов реальных и синтетических изображений. Программное обеспечение разработано с использованием пакета прикладных программ МАТЬАВ. Научные положения, выносимые на защиту:

1. Цветовое пространство УСЬСг при квантовании до 32К градаций цвета позволяет сегментировать элементы кожи человека на изображении с вероятностью более 95 %.

2. Метод следящего контурного разложения по полутоновым изображениям имеет линейную асимптотическую сложность и позволяет получать слитные контура без обработки всего изображения и выполнения дополнительных морфологических операций.

3. Разработанная методика двойной дискретизации позволила сравнить операторы выделения границ при работе по оцифрованным изображениям и определить оптимальные по точности Sobel и Isotropic.

4. Обработка цветовой и контурной информации изображения лица позволяет точно (до 3 пикселей) выделять контрольные точки глаз, носа и рта человека с вероятностью более 96 %.

5. Применение параллельной структуры системы идентификации личности по изображению лица позволяет достичь точной идентификации по фронтальным изображениям с вероятностью более 98 %, при сохранении размера признакового пространства не более 300 признаков. Научная новизна полученных результатов заключается в следующем:

1. Предложены критерии и проведено исследование эффективности сегментации кожи человека в различных цветовых пространствах.

2. Разработана методика оценки точности и помехоустойчивости линейных методов выделения границ на изображениях.

3. Разработан метод следящего выделения контуров на полутоновых изображениях, не требующий обработки всего изображения и выполнения дополнительных морфологических операций.

4. Разработаны методы поиска и выделения основных контрольных точек на изображении лица человека по цветовой и контурной информации.

5. Разработаны методы классификации на основе алгоритмов AdaBoost и С4.5, сокращающие время обучения классификатора.

6. Разработана модель параллельной структуры системы идентификации личности по изображению лица и аппаратно-программный комплекс, реализующий модель.

Практическую ценность работы представляют:

1. Метод сегментации кожи человека на цветном изображении.

2. Метод следящего выделения контуров на полутоновых изображениях.

3. Набор методов выделения основных контрольных точек на изображении лица человека по цветовой и контурной информации.

4. Методика ускоренного построения классификатора АсІаВооБІ и С4.5.

5. Аппаратно-программный комплекс идентификации личности по изображению лица.

Внедрение результатов работы. Метод следящего выделения контуров на полутоновых изображениях использован при создании программно-математического обеспечения для задач оптического зондирования природных сред специалистами отделения НО-6 ООО ФГУП "НПК 'ТОЙ им. С.И. Вавилова" (г. Санкт-Петербург).

Предложенные методы и программное обеспечение использованы при разработке опытного образца биометрической системы контроля доступа, планируемой к внедрению в составе комплексных систем безопасности совместно с ООО "АЛПРО" (г. Санкт-Петербург).

Результаты диссертационной работы внедрены в учебный процесс СПбГЭТУ "ЛЭТИ" в форме материалов для лекций и лабораторных работ по дисциплинам: "Цифровая обработка аудио- и видеосигналов", "Цифровая обработка оптических полей", "Цифровая обработка изображений".

Апробация работы. Основные теоретические и практические результаты диссертации были доложены и получили одобрение на следующих конференциях и семинарах: 8-м открытом российско-немецком семинаре "Распознавание образов и понимание изображений" (РОПИ-8-2011, г. Нижний Новгород, 2011 г.); 8-й и 9-й международных конференциях "Телевидение: передача и обработка изображений" (г. Санкт-Петербург, 2011 - 2012 гг.); 10-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" (РОАИ-10-2010, г. Санкт-Петербург, 2010 г.); XV - XVI международных конференциях "Современное образование: содержание, технологии, качество" (г. Санкт-Петербург, 2009 -2010 гг.); 65й, 64-й и 61-й научно-технических конференциях профессорско-преподавательского состава СПбГЭТУ "ЛЭТИ" (2008, 2011, 2012 гг.), научных семинарах кафедры математического обеспечения и применения ЭВМ и кафедры телевидения и видеотехники СПбГЭТУ "ЛЭТИ".

Публикации. По теме диссертации опубликовано 16 научных работ, из них - 5 статей (опубликованные в ведущих рецензируемых журналах и изданиях, определенных ВАК Минобрнауки РФ), 11 работ - в материалах российских и международных научно-технических конференций.

Структура и объем диссертации. Диссертация состоит из введения, шести глав, заключения, списка литературы, включающего 186 наименований, и приложений. Основная часть работы изложена на 170 страницах машинописного текста. Работа содержит 72 рисунка и 16 таблиц.

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Хомяков, Марат Юрьевич

Выводы

Модель системы биометрической идентификации личности по изображению лица, предложенная в работе, позволяет проводить классификацию различных типов признаков независимо и учитывать их информационную значимость.

Разработан аппаратно-программный комплекс, реализующий предложенную модель. Комплекс поддерживает основные существующие для персональных компьютеров платформы.

Получено экспериментальное подтверждение эффективности разработанной модели. Комплекс соответствует требованиям стандарта ГОСТ Р ИСО/МЭК 19794-5-2006 "Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Данные изображения лица".

В результате проведения теоретических и экспериментальных исследований, представленных в работе, были разработаны методы, позволяющие повысить эффективность биометрической идентификации людей по изображению лица.

1. Разработан метод выделения цвета кожи человека на изображении, основанный на исследованных характеристиках цветового пространства YCbCr и особенностях представления цвета человека на цветных изображениях, обладающий высокой операционной эффективностью.

2. Разработан метод автоматического отслеживания границ по полутоновым изображениям, позволяющий существенно сократить вычислительные затраты и повысить качество выделения границ объектов. Предложена модель оценки ошибок и артефактов, вызванных дискретизацией при оцифровке реальных входных изображений. Проведена оценка изотропности выделения границ, ошибки расчета "силы" и направления границ для градиентных операторов и операторов второй производной. Проведено исследование точности отслеживания острых изломов границы. Установлена оптимальность оператора Isotropic для следящего отслеживания границ. Проведена оценка помехоустойчивости линейных методов выделения границы. Установлено превосходство градиентных операторов 3x3 в условиях зашумленности изображений и оптимальность операторов Isotropic и Sobel.

3. Предложен и исследован набор контрольных точек для расчета признаков лица человека, соответствующий ГОСТ 19794-5-2006. Разработан метод комбинирования антропометрических признаков лица и контурного описания элементов лица, позволяющий существенно повысить репрезентативность отбираемых признаков. Предложены методы поиска и выделения областей глаз, носа и рта человека на изображении, для определения контрольных точек и контурного описания, обладающие малой операционной сложностью и высокой точностью.

4. Разработан подход по комбинированию алгоритмов семейства АёаВооэ! с деревьями принятия решений С4.5 и теоретически доказана обоснованность такого подхода. Предложены и исследованы модификации алгоритмов построения классификатора АёаВооэ! и дерева принятия решений

С4.5, позволяющие существенно сократить вычислительные затраты без по тери качества классификации.

5. Предложен алгоритм биометрической идентификации личности по изображению лица, соответствующий ГОСТ 19794-5-2006. Разработан и исследован аппаратно-программный комплекс биометрической идентификации личности, реализующий разработанные алгоритмы и подтверждающий их совокупную эффективность.

Список литературы диссертационного исследования кандидат технических наук Хомяков, Марат Юрьевич, 2012 год

1. Быков, P.E. Цифровое преобразование изображений / Р.Е.Быков, A.A. Манцветов, Р. Фрайер, К.В. Иванов. М.: Горячая линия -Телеком, 2003 - 228 с.

2. Вежневец, В. Оценка качества работы классификаторов. Электронный ресурс. URL: http://cgm.graphicon.ru/content/view/106/66/ (дата обращения: 10.05.2012).

3. Глезер, В.Д. Зрение и мышление. Л.: Наука, 1993. - 283 с.

4. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс -М.: Техносфера, 2006. 1072 с.

5. ГОСТ Р 19794-5-2006. Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Данные изображения лица. Введ. 2006-03-30. - М.: Изд-во стандартов, 2006. - V, 36 с.

6. Кухарев, Г.А. Системы распознавания человека по изображению лица / Г.А. Кухарев, Н.Л. Щеголева. СПб: Изд-во СПбГЭТУ "ЛЭТИ", 2006. -176 с.

7. Кухарев, Г.А. Системы распознавания человека по изображению лица: Учеб. пособие / Г.А. Кухарев, Н.Л. Щеголева. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2005. - 96 с.

8. Лысенко, Н.В. Анализ и синтез видеоинформационных систем. СПб: Изд-во СПбГЭТУ "ЛЭТИ", 2002. - 95 с.

9. Методические указания к лабораторным работам по дисциплине «Цифровая обработка изображений» / Сост. Ю.Н. Хомяков; Под. ред. P.E. Быкова. СПб.: ГЭТУ, 1994 - 32 с.

10. Мончак, A.M. Помехоустойчивость беспорогового алгоритма обнаружения контурных элементов изображения // Известия СПбГЭТУ "ЛЭТИ". Формирование и обработка сигналов и изображений. 1979. -Вып. 234.-С. 26-31.

11. Раудис, Ш. Ограниченность выборки в задачах классификации // Статистические проблемы управления. 1976. - № 8. - С. 6-185.

12. Сергиенко, А.Б. Цифровая обработка сигналов. СПб.: Питер, 2005. -608 с.

13. Терехов, С. А. Технологические аспекты обучения нейросетевых машин // Нейроинформатика 2006, Сборник научных трудов VIII всероссийской научно-технической конференции (Москва, 24-27 января 2006). М., 2006. - С. 13-73.

14. Терехов, С. А. Гениальные комитеты умных машин // Нейроинформатика 2007, Сборник научных трудов IX всероссийской научно-технической конференции (Москва, Россия, 24-26 января 2007). М., 2007. - часть 2. - С. 11-42.

15. Хомяков, М.Ю. Классификация цвета кожи человека на цветных изображениях // Компьютерная оптика. 2011. - № 35 (3). - С. 373-379.

16. Хомяков, М.Ю., Кухарев Г.А. Принципы построения пакета программ для моделирования систем распознавания изображений лиц // Известия СПбГЭТУ "ЛЭТИ". 2010. - № 7. - С. 41-46.

17. Хомяков, М.Ю., Щеголева Н.Л. Сокращение вычислительной сложности классифицирующих алгоритмов семейства AdaBoost // Известия высших учебных заведений России. Радиоэлектроника. -2010. -№ 4.-С. 32-39.

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

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

20. Шахиди, А. Деревья решений С4.5 математический аппарат. Электронный ресурс. - URL: http://www.basegroup.ru/library/analysis/tree/mathc45partl (дата обращения: 10.05.2012).

21. Ярбус, А.Л. Роль движений глаз в процессе зрения. М.: Наука, 1965.167 c.

22. Abadpour, A. Pixel based Skin Detection for Pornography Filtering / A. Abadpour, S. Kasaei // Iranian Journal of Electrical and Electronic Engineering (IJEEE). 2005. - Vol. 1, No. 3. - P. 21-41.

23. Adipranata, R. Fast Method for Multiple Human Face Segmentation in Color Image / R. Adipranata, E. Soewandojo, C.G. Ballangan, and R.P. Ongkodjojo // International Journal of Advanced Science and Technology. 2009. - Vol. 3. - P. 19-32.

24. Avnimelech, R. Boosting regression estimators / R. Avnimelech, N. Intrator //Neural Computation. 1999. - Vol. 11. - P. 491-513.

25. Bailly-baillire, E. The BANCA database and evaluation protocol / E. Bailly-baillire and et al. // Audio- and Video-Based Biometric Person Authentication (AVBPA03), Proc. Int. Conf. (Guildford, UK, June 9-11 2003). UK, 2003. - P. 525-538.

26. Belhumeur, P.N. Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection / P.N. Belhumeur, J.P. Hespanha, D.J. Kriegman // Pattern Analysis and Machine Intelligence, IEEE Trans. 1997. - Vol. 19. -P. 711-720.

27. Blackburn, D. Face recognition vendor test 2000. Technical report A269514 / D. Blackburn, J. Bone, P.J.Phillips. Arlington, VA, USA : Defense

28. Advanced Research Projects Agency, 2001. 71 p.

29. Blumer, A. Learnability and the Vapnik-Chervonenkis dimension / A. Blumer, A. Ehrenfeucht, D. Haussler, M. Warmuth // Journal of the Association for Computing Machinery. 1989. - Vol. 36 (4). - P. 929-965.

30. Bowyer, K.W. A survey of approaches and challenges in 3D and multimodal 3D+2D face recognition / K.W. Bowyer, K. Chang, P.J. Flynn // Computer Vision and Image Understanding. 2006. - Vol. 101.-P. 1-15.

31. Breiman, L. Bagging predictors. // Machine Learning. 1996. - Vol. 24(2). -P. 123 - 140.

32. Breiman, L. Stacked regressions. // Machine Learning. 1996. - Vol. 24 (1). -P. 49-64.

33. Canny, J. A Computational Approach to Edge Detection // Pattern Analysis and Machine Intelligence, IEEE Trans. 1986. - Vol. PAMI-8, No 6. -P. 679-698.

34. Caruana, R. An Empirical Comparison of Supervised Learning Algorithms Using Different Performance Metrics // Machine learning (ICML'06), Proc. of the 23rd Intl. Conf. (Edinburgh, Scotland, June 25-29 2006). Pittsburgh, PA, USA, 2006.-P. 161-168.

35. Chai, D. Face segmentation using skin-color map in videophone applications / D. Chai; K.N. Ngan // Circuits and Systems for Video Technology, IEEE Trans. 1999. - Vol. 9 (4). - P. 551-564.

36. Chang, F. A component-labeling algorithm using contour tracing technique / F. Chang, C.-J. Chen // Document Analysis and Recognition (ICDAR'03), Proc. of the 7th Intl. Conf. (Edinburgh, Scotland, August 3-6 2003). -Scotland, 2003. Vol. 1. - P. 741-745.

37. Chellappa, R. Fluman and Machine Recognition of Faces: A Survey / R. Chellappa, C.L. Wilson, S. Sirohey//Proc. of the IEEE. 1995. - Vol. 83, No. 5. - P. 705-740.

38. CIE Publ. No. 15.2. Recommendations on Uniform Color Spaces, Color Difference Equations, Psychometric Color Terms. Paris, France: Central

39. Bureau of the CIE, 1978. 21 p.

40. Clark, P. The CN2 induction algorithm. / P. Clark, T. Niblett. // Machine Learning. 1989. - Vol. 3 (4). - P. 261-283.

41. Classification and Regression Trees / L. Breiman, J. Friedman, C. Stone, R. Olshen. Boca Raton: Chapman & Hall, 1993. - 368 p.

42. Clemen, R. Combining forecasts: A review and annotated bibliography. // Journal of Forecasting. 1989. - Vol. 5. - P. 559-583.

43. Comon, P. Independent component analysis A new concept? // Signal Processing. - 1994. - Vol. 36. - P. 287-314.

44. Cootes, T.F. Active shape models: Evaluation of a multi-resolution method for improving image search / T.F. Cootes, C.J. Taylor, A. Lanitis // Proc. of 5-th British Machine Vision Conf. (York, UK, September 13-16 1994). -UK, 1994.-P. 327-336.

45. Cox, I.J. Feature-based face recognition using mixture-distance / I.J. Cox, J. Ghosn, P.N. Yianilos // Computer Vision and Pattern Recognition (CVPR '96), Proc. of IEEE Conf. (San Francisco, CA, USA, June 18-20 1996). -USA, 1996.-P. 209-216.

46. Cristinacce, D. A Multi-Stage Approach to Facial Feature Detection / D. Cristinacce, T. Cootes, I. Scott // Proc. of 15-th British Machine Vision Conference (BMVC 2004). (London, UK, September 7-9 2004). UK, 2004. - P. 277-286.

47. De Silva, L.C. Detection and tracking of facial features by using a facial feature model and deformable circular template / L.C. De Silva, K. Aizawa, M.Hatori, // IEICE Trans. Inform. Systems. 1995. - Vol. E78-D (9). -P. 1195-1207.

48. Degtyarev, N. Comparative testing of face detection algorithms / N. Degtyarev, O. Seredin // Lecture Notes in Computer Science. 2010. -Vol. 6134.-P. 200-209.

49. Ding, X.Q. Discussions on some problems in face recognition / X.Q. Ding, C. Fang // Lecture Notes in Computer Science. Berlin, Germany: Springer.-2004.-Vol. 3338.-P. 47-56.

50. Drucker, H. Boosting decision trees. / H. Drucker, C. Cortes. // Advances in Neural Information Processing Systems. 1996. - Vol. 8. - P. 479-485.

51. Duda, R.O. Pattern Classification and Scene Analysis / R.O. Duda, P.E. Hart. New York, USA: Wiley, 1973. - 512 p.

52. Efron, B. Bootstrap methods another at the jackknife // Annals of Statistics. 1979.-Vol. 7(1).-P. 1-26.

53. Farkas, L. Anthropometry of the Head and Face / L. Farkas. New York, USA: Raven Press, 1994. - 405 p.

54. Feng, G.C. Variance projection function and its application to eye detection for human face recognition / G.C. Feng, Yuen P.C. // Pattern Recognition Letters. 1998. - Vol. 19. - P. 899-906.

55. Fleck, M. Finding Naked People / M. Fleck, D.Forsyth, C. Bregler // Computer Vision (ECCV'96), Proc. of 4-th European Conf., Volume II. (Cambridge, UK, April 14-18 1996). UK, 1996. - P. 592-602.

56. Forczmanski, P. Comparative analysis of simple facial features extractors / P. Forczmanski, G. Kukharev // Journal of real-time image processing. -2007. Vol. 1, No. 4. - P. 239-255.

57. Freeman, H. Computer Processing of Line-Drawing Images // Computer Survey. 1974. - Vol. 6. - P. 57-97.

58. Freeman, W.T. The design and use of steerable filters / W.T. Freeman, E.H. Adelson // Pattern Analysis and Machine Intelligence, IEEE Trans. -1991. Vol. 13,No. 9-P. 891-906.

59. Freud, Y. A decision theoretic generalization of on-line learning and an application to boosting. / Y. Freud, R. Schapire. // Journal of Computer and System Sciences.-1997.-Vol. 55.-P. 119-139.

60. Freud, Y. Boosting a weak learning algorithm by majority. // Information and Computation. 1995. - Vol. 121(2). - P. 256-285.

61. Freud, Y. Experiments with a new boosting algorithm / Y. Freud, R. Schapire // Machine Learning, Proc. of the 13-th Intl. Conf. (Bari, Italy, July 3-6 1996). Italy, 1996. - P. 148-156.

62. Freud, Y. Experiments with a new boosting algorithm. / Y. Freud, R. Schapire. // Machine Learning: Proceedings of the Thirteenth International Conference. 1996. - P. 148 - 156.

63. Friedman, J. Additive logistic regression: a statistical view of boosting (with discussion). / J. Friedman, Hastie Т., Tibshirani R. // Annals of Statistics. -2000. Vol. 28(2). - P. 337-374.

64. Ghuneim A. Contour tracing Электронный ресурс. URL: http://www.imageprocessingplace.com/downloadsV3/rootdownloads/tutor ials/contourtracingAbeerGeorgeGhuneim/index.html (дата обращения: 10.05.2012).

65. Girod В. Face Detection Project Электронный ресурс. URL: http://www.stanford.edu/class/ee368/Project03/project03.html (дата обращения: 10.05.2012).

66. Gong, S. Dynamic Vision: From Images to Face Recognition / S. Gong, S.J. McKenna, A. Psarrou. London, UK: Imperial College Press, 2000. - 344 p.

67. Gordon G. Face Recognition Based on Depth Maps and Surface Curvature // Geometric Methods in Computer Vision, SPIE Proc. 1991. - Vol. 1570. -P. 234-247.

68. Gunn, S.R. A dual active contour for head and boundary extraction / S.R. Gunn, M.S. Nixon // Image Processing for Biometric Measurement, IEE Colloquium. (London, UK, April 20 1994). UK, 1994. - P. 6/1.

69. Hansen, D.W. In the Eye of the Beholder: A Survey of Models for Eyes and Gaze / D.W. Hansen, J. Qiang // Pattern Analysis and Machine Intelligence. 2010. - Vol. 32, No. 3. - P. 478-500.

70. Harshith, C. Survey on Various Gesture Recognition Techniques for Interfacing Machines Based on Ambient Intelligence / C. Harshith and et al. // International Journal of Computer Science & Engineering Survey (IJCSES). 2010. - Vol. 1, No. 2. - P. 31-42.

71. Hill, H. Information and viewpoint dependence in face recognition / H.Hill, P.G. Schyns, S. Akamatsu // Cognition. 1997. - Vol. 62. - P. 201-222.

72. Hjelmas E. Face Detection: A Survey // Computer Vision and Image Understanding. 2001. - Vol. 83. - P. 236-274.

73. Hsu, R.-L. Face Detection in Color Images / R.-L. Hsu, M. Abdel-Mottaleb, A. Jain // Pattern Analysis and Machine Intelligence, IEEE Trans. 2002. -Vol. 29 (5).-P. 696-706.

74. Huang R.-J. J. Detection Strategies for face recognition using learning and evolution : Ph.D. Dissertation ; George Mason University. Fairfax, VA, USA, 1998.-62 p.

75. Huang, J. Eye detection using optimal wavelet packets and radial basis functions (rbfs) / J. Huang, H. Wechsler // International Journal of Pattern Recognition and Artificial Intelligence. 1999. - Vol. 13. - P. 1009-1026.

76. Hunt, E. Experiments in Induction / E. Hunt, J. Marin, P. Stone. NY: Academic Press, 1966. - 247 p.

77. Plyafil, L. Constructing Optimal Binary Decision Trees is NP-Complete / L. Hyafil, R. Rivest. // Information Processing Letters. 1976. - Vol. 5(1). -P. 15-17.

78. Jackson, J. Learning sparse perceptrons. Advances in Neural Information

79. Processing Systems 8 / J.Jackson, M.Craven. Cambridge, MA.: MIT Press, 1996.

80. Jafri, R. A Survey of Face Recognition Techniques / R. Jafri, H.R. Arabnia // Journal of Information Processing Systems. 2009. - Vol. 5 (2). - P. 41-68.

81. Jones, M.J. Face Recognition: Where We Are and Where To Go From Here / M.J. Jones // Electronic, Information and Systems, IEEJ Trans. 2009. -Vol. 129 (5).-P. 770-777.

82. Jones, M.J. Statistical Color Models with Application to Skin Detection / M.J. Jones, J.M. Rehg // International Journal of Computer Vision. 2002. -Vol. 46(1).-P. 274-280.

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

84. Kakumanu, P. A survey of skin-color modeling and detection methods / P. Kakumanu, S. Makrogiannis, N. Bourbakis // Pattern Recognition. -2007. Vol. 40 (3). - P. 1106-1122.

85. Kass, G. An Exploratory Technique for Investigating Large Quantities of Categorical Data. // Journal of Applied Statistics. 1980. - Vol. 29(2). -P. 119-127.

86. Kass, M. Snakes: active contour models / M Kass, A. Witkin, D. Terzopoulos // International Journal of Computer Vision. 1987. -Vol. 1 (4).-P. 321-331.

87. Kelly, M.D. Visual identification of people by computer. Tech. rep. AI-130. Stanford, CA, USA: Stanford AI Project, 1970.

88. Khomyakov, M. Comparative Evaluation of Linear Edge Detection Methods // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2012. - Vol. 22 (2). - P. 291-302.

89. Khomyakov, M. Comparative Evaluation of Noise Insensitivity of Linear Edge Detection Techniques // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2011. - Vol. 21 (2). -P. 274-278.

90. Kittler, J. On combining classifiers / J. Kittler, M. Hatef, R.P.W. Duin, J. Matas // Pattern Analysis and Machine Intelligence, IEEE Trans. 1998. -Vol. 20, No.3.-P. 226-239.

91. Kong, S.G. Recent advances in visual and infrared face recognition a review / S.G. Kong and et al. // Computer Vision and Image Understanding. - 2005. - Vol. 97. - P. 103-135.

92. Kovac, J. Human skin color clustering for face detection / J. Kovac, P. Peer,

93. F. Solina // Computer as a Tool (EUROCON 2003), Proc. of Int. Conf. (Ljubljana, Slovenia, September 22-24 2003). Slovenia, 2003. - P. 144-148.

94. Krebel, U. Advances in Kernel Methods. Pairwise classification and support vector machines. MA, USA: MIT Press Cambridge, 1999. - P. 255-268.

95. Kruppa, H. Skin Patch Detection in Real-World Images / H. Kruppa, M. Bauer, S. Schiele // In Annual Symposium for Pattern Recognition of the DAGM 2002. 2002. - Springer LNCS 2449. - P. 109-117.

96. Kukharev, G. Strategia budowy systemyow klasy „Face Retrieval" /

97. G. Kukharev, M. Miklasz., T.B. Nguyen // Metody informatyki stosowanej. 2007. - Vol. 12, No. 2. - P. 61-72.

98. Lam, K.M. Locating and extracting the eye in human face images / K.M. Lam, H. Yan // Pattern Recognition. 1996. - Vol. 29. - P. 771-779.

99. Lanitis, A. Automatic tracking, coding and reconstruction of human faces, using flexible appearance models / A. Lanitis, C.J. Taylor, T.F. Cootes // IEEE Electronics Letters. 1994. - Vol. 30. - P. 1578-1579.

100. Li, J. A Comparison of Subspace Analysis for Face Recognition / J. Li, S. Zhou, C. Shekhar // Multimedia and Expo, 2003. ICME '03, Proc. IEEE Int. Conf. (College Park, MD, USA, July 6-9 2003). USA, 2003. - P. 121-124.

101. Li, M. 2D-LDA: A statistical linear discriminant analysis for image matrix / M. Li, B. Yuan // Pattern Recognition Letters. 2005. - Vol. 26. - P. 527-532.

102. Lin, C. Human face detection using geometric triangle relationship / C .Lin, K. Fan // Pattern Recognition, Proc. of the 15th Int. Conf., 2000, Vol. II. (Barcelona, Spain, September 3-8 2000) Spain, 2000. - P. 941-944.

103. Lin, C.C. Extracting facial features by an inhibitory mechanism based on gradient distributions / C.C. Lin, W.C. Lin // Pattern Recognition 1996. -Vol. 29.-P. 2079-2101.

104. Lin, C.H. Automatic facial feature extraction by genetic algorithms /

105. C.H. Lin, J.L. Wu // Image Processing, IEEE Trans. 1999. - Vol. 8. -P. 834-845.

106. Luthon, F. Lip motion automatic detection / F. Luthon, M. Lievin // Image Analysis (SCIA'97), Proc. of Scandinavian Conf. (Lappeenranta, Finland, June 9-12 1997). Finland, 1997.

107. Machine Learning, Neural and Statistical Classification. / D. Michie (ed.),

108. D. Spiegelhalter (ed.), C. Taylor (ed.). NY: Prentice Hall, 1994. - 289 p. -(Ellis Horwood Series in Artificial Intelligence).

109. Maio, D. Real-time face location on gray-scale static images / D. Maio, D. Maltoni //Pattern Recognition. 2000. - Vol. 33. - P. 1525-1539.

110. Mardia, K.V. Multivariate Analysis / K.V. Mardia, J.T. Kent, J.M. Bibby. -San Diego, CA, USA: Academic Press, 1979.

111. Martinkauppi J. Facial Skin Color Modeling // Handbook of face recognition / S.Z. Li (ed.), Anil K. Jain (ed.). New York: Springer, 2005. - Ch. 6.1. P.113-135.

112. MATLAB and Simulink. Installation Guide. Release 2011b Электронный ресурс. // The MathWorks, Inc. URL: http://www.mathworks.coin/help/pdfdoc/matlab/inspcmc.pdf (дата обращения 10.05.2012).

113. McKenna, S. Face tracking and pose representation / S. McKenna, S. Gong, J.J. Collins // In British Machine Vision Conference. (Edinburgh, Scotland, September 1996). Scotland, 1996. - P. 755-764.

114. Meir, R. An introduction to boosting and leveraging / R. Meir, G. Ratsch, S. Mendelson (ed.), A. Smola (ed.) // Advanced Lectures on Machine Learning. New York: Springer, 2003. - P. 119-184.

115. Messer, K. Face Authentication Test on the BANCA Database / K. Messer and et al. // Pattern Recognition, Proc. of 17th Int. Conf. (Cambridge, UK, August 23-26 2004). UK, 2004. - Vol. 4. - P. 523-532.

116. Messer, K. Face Verification Competition on the XM2VTS Database / K. Messer and et al. // Audio- and Video-Based Biometric Person Authentication (AVBPA 2003), Proc of the 4th Int. (Guidford, UK, June 911 2003). UK, 2003. - P. 964-974.

117. Moses, Y. Face recognition: the problem of compensating for changes in illumination direction / Y. Moses, Y. Adini, S. Ullman // Computer Vision, Proc. of Third European Conf. (Stockholm, Sweden, May 2-6 1994). -Sweden, 1994 Vol. 1. - P. 286-296.

118. Nastar, C. Real time face recognition using feature combination / C. Nastar, M. Mitschke // Automatic Face and Gesture Recognition, Proc. of 3rd IEEE Int. Conf. (Nara, Japan, April 16 1998). Japan, 1998. - P. 312-317.

119. Okada, K. The bochum/USC face recognition system and how it fared in the

120. FERET phase III test / K. Okada and et al. // Face Recognition: From Theory to Application. Berlin/New York: Springer-Verlag, 1998. - P. 186-205.

121. Owens J.D. A Survey of General-Purpose Computation on Graphics Hardware // Computer Graphics Forum. (September 2007). 2007. -Vol. 26(1).-P. 80-113.

122. Papageorgiou, C.P. A General Framework for Object Detection / C.P. Papageorgiou, M. Oren, T. Poggio // Computer Vision (ICCV'98), Proc. of Sixth International Conf. (Bombay, India, January 4-7 1998). India, 1998.-P. 555-562.

123. Patil, A.M. 2D Face Recognition Techniques: A Survey / A.M. Patil, S.R. Kolhe, P.M. Patil // International Journal of Machine Intelligence. -2010.-Vol. 2, No. l.-P. 74-83.

124. Pentland, A View-based and modular eigenspaces for face recognition / A. Pentland, B. Moghaddam, T. Strarner // Computer Vision and Pattern Recognition (CVPR'94), Proc. of Int. Conf. (June 1994). 1994. - P. 84-91.

125. Perron, M. Improving Regression Estimation: Averaging Methods for Variance Reduction with Extension to General Convex Measure Optimization. Ph.D. Dissertation. Providence, RL: Brown University, 1993.

126. Phillips P.J. Face Recognition Vendor Test (FRVT 2002). Evaluation report IR 6965 / P.J. Phillips and et al.. Gaithersburg, MD, USA: National Institute of Standards and Technology, 2003. - 54 p.

127. Phillips P.J. The FERET database and evaluation procedure for face recognition algorithms / P.J. Phillips, H. Wechsler, J. Huang, P. Rauss // Image and Vision Computing J.- 1998. Vol. 16, No. 5. - P. 295-306.

128. Phillips P.J. The FERET Evaluation Methodology for Face Recognition Algorithms / P.J. Phillips, H. Moon, S.A. Rizvi, P.J. Rauss // Pattern Analysis and Machine Intelligence, IEEE Trans. 2000. - Vol. 22. - P. 1090-1104.

129. Pining, S.L. Skin segmentation using color pixel classification: analysis and comparison / S.L. Phung, A. Bouzerdoum, D. Chai // Pattern Analysis and Machine Intelligence, IEEE Trans. 2005. - Vol. 27 (1). - P. 148-154.

130. Quinlan J. R. Bagging, boosting and C4.5 // Artificial Intelligence, Proc. of the 13th National Conf. (Portland, OR, USA, August 4-8 1996). USA, 1996.-P. 725-730.

131. Quinlan R. C4.5: Programs for Machine Learning. San Mateo, CA, USA: Morgan Kaufmann, 1993. - 302 p.

132. Ratsch, G. Efficient margin maximizing with boosting / G. Ratsch, M. Warmuth // JMLR. 2005. - Vol. 6. - P. 2131-2152.

133. Recommendation ITU-R BT.601-5, Studio Encoding Parameters of Digital Television for Standard 4:3 and Wide-screen 16:9 Aspect Ratios. Geneva, Switzerland: International Telecommunication Union, 1995. - 16 p.

134. Reisfeld, D. Context-free attentional operators: The generalized symmetry transform / D. Reisfeld, H. Wolfson, Y. Yeshurun // International Journal of Computer Vision. 1995. - Vol. 14. - P. 119-130.

135. Reisfeld, D. Robust detection of facial features by generalized symmetry / D.Reisfeld, Y. Yeshurun // Pattern Recognition, Proc. of 11th Int. Conf. (Flague, The Netherlands, August 30 September 3 1992). - The Netherlands, 1992. - P. 117-120.

136. Roli, F. Multiple Classifier Systems. Lecture Notes in Computer Science. Proc. of the 3rd International Workshop (MCS 2002). Vol. 2364. / F. Roli, J. Kittler. Berlin/New York: Springer-Verlag, 2002. - 336 p.

137. Rosset, S. Boosting as a Regularized Path to a Maximum Margin Classifier. / S. Rosset, J. Zhu, T. Hastie. // Journal of Machine Learning Research. -2004.-Vol. 5.-P. 941-973.

138. Rothwell, C.A. Driving vision by topology / C.A. Rothwell, J.L. Mundy, W. Hoffman, V.-D. Nguyen // Computer Vision, Proc. of the Int. Symp. (Coral Gables, FL, USA, November 21-23 1995). USA, 1995. - P. 395-400.

139. Rowley, H.A. Neural network-based face detection / H.A. Rowley, S. Baluja, T. Kanade // Pattern Analysis and Machine Intelligence, IEEE Trans. 1998. - Vol. 20. - P. 23-38.

140. Ruifrok A. A Survey of 3D Face Recognition Methods / A. Ruifrok, A. Scheenstra, R. C. Veltkamp // Lecture Notes in Computer Science. -2005.-Vol.3546.-P. 891-899.

141. Sakai T. Computer analysis and classification of photographs of human faces / T. Sakai, M. Nagao, T. Kanade // Proc. 1st US A-Japan Computer Conf. (Tolyo, Japan, October 1972). Japan, 1972. - P. 2.7.

142. Schapire, R. Improved boosting algorithms using confidence-rated predictions. / R. Schapire, Y. Singer // Proceedings of the Eleventh Annual Conference on Computational Learning Theory. 1998. - P. 80-91.

143. Schapire, R. Theoretical views of boosting and applications // Lecture Notes In Computer Science. 1999. - Vol. 1720. - P. 13-25.

144. Sharma P. A color face image database for benchmarking of automatic face detection algorithms Электронный ресурс. URL: http://dsp.ucd.ie/~prag/DatabaseFinal.pdf (дата обращения: 10.05.2012).

145. Shi, L. Skin Colour Imaging That Is Insensitive to Lighting Conditions / L. Shi, B. Funt // Colour Effects & Affects, Proc. of AIC (Association Internationale de la Couleur) Conf. (Stockholm, Sweden, June 15-18 2008). Sweden, 2008. - Paper no 102.

146. Sinha, P. Face Recognition by Humans: 19 Results All Computer Vision

147. Researchers Should Know About / P. Sinha, B. Balas, Y. Ostrovsky, R. Russell // Proc. of the IEEE. 2006. - Vol. 94 (11). - P. 1948-1962.

148. Sirovich, L. Low-dimensional procedure for the characterization of human faces / L. Sirovich, M. Kirby // Optical Society of America. 1987. - Vol. 4, No. 3.-P. 519-524.

149. Smith A.R. Color Gamut Transform Pairs // Computer graphics and interactive techniques (SIGGRAPH 78), Proc. of the 5th annual conf. (Atlanta, USA, August 23-25 1978). USA, 1978. - P. 12-19.

150. Smyth, P. An Information Theoretic Approach to Rule Induction from Databases / P. Smyth, R. Goodman. // IEEE Transactions on Knowledge and Data Engineering. 1992. - Vol. 4. - P. 301-316.

151. Tan, X. Face Recognition from a Single Image per Person: A Survey / X. Tan, S. Chen, Z.-H. Zhou, F. Zhang // Pattern Recognition. 2006. -Vol. 39, No. 9. - P. 1725-1745.

152. Torres L. Is there any hope for face recognition? // Image Analysis for Multimedia Interactive Services (WIAMIS 2004), Proc. of the 5th Int. Workshop. (Lisboa, Portugal, April 21-23 2004). Portugal, 2004. - P. 21-23.

153. Tou, J.T. Pattern Recognition Principles / J.T. Tou, R.C. Gonzalez. Boston, USA: Addison-Wesley, 1974. - 377 p. Tou74

154. Tre'meau, A. Color in image and video processing: most recent trends and future research directions / A. Tre'meau, S. Tominaga, K.N. Plataniotis // Journal on Image and Video Processing. 2008. - Vol. Jan. 2008. - P. 1-26.

155. Turk, M. Eigenfaces for Recognition / M. Turk, A. Pentland // Journal of Cognitive Neurosicence. 1991. - Vol. 3, No. 1. - P. 71-86.

156. Turk, M. Face recognition using Eigenfaces / M. Turk, A. Pentland // Computer Vision and Pattern Recognition, Proc. IEEE Conf. (Maui, Hawaii,

157. USA, June 3-6 1991). USA, 1991. - P. 586-591.

158. Vapnik V. The Nature of Statistical Learning Theory. NY: SpringerVerlag, 1995.-314 p.

159. Vezhnevets, A. Avoiding boosting overfitting by removing "confusing" samples / A. Vezhnevets, O. Barinova // Lecture Notes in Computer Science. -2007.-P. 430-441.

160. Vezhnevets, V. A survey on pixel-based skin color detection techniques / V. Vezhnevets, V. Sazonov, A. Andreeva // Computer Graphics and Vision (GraphiCon'2003), Proc. of Int. Conf. (Moscow, Russia, September 5-10 2003). Moscow, 2003. - P. 85-92.

161. Viennet, E. Connectionist methods for human face processing / E. Viennet, F. Fogelman Soulie // Face Recognition: From Theory to Application. -1998.-Vol. 163.-P. 124-156.

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

163. Wang, P. Automatic Eye Detection and Its Validation / P. Wang, M.B. Green, Q. Ji , J. Wayman // Computer Vision and Pattern Recognition (CVPR'05), IEEE Computer Society Conf. (San Diego, CA, USA, June 2026 2005). USA, 2005. - P. 164.

164. Werblin, F. The computational eye / F. Werblin, A. Jacobs, J. Teeters // IEEE Spectrum: Toward an Artificial Eye. 1996. - Vol. 33 (5). - P. 30-37.

165. Wiskott, L. Face recognition by elastic bunch graph matching / L. Wiskott, J.-M. Fellous, C. Von Der Malsburg // Pattern Analysis Machine Intelligence, IEEE Trans. 1997 - Vol. 19. - P. 775-779.

166. Wolff, L.B. Quantitative measurement of illumination invariance for face recognition using thermal infrared imagery / L.B. Wolff, D.A. Socolinsky,

167. C. K. Eveland // CVPR workshop on Computer Vision Beyond Visual Spectrum. (Kauai, HI, USA, 2001). USA, 2001 - P. 140-151.

168. Wolpert, D. Stacked generalization. // Neural Networks. 1992. - Vol. 5. -P. 241-259.

169. Wu, B. Fast rotation invariant multi-view face detection based on real adaboost / B. Wu, H. Ai, C. Huang, S. Lao // Automatic Face and Gesture Recognition, Proc. of 6th IEEE Int. Conf. (Seoul, Korea, May 17-19 2004). -USA, 2004. P. 79-84.

170. Wu, H. Face and facial feature extraction fromcolour image / H. Wu, T. Yokoyama, D. Pramadihanto, M. Yachida // Automatic Face and Gesture Recognition, Proc. of 2nd Int. Conf. (Vermont, October 14-16 1996). USA, 1996.-P. 345-349.

171. Yang, J. Skin-color modeling and adaptation / J. Yang, L. Weier, A. Waibel // Computer Vision (ACCV'98), Proc. of 3rd Asian Conf. (Hong Kong, China, January 8-10 1998). China, 1998. - P. 687-694.

172. Yang, J. Two-Dimensional PCA: A New Approach to Appearance-Based Face Representation and Recognition / J. Yang, D. Zhang // Pattern Analysis and Machine Intelligence, IEEE Trans. 2004. - Vol. 28. - P. 131-137.

173. Yang, M.-H. Detecting Faces in Images: A Survey / M.-H. Yang,

174. D.J. Kriegman, N. Ahuja // Pattern Analysis and Machine Intelligence, IEEE Trans. 2002. - Vol. 24, No. 1. - P. 34-58.

175. Yang, M.-H. Face detection using mixtures of linear subspaces / M.-H. Yang, N. Ahuja, D. Kriegman // Automatic Face and Gesture Recognition, Proc. 4th IEEE Int. Conf. (Grenoble, France, March 28-30 2000) France, 2000. - P. 70-76.

176. Yang, P. Face Recognition Using Ada-Boosted Gabor Features / P. Yang, S. Shan, W. Gao, S. Li, D. Zhang // Automatic Face and Gesture Recognition. -2004.-P. 356-361.

177. Yang, Q. Recent Advances in Subspace Analysis for Face Recognition / Q. Yang, X. Tang // Advances in biometric person authentication 2005.1. Vol. 3338.-P. 721-747.

178. Yitzhaky, Y. A method for objective edge detection evaluation and detector parameter selection / Y. Yitzhaky, E. Peli // Pattern Analysis and Machine Intelligence. 2003. - Vol. 25, No. 8. - P. 1027-1033.

179. Yuille, A.L. Feature extraction from faces using deformable templates / A.L. Yuille, P.W. Hallinan, D.S. Cohen // International Journal Computer Vision. 1992. - Vol. 8. - P. 99-111.

180. Zhang, C. A Survey of Recent Advances in Face Detection. Technical Report. MSR-TR-2010-66 / C.Zhang, Z.Zhang. Redmond, WA, USA: Microsoft Coip, 2010.-17 pp.

181. Zhao, W. Face Recognition: A Literature Survey / W. Zhao, R. Chellappa, A. Rosenfeld, P.J. Phillips // ACM Computing Surveys. 2003. - Vol. 35, No. 4. - P. 399-458.

182. Zhou, S. Face recognition from still images and videos / S.Zhou, R. Chellappa // Handbook of Image and Video Processing / A.C. Bovik (ed.). New-York: Academic Press, 2005. - P. 1235-1250.

183. Zhou, Z.-H. Ensembling neural networks: Many could be better than all / Z.-H. Zhou, J. Wu, W. Tang // Artificial Intelligence. 2002. - Vol. 137, No. 1-2.-P. 239-263.

184. Zhou, Z.-H. Projection functions for eye detection / Z.-H. Zhou, X. Geng // Pattern Recognition. 2004. - Vol. 37. - P. 1049-1056.171