Разработка и исследование методов анализа и построения трехмерной модели лица по фотографиям тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Аль Аккад М. Айман

• Аль Аккад М. Айман
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Аль Аккад М. Айман

ВВЕДЕНИЕ.

1. СИНТЕЗ И РАСПОЗНАВАНИЕ ТРЕХМЕРНЫХ

ГЕОМЕТРИЧЕСКИХ МОДЕЛЕЙ.

1.1. Методы анализа фотоизображений лица человека для обнаружения достоверных точек.

1.2. Методы восстановления объема по одной и нескольким фотографиям.

14 1.3. Методы распознавания трехмерных объектов.

1.4. Выводы и постановка задачи исследования.

2. АЛГОРИТМЫ ПРЕДВАРИТЕЛЬНОГО АНАЛИЗА

И ВЫДЕЛЕНИЯ ДОСТОВЕРНЫХ ТОЧЕК.

2.1. Извлечение областей глаз и губ.

2.2. Извлечение областей лица и бровей.

2.3. Распознавание опорных точек.

2.3.1. Выравнивание яркости.

2.3.2. Масштабирование.

2.3.3. Выделение контуров на полутоновых изображениях.

2.3.4. Распознавание опорных точек.

2.4. Нейросетевой алгоритм локализации уголков глаз.

2.5. Вычисление и коррекция ракурса с использованием опорных точек.

2.6. Выводы по главе.

3. СИНТЕЗ ТРЕХМЕРНЫХ МОДЕЛЕЙ С ИСПОЛЬЗОВАНИЕМ ЗНАНИЙ.

3.1. Адаптация функционала кривизны поверхности.

3.2. Синтез полигональной модели лица. ф 3.3. Вставка деталей лица и текстурирование трехмерной модели.

3.4. Выводы по главе.

4. ИДЕНТИФИКАЦИЯ МОДЕЛЕЙ ЛИЦА.

4.1. Выделение каркаса полигональной модели.

4.2. Сравнение каркасных моделей и оценка сходства.

4.3. Представление и распознавание моделей переменной шириной пульса.

4.4. Архитектура программной системы.

4.5. Выводы по главе.

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов анализа и построения трехмерной модели лица по фотографиям»

На протяжении долгого времени человеческое лицо является объектом пристального изучения многих отраслей науки, ведь оно несет в себе важную уникальную информацию о поле, возрасте и эмоциях человека. Именно уникальность лица каждого человека предопределяет возможность его использования и в области распознавания и удостоверения.

Распознавание образов уже признано важной отраслью машинного зрения в рамках теории вычислительных машин и систем. В сфере распознавания образов распознавание лиц выделилось в независимую область для научных исследований. Оказалось, что системы распознавания лиц представляют собой особый интерес для целого ряда применений в таких областях, как системы безопасности или индексация больших мультимедийных баз данных. Все больше и больше разработок в области безопасности сконцентрировано на биометрическом решении для того, чтобы избавиться от PIN кодов и карт, которые могут быть украдены или потеряны. Еще одним преимуществом использования биометрических черт лица является низкая стоимость оборудования, в частности, камеры. Изображения типа фотографий для досье (фас и профиль) приняты и широко используются в качестве официального метода удостоверения многими правительствами и институтами.

Распознавание образов и интерпретация, основанная на знаниях - одна из важнейших задач искусственного интеллекта (Осипов Г.С.). Как следует из анализа области искусственного интеллекта и машинного зрения, важной частью решения задачи распознавания образа является задача его представления. Вследствие быстрого развития технологии создания аппаратного и программного обеспечения, в компьютерной графике и распознавании образов были сделаны попытки реализовать автоматическое моделирование трехмерного человеческого лица по видео или фотоснимкам, содержащим изображение лица.

Несмотря на разнообразие методов построения и распознавания трехмерной модели, они все еще обладают такими недостатками, как сложность и дорогостоящее внедрение. В связи с этим возникает необходимость в разработке новых подходов, которые упрощают построение трехмерных моделей лиц и делают распознавание более точным.

Для автоматизированного создания трехмерной модели по фотографии необходимым является определение антропометрических точек лица. Большинство существующих систем автоматизированного построения модели головы по фотографиям используют ручное выделение антропометрических точек лица на изображениях.

Объектом исследования являются методы и средства визуализации, трансформации, анализа и обработки видеоинформации для интеллектуальной поддержки процессов принятия управленческих решений в сложных производственных и социальных системах.

Предметом исследования являются методы выделения области лица, его деталей, и особых точек, использующие априорные знания структуры человеческого лица и цвет кожи как признак его присутствия на изображении, алгоритм восстановления формы поверхности лица, с учетом достоверных точек и контуров, метод представления изображения переменной шириной пульса для распознавания лица человека по двум и большему числу цветных фотоизображений.

Цель работы. Снижение требовательности к условиям съемки и повышение эффективности алгоритмов анализа фотоизображений лица человека при сохранении достаточного уровня качества восстановления трехмерных моделей головы и надежности распознавания.

Для достижения поставленной цели необходимо найти простые алгоритмы и модели, такие, чтобы по фотографиям, полученным в обычных условиях бытовой съемки, сохранить приемлемую степень реалистичности трехмерных моделей, достаточную для визуального определения сходства модели с объектом, при сохранении надежности автоматического распознавания. Таким образом, можно выделить следующие задачи исследования:

1. Исследование методов восстановления формы по изображению и методов распознавания объектов.

2. Выбор и обоснование методов предобработки изображений, анализа, выделения деталей лица и достоверных точек, нормализации изображений по яркости, масштабу, ракурсу съемки.

3. Разработка и исследование метода восстановления форма поверхности по двум фотоизображениям (фас и профиль).

4. Разработка метода распознавания объектов.

5. Разработка и исследование алгоритмов и программ.

Методы исследования. Теоретические исследования выполнены с использованием методологии системного анализа, теории множеств, теории графов, векторной и матричной алгебры, математической логики, математического моделирования, теории сплайнов.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается корректностью разработанных математических моделей, их адекватностью по известным критериям оценки в рассматриваемой предметной области, использованием известных положений фундаментальных наук, положительными результатами проведенных экспериментов.

На защиту выносятся результаты исследования применения методов предварительного анализа изображения, выделения антропометрических точек и восстановления формы по изображению для построения трехмерной модели лица и распознавания:

- результаты системного анализа методов синтеза и распознавания объобъектов;

- методика предварительного анализа и обработки фотоизображений головы человека для подготовки к решению задач восстановления трехмерной модели и распознавания (идентификации) личности по фронтальному и профильному видам, основанная на известных методах обработки растровых изображений и методах, специально созданных под выбранную стратегию;

- метод выделения уголков глаз на базе нейронных сетей и многослойного персептрона;

- метод адаптации функционала, вычисляющего кривизну поверхности в заданной точке по модели отражения Ламберта, который учитывает кривизну контура профиля, выделенного на профильном виде;

- метод синтеза полигональной модели головы путем построчного сканирования фронтального вида адаптированным функционалом кривизны с учетом типовых сечений головы, модифицируемых с помощью достоверных точек лица, найденных на фронтальном и профильном видах;

- метод выделения каркаса полигональной модели головы с целью сокращения объема информации, которую требуется хранить в базе геометрических моделей и по которой можно с минимальными потерями качества восстановить полигональную модель, а также с целью повышения быстродействия алгоритма сравнения трехмерных моделей для их идентификации;

- метод распознавания объектов, заключающийся в сравнении каркасных моделей путем поиска общей гомоморфной части графов анализируемой и эталонной моделей, позволяющий повысить надежность распознавания благодаря учету параметров вершин и ассоциативных связей между ними;

- метод вычисления оценки сходства образов, который автоматически придает больший вес совпадению тех элементов моделей, которые в соответствии с заданной гребенкой признаков идентификации считаются более существенными;

- метод распознавания объектов по фотографиям на основе представления объектов переменной шириной интервалов постоянных приращений углов полигонов;

- разработка автоматизированной системы построения трехмерной модели и распознавания по двум фотоизображениям;

- результаты экспериментальных исследований и анализа эффективности.

Научная новизна.

1. Метод адаптации функционала, вычисляющего кривизну поверхноста в заданной точке по модели отражения Ламберта, который учитывает кривизну контура профиля, выделенного на профильном виде.

2. Метод синтеза полигональной модели головы путем построчного сканирования фронтального вида адаптированным функционалом кривизны с учетом типовых сечений головы, модифицируемых с помощью достоверных точек лица, найденных на фронтальном и профильном видах.

3. Метод распознавания объектов, заключающийся в сравнении каркасных моделей путем поиска общей гомоморфной части графов анализируемой и эталонной моделей, позволяющий повысить надежность распознавания благодаря учету параметров вершин и ассоциативных связей между ними.

4. Метод распознавания объектов по фотографиям на основе представления объектов переменной шириной интервалов постоянных приращений углов полигонов.

Практическая полезность и реализация.

1. Полученные в работе методы и алгоритмы анализа фотоизображений лица человека, восстановления поверхностной трехмерной модели и распознавания объекта позволяют повысить качество и надежность процессов построения и распознавания трехмерных моделей лица.

2. Предложенные методы и средства визуализации, трансформации, анализа и обработки видеоинформации могут найти применение в качестве средств интеллектуальной поддержки принятия решений в сложных производственных и социальных системах.

3. Созданная программная система может найти применение в криминалистике (построение трехмерного фоторобота, идентификация по фотоснимку в произвольном ракурсе), компьютерной анимации персонажей, а также в производстве - для изготовления скульптурных портретов и барельефов.

Реализация результатов работы. Результаты диссертационной работы внедрены в учебный процесс на кафедре "Автоматизированные системы обработки информации и управления" Ижевского государственного технического университета.

Разработанная программная система SHAM для построения и распознавания моделей головы внедрена в Институте права, социального управления и безопасности Удмуртского государственного университета, в фирмах по разработке и сопровождению информационные технологий "Модуль ИТ" (г.Ижевск), PUZANT YACOUBIAN & SONS (г.Дамаск, Сирия).

Апробация работы. Основные положения диссертационной работы докладывались на 3-х международных конференциях: на IV Международной научно-технической конференции (Ижевск, 29 - 30 мая, 2003 г.) на 14-той Международной Конференции по Компьютерной Графике и зрению Графи-кон-2004 (6-10 сентября 2004 г.); Международном Форуме "Высокие Технологии - 2004" (23-26 ноября 2004 г.). Работа многократно обсуждалась на постоянном семинаре "Системный анализ, управление и обработка информации" кафедр "Автоматизированные системы обработки информации и управления" и "Вычислительная техника" Ижевского государственного технического университета.

Публикации. Результаты работы отражены в научных публикациях, в том числе статей в журналах и сборниках, 3 доклада на научно-технических конференциях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и приложений. Основной текст изложен на 127 машинописных листах с таблицами и иллюстрациями. Список литературы включает 132 наименования.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Аль Аккад М. Айман

4.5. Выводы по главе

В данной главе рассмотрены два способа распознавания трехмерных моделей головы человека. Описана программная система построения двухмерных и трехмерных моделей.

1. Описан метод выделения каркаса полигональной модели головы с целью сокращения объема информации, которую требуется хранить в базе геометрических моделей (БГМ) и по которой можно с минимальными потерями качества восстановить полигональную модель, а также с целью повышения быстродействия алгоритма сравнения трехмерных моделей для их идентификации.

2. Предложен метод распознавания объектов, заключающийся в сравнении каркасных моделей путем поиска общей гомоморфной части графов анализируемой и эталонной моделей, позволяющий повысить надежность распознавания благодаря учету параметров вершин и ассоциативных связей между ними. Сокращение перебора объектов из базы данных достигается за счет отбрасывания неудовлетворительных моделей на основе соотношений между антропометрическими точками, которые выделены на этапе предварительного анализа (глава 2).

3. Предложен метод вычисления оценки сходства образов, который автоматически придает больший вес совпадению тех элементов моделей, которые в соответствии с заданной гребенкой признаков идентификации считаются более существенными.

4. Предложен метод распознавания объектов по фотографиям на основе представления объектов переменной шириной интервалов постоянных приращений углов полигонов.

5. Выполнен анализ эффективности метода представления объектов переменной шириной интервалов постоянных приращений углов полигонов (метод ПШП).

5.1. Хранение в памяти. Поскольку мы собираемся сохранять вектора определенных узлов трехмерной модели лица в графической базе данных, размер данных будет уменьшен как минимум наЗЗ% (от 43 до 29 килобайт для каждой модели), в зависимости от области применения.

5.2. Коммуникации и реализация аппаратных средств. Представление методом ПТИГТ позволяет просто и эффективно реализовывать распознавание в конфигурации аппаратных средств (например в чипах FPGA), свободно посылать данные через среды коммуникации, легко и эффективно и синхронизировать данные между передающим устройством и устройством для приема данных без необходимости посылать информацию о такте. Устойчивость метода к импульсным помехам и флуктуационным помехам показана в работе.

5.3. Распознавание. Результаты эксперимента на 252 изображениях дали надежность распознавания от 99,8% до 88,28% при изменении освещенности от нормальной до ±10% и от 99,8% до 61,11% при изменении ракурса от фронтального до ±10° по всем осям координат.

6. Описана архитектура программной системы построения и анализа модели лица, разработанной на основе предложенных в данной работе методов и алгоритмов, которая может найти применение в криминалистике (построение трехмерного фоторобота, идентификация по фотоснимку в произвольном ракурсе), компьютерной анимации персонажей, а также в производстве - для изготовления скульптурных портретов и барельефов.

На данном этапе созданная программная система не является законченным "коммерческим" продуктом. Она представляет собой комплекс для исследования методов и режимов обработки растровых и векторных фотоизображений и трехмерных моделей головы, в котором можно работать как в интерактивном, так и в автоматическом режимах.

ЗАКЛЮЧЕНИЕ

В работе получены следующие основные выводы и результаты:

1. Методы выделения достоверных (опорных, антропометрических) точек основаны на эвристических алгоритмах и, благодаря их узкой специализации, вполне успешно справляются со своими задачами. Выбор тех или иных эвристик зависит от цели и стратегии решения общей задачи, поставленной перед разработчиками.

2. Не смотря на разнообразие методов построения трехмерной модели, они все еще обладают такими недостатками, как сложность и дорогостоящее внедрение. В связи с этим возникает необходимость в разработке новых подходов, которые упрощают построение трехмерных моделей лиц и делают распознавание более точным.

3. Методы распознавания трехмерных объектов: статистические; на основе линейно-дискриминантного анализа; на основе скрытых моделей Маркова; нейросетевые и др. можно разбить на два основных класса: по антропометрическим точкам и признакам, описывающим характерные особенности деталей лица; по поверхностной (трехмерной) модели. Первые, как правило, жестко привязаны к системе выделяемых признаков, другие - предъявляют высокие требования к аппаратуре и условиям съемки.

4 Предложены шаблоны для поиска на контурах опорных точек типа: мочки уха, крылья носа, вершина подбородка.

5 Предложен метод выделения уголков рта с помощью динамически деформируемого шаблона.

6 Предложен метод выделения уголков глаз на базе нейронных сетей и многослойного персептрона.

7. Опорные точки, выделенные на фронтальном и профильном видах позволяют определить пространственное положение объекта и его деталей, а также вычислить соотношения между антропометрическими точками. Эти соотношения необходимы для этапа предварительного распознавания личности.

8. Предложен метод адаптации функционала, вычисляющего кривизну поверхности в заданной точке по модели отражения Ламберта, который учитывает кривизну контура профиля, выделенного на профильном виде.

9. Разработан метод синтеза полигональной модели головы путем посточного сканирования фронтального вида адаптированным функционалом кривизны с учетом типовых сечений головы, модифицируемых с помощью достоверных точек лица, найденных на фронтальном и профильном видах.

10. Описан способ присоединения к модели типовых деталей головы, параметризуемых по соотношениям между достоверными точками, основанный на булевских операциях над полигональными моделями.

11. Описан способ текстурирования модели головы исходными ортогональными фотоизображениями с целью повышения реалистичности модели.

12. Описан метод выделения каркаса полигональной модели головы с целью сокращения объема информации, которую требуется хранить в базе геометрических моделей и по которой можно с минимальными потерями качества восстановить полигональную модель, а также с целью повышения быстродействия алгоритма сравнения трехмерных моделей для их идентификации.

13. Предложен метод распознавания объектов, заключающийся в сравнении каркасных моделей путем поиска общей гомоморфной части графов анализируемой и эталонной моделей, позволяющий повысить надежность распознавания благодаря учету параметров вершин и ассоциативных связей между ними. Сокращение перебора объектов из базы данных достигается за счет отбрасывания неудовлетворительных моделей на основе соотношений между антропометрическими точками, которые выделены на этапе предварительного анализа.

14. Предложен метод вычисления оценки сходства образов, который автоматически придает больший вес совпадению тех элементов моделей, которые в соответствии с заданной гребенкой признаков идентификации считаются более существенными.

15. Предложен метод распознавания объектов по фотографиям на основе представления объектов переменной шириной интервалов постоянных приращений углов полигонов.

16. Выполнен анализ эффективности метода представления объектов переменной шириной интервалов постоянных приращений углов полигонов.

17. Описана архитектура программной системы построения и анализа модели лица, разработанной на основе предложенных в данной работе методов и алгоритмов, которая может найти применение в криминалистике (построение трехмерного фоторобота, идентификация по фотоснимку в произвольном ракурсе), компьютерной анимации персонажей, а также в производстве - для изготовления скульптурных портретов и барельефов.

18. Предложенные методы и средства визуализации, трансформации, анализа и обработки видеоинформации могут эффективно применяться в качестве средств интеллектуальной поддержки принятия решений в сложных производственных и социальных системах, а также для научных исследований и оптимизации методов обработки видеоинформации.

Список литературы диссертационного исследования кандидат технических наук Аль Аккад М. Айман, 2004 год

1. Бутаков Е.А. Обработка изображений на компьютере. М.: Радио и связь, 1987.

2. Кучуганов В.Н., Лопаткин А.Е. Язык описания трехмерных сцен. Версия 2 // Программирование, 1996. -№2. — С. 70-75.

3. Кучуганов В.Н., Харин В.В. Кинематические геометрические модели в концептуальном проектировании // Сб. тр. 13-й междунар. конф. по компьютерной графике и зрению Графикон-2003 (Москва, 5-10 сентября 2003 г.). М.: МГУ им.Ломоносова, 2003. - С. 243-245.

4. Математический энциклопедический словарь / Под редакцией Ю.В. Прохорова. М.: Сов. Энциклопедия, 1988. - 847 с. ил.

5. Семенков О.И. Обработка и вывод информации в растровых графических системах. Минск: Наука и Техника, 1989.

6. Харин В.В. Логический вывод в задачах синтеза и преобразования геометрических моделей // Труды конференции AIS'04. С. 135-141.

7. Abu-Mostafa Y.S., Psaltis D. Optical Neural Computers: Scientific American, Vol. 256, 1987. Pp. 88-95.

8. Akimoto Т., Suenaga Y., Wallace R. Automatic creation of 3D facial models/ЛЕЕЕ Computer Graphics and Applications, 1993. Vol. 13/3. - Pp. 16-22.

9. Al-Akkad M.A. Face recognition based on curvature estimation and neural networks // Труды 14-той Международной конференции по Компьютерной графике и Зрению Графикон-2004 (Москва, 6-10 сентября 2004 г.). М.:

10. Изд-во ООО "МАКС Пресс", 2004. С. 139-142.

11. Al-Akkad М.А. Using curvature and neural networks for recognizing faces / к печати в журнале Дамасского Университета.

12. Al-Akkad М.А., AboulNour Н. Design and Implementation of a developed bit-synchronizer for synchronous data communication and its computer simulation for testing and development purposes. Damascus University, 1996.

13. Alferez R., Wang Y.F. Geometric and Illumination Invariants for Object Recognition // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1999. -Vol. 21.-Pp. 505-536.

14. Ayache N., Lustman F. Fast and Reliable Passive Trinocular Stereovi-sion // Proceedings of the First International Conference on Computer Vision, London, June 1987. Pp. 422-427.

15. Beier Т., Neely S. Feature-based image metamorphosis//In Proceedings SIGGRAPH '92, July 1992. Vol. 26. - Pp. 35^2.

16. Belhumeur P.N., Hespanha J.P., Kriegman D.J. Eigenfaces vs. Fisher-faces: Recognition Using Class Specific Linear Projection // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1997. Vol. 19. - Pp. 711-720.

17. Belhumeur P.N., Kriegman D.J. What is the Set of Images of an Object Under All Possible Lighting Conditions? // IEEE Conference on Computer Visionand Pattern Recognition, 1997. Pp. 52-58.

18. Beymer D.J. Face Recognition Under Vaiying Pose / Technical Report 1461, MIT AI Laboratory, 1993.

19. Beymer D.J., Poggio T. Face Recognition from One Example View // International Conference on Computer Vision, 1995. Pp. 500-507.

20. Bichsel M., Pentland A.P. A Simple Algorithm for Shape from Shading // IEEE Conference on Computer Vision and Pattern Recognition, June 1992. -Pp. 459-465.

21. Bledsoe W.W. Man-Machine Facial Recognition, Tech. Rep. PRL22, Panoramic Res. Inc., Palo Alto, С A, 1966.

22. Blinn J.F. Computer display of curved surfaces. Ph.D. Thesis, University of Utah, 1978.

23. Bookstein F. Morphometry Tools for Landmark Data: Geometry and Biloogy. Cambridge University Press, 1991.

24. Breuckmann GmbH, Data sheet for the topometric 3D-measurement system "optoCAM", Meersburg, 1993. Sales in Switzerland by Newport Instruments AG, Schlieren.

25. Brooks M. J. and Horn В. K. P., Shape and Source from Shading. Number AIM-820. Artificial Intelligence Lab., MIT press, 1985.

26. Brunelli R., Poggio T. Face recognition: Features versus templates, IEEEPAMI15, 1993.-No.10. Pp. 1042-1052.

27. Brunelli R., Poggio T. HyperBF Networks for Gender Classification//In Proceedings DARPA Image Understanding Workshop, 1992. Pp. 311

28. Craw I., Cameron P. Parameterizing images for recognition and reconstruction. Proc. British Machine Vision Conference, 1991. Pp. 367-370.

29. Cyberware, 3Development, Issue 7, Cyberware, Monterey, California,1995.

30. Davis G., Ellis H., Sheferd J. Perceiving and remembering faces. Press Series in cognition and perception. Academic press, London, 1981.

31. Debevec P.E., Taylor C.J., and Malik J. Modeling and rendering architecture from photographs: A hybrid geometry- and image-based approach//In Computer Graphics Proceedings, Annual Conference Series (Proc. SIGGRAPH 96),1996.-Pp. 11-20.

32. Description of MPEG-7 Content Set, N2467, 1998.

33. DiPaola S. Extending the range of facial types. Journal of Visualization and Computer Animation, 1991. Vol. 4/2. Pp. 129-131.

34. Etemad K., Chellappa R. Discriminant Analysis for Recognition of Human Face Images / Journal of the Optical Society of America A, 1997. Vol. 14. Pp. 1724-1733.

35. Fahlman S. E.: "An Empirical Study of Learning Speed in Back-Propagation Networks", Technical Report CMU-CS-88-162, Carnegie Mellon University, Pittsburgh PA June 1988.

36. Farm G. Surface Over Dirichlet Tessellations. Computer Aided Geometric Design, 7, North-Holland, 1990. Pp. 281-292.

37. Feng G.C., Yuen P.C. Variance projection function and its application to eye detection for human face recognition, Pattern recognition Letter, 1998. Vol. 19.- Pp. 899-906.

38. Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics. Vol. 7. - Pp. 179-188.

39. Freeman W.T., Tenenbaum J.B. bearing Bilinear Models for Two-Factor Problems in Vision // In Proceedings, IEEE Conference on Computer Vision and Pattern Recognition, 1997. Pp. 554-560.

40. Fua P. Reconstructing Complex Surfaces from Multiple Stereo Views // Proceedings of the Fifth International Conference on Computer Vision, London, June 1995. Pp. 1078-1085.

41. Fukunaga K. Statistical Pattern Recognition, New York: Academic Press, 1989.

42. Gordon G. Face Recognition Based on Depth Maps and Surface Curvature, in SPIE Proceedings, Vol. 1570: Geometric Methods in Computer Vision, 1991. Pp.34-247.

43. Grewe L.L., Как A.C. Stereo Vision, in Handbook of Pattern Recognition and Image Processing: Computer Vision, T.Y. Young (Ed.), Academic Press, 1994.-Vol. 2. Pp. 230-317.

44. Gutta S. and Wechsler H., "Face recognition using hybrid classifiers",1997.

45. Hallinan P. A Low-Dimensional Representation of Human Faces for Arbitrary Lighting Conditions // In Proceedings, IEEE Conference on Computer Vision and Pattern Recognition, 1994. Pp. 995-999.

46. Heipke C. Integration of Digital Image Matching and Multi-Image Shape from Shading, Int. Archives of Photogrammetry and Remote Sensing, XXIX, 1992.-Pp. 832-841.

47. Hoffman D.D. Richards W.A. Parts of recognition. Cognition, 1984.1. Vol. 18.-Pp. 65-96.

48. Horn B.K.P. Shape from Shading, a Method for Obtaining the Shape of a Smooth Opaque Object from One View, PIlD. Thesis, MIT, Dept. of Electrical Engineering, Cambridge, MA, 1970.

49. Hu J., Yan H., Sakalli M. Locating head and face boundaries for head-shoulder images, Patter Recognition, 1999. Vol. 32. - Pp 1317-1333.

50. Jeng S.H., Liao H.Y.M., Han C.C., Chern M.Y., Liu Y.T. Facial feature detection using geometrical face model: an efficient approach, Pattern Recognition, 1998. Vol. 31. - No. 3. - Pp.273-282.

51. Kanade T. Picture processing by computer complex and recognition of human feces, Tech. Rep., Dept. Inform. Sci., Kyoto University, 1973.

52. Kanade Т., Okutomi M., Nakahara T. A Multiple-baseline Stereo Method // Proceedings of DARPA Image Understanding Workshop, January 1992. -Pp. 409-426.

53. Kass M., Witkin A., Terzopoulos D. Snakes: Active Contour Models, International Journal of Computer Vision, 321-331, 1988.

54. Kirby M. and Sirovich L., "Application of the Karhunen-Loeve Procedure for the Characterization of Human Faces // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1990. Vol. 12.

55. Kohonen T. Self-Organization and Associative Memory, Berlin: Springer-Verlag, 1988.

56. Lam К. M., Yan H. Fast algorithm for locating head boundaries, J. Electrical Imaging, 1994. Vol. 4/3. - Pp. 351-359.

57. Lam К. M., Yan H. Locating and extracting the eye in human face images, Pattern Recognition, 1996. Vol. 29. - No. 5. - Pp.771-779.

58. Lam K.M., Yan H. An Analytic-to holistic approach for face recognition based on a single frontal view // IEEE Trans. On PAMI, 1998. Vol. 20. - No. 7.1. Pp. 673-686.

59. Lanitis A., Taylor C. J., Cootes T. F. Automatic Interpretation and Coding of Face Images Using Flexible Models // IEEE transactions on pattern analysis and machine intelligence, 1997. Vol. 19. - No. 7. - Pp 743-756.

60. Lee C.H., Rosenfeld A. Improved Methods of Estimating Shape from Shading Using the Light Source Coordinate System, in Shape from Shading, B.K.P. Horn, M.J. Brooks (Eds ), MIT Press, Cambridge, MA, 1989. Pp. 323-569.

61. Lee Y., Terzopoulos D., Waters K. Realistic face modeling for animation // In Proceedings SIGGRAPH '95, 1995. Pp. 55-62.

62. Lewis J.P. Algorithms for solid noise synthesis // Proceedings SIGGRAPH '89, 1989. Vol. 23/3. Pp. 263-270.

63. Li H., Roivainen P., Forchheimer R. 3-D Motion Estimation in Model-Based Facial Image Coding // IEEE Transactions on Patern Analysis and Machine Intelligence, June 1993. Vol. 15/6. Pp. 545-555.

64. Liu T.Y., Hsu W.H., Chen Y.S. Shape Description Via Shading Images, Image and Vision Computing, 1992. Vol. 10/1. Pp. 46-54.

65. Looney C. G.: "Stabilization and Speedup of Convergence in Training Feed-forward Neural Networks", Neuro-computing, 10, 1996, pp. 7-31.

66. Magnenat-Thalmann N., Minh H., de Angelis M., and Thalmann D. Design, transformation and animation of human feces. The Visual Computer, March 1989. Vol. 5(1/2). Pp. 32- 39.

67. Manjunath B.S., Chellappa R., Malsburg C.v.d. A Feature Based Approach to Face Recognition // in Proceedings, IEEE Conference on Computer Visionand Pattern Recognition, 1992. Pp. 373-378.

68. Matsuno K., Lee C., Kimura S., Tsuli S. Automatic recognition of human fecial expressions // Proceedings of ICC V, 1995. Pp. 352-359.

69. Matsuno K., Lee C.W., Tsuji S. Recognition of human fecial expression without feature extraction, in Proc. of ECCV, Stockholm, Sweden, May 1994. -Pp. 513-520.

70. Maurer Т., Malsburg C.v.d. Single-View Based Recognition of Faces Rotated in Depth // In Proceedings, International Workshop on Automatic Face and Gesture Recognition, 1996. Pp. 176-181.

71. Moccozet L., M-Thalmann N. Dirichlet Free Form Deformations and their Application to Hand Simulation // Proc. Computer Animation'97, IEEE Computer Society, 1997. Pp. 93-102.

72. Moghaddam В., Pentland A., "Probabilistic Visual Learning for Object Representation," IEEE Trans, on Pattern Analysis and Machine Intelligence, 1997. -Vol. 19. Pp. 696-710.

73. Moiikawa H., Kondo E., Harashima H. 3D Facial Modeling for Model-Based Coding // IEICE Transactions in Communication, June 1993. Vol. E76-B(6). Pp. 626-633.

74. Nagamine Т., Uemura Т., Masuda I. 3D fecial image analysis for human identification, in Proc. ICPR, Hague, Netherlands, 1992. Vol. 1. - Pp. 324-327.

75. Novak C. Finding fecial features in color images, in CVPR Wkshp on Color Vision, New York, June 1993.

76. Okamoto J., Milanova M., Almeida P. E., and Simoes M. G., "Applications of Cellular Neural Networks for Shape from Shading Problem", 1999.

77. Oliensis J., Dupuis P. Direct Method for Reconstructing Shape from Shading // SPDE Geometric Methods of Computer Vision, San Diego, С A, 1991.

78. O'Toole A.J., Abdi H., Defienbacher K.A., and Bartlett J.C. Classifyingfaces by race and sex using an autoassociative memory trained for recognition, in Proc. of Annual Meeting of the Cog. Sci. Soc., Chicago, 1991. Pp. 847-851.

79. Parke F. Parameterized models for facial animation. IEEE Computer Graphics and Applications, 1982. Vol. 9/2. Pp. 61-68.

80. Patel M., Willis P. FACES: The facial animation construction and editing system. In Eurographics '91, 1991.

81. Pentland A. P. Finding the Illumination Direction / Journal of the Optical Society of America A, April 1982. Vol. 72/4. Pp. 448-455.

82. Pentland A. Recognition by parts / Technical Report 406, SRI International, Menlo Park, С A, 1986.

83. Pentland A, Moghaddam В., and Starner T. View-based and Modular Eigenspaces for Face Recognition // In Proceedings, IEEE Conference on Computer Vision and Pattern Recognition, 1994.

84. Pentland A.P., Bichsel M. Extracting Shape from Shading // In Handbook of Pattern Recognition and Image Processing: Computer Vision, T.Y. Young (Ed.), Academic Press, 1994. Vol. 2. Pp. 161-183.

85. Poelman C., Kanade T.A Paraperspective Factorization Method for Shape and Motion Recovery / Technical Report CMU-CS-92-208, Carnegie Mellon University, 1992.

86. Poggio Т., Girosi F. Networks for Approximation and Learning // Proc. IEEE, 1990. Vol. 78. Pp. 1481-1497.

87. Press W.H., Teukolsky S.A., Vetterling W.T., Flanneiy B.P. Numerical Recipes in C, The Art of Scientific Computing, Cambridge University Press, New York, N.Y., 1992.

88. Reisfeld D., Yeshurun, Robust detection of fecial features by generalized symmetry, in Proc. ICPR, The Hague, 1992. Pp. 117-120.

89. Riechmann W. Fast Object Recording by Means of Structured Light and

90. Photogrammetric Techniques // Proceedings of the ISPRS Intercommission Workshop "From Pixels to Sequences Sensors, Algorithm and Systems", E.P. Baltsavias (Ed.), Zurich, March 1995. Vol. 30(5W1). Pp. 195-200.

91. Rowley H.A., Baluja S., and Kanade Т., "Rotation Invariant Neural Network-Based Face Detection", Proceeding of Computer Vision and Pattern Recognition, 1998.

92. Rowley H. A., Baluja S., and Kanade Т., "Neural network-based face detection", IEEE Trans, on PAMI, Vol 20, No.l, pp.23-38, 1998.

93. Rusbmeier H., Taubin G., Gueziec A. Applying shape from lighting variation to bump map capture. In Eurographics Rendering Workshop Proceedings 1997, pages 35-44,1997.

94. Saber E., Tekalp A.M. Frontal-view face detection and facial feature extraction using color, shape symmetry based cost functions, Pattern Recognition Letter, 1998. Vol. 19. - Pp. 669-680.

95. Sakai Т., Nagao M., Kanade T. Computer analysis and classification of photographs of human faces, Proc. First US A-Japan computer conf., 1986. -Pp. 245-256.

96. Sali E., Ullman S. Recognizing Novel 3-D Objects Under New Illumination and Viewing Position Using a Small Number of Example Views or Even a Single View//In Proceedings IEEE Conference on Computer Vision and Pattern Recognition, pp. 153-161, 1998.

97. Samaria F. Face Identification using Hidden Markov Models. 1st Year Report, Cambridge University Engineering Department, 1992.

98. Samaria F., Fallside F. Face identification and feature extraction using hidden markov models. In G. Vernazza, editor, Image Processing: Theory and Applications, Elsevier, 1993.

99. Shackleton M.A., Welsh W.J. Classification of facial features for recognition, in Proc. CVPR, Hawaii, 1991. Pp. 573-579.

100. Sibson R. A Vector Identity for the Dirichlet Tessellation, Math. Proc. Cambridge Philos. Soc., 87, 1980. Pp. 151-155.

101. Sinha S.S., Jain R. Range Image Analysis // in Handbook of Pattern Recognition and Image Processing: Computer Vision, T.Y. Young (Ed.), Academic Press, 1994. Vol. 2. - 185-237.

102. Sirovich L., Kirby M. Low-dimensional procedure for the characterization of human feces, J. Opt. Soc. Am 4, 1987. Pp. 519-518.

103. Sobottka K. Pitas I. Segmentation and tracking of feces in color images. In Proc. 2nd Int. Conf. On auto Face and Gesture Recogn., Vermont, IEEE Сотр. Soc. Press, 1996. Pp 236-241.

104. Sobottka K., Pitas I. Extraction of fecial regions and features using colour and shape information // Proceeding oflCIP, 1996. Vol. 3. - Pp. 483-486.

105. Sung K.K., Poggio T. Example-based learning for view-base human fece detection // IEEE Trans, on PAMI, 1998. Vol. 20. - No. 1. Pp. 39-51.

106. Swets D.L., Weng J. Discriminant Analysis and Eigenspace Partition Tree for Face and Object Recognition from Views // In Proceedings, International Conference on Automatic Face and Gesture Recognition, 1996. Pp. 192-197.

107. Swets D.L., Weng J. Using Discriminant Eigenfeatures for Image Retrieval // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1996. Vol. 18.-Pp. 831-836.

108. Takacs В., Wechsler H. Detection of feces and facial landmarks using iconic filter banks, Pattern recognition, 1997. Vol. 30. - No. 10. - Pp. 1623-1636.

109. Terzopoulos D., Waters K., "Analysis and Synthesis of Facial Image Sequences Using Physical and Anatomical Models," IEEE Trans, on Pattern Analysis and Machine Intelligence, Vol 15, pp. 569-579, 1993.

110. Tomasi C., Kanade T. Shape and Motion without Depth: A Factorization Method 2. Point Features in 3D Motion, Carnegie Mellon University / Technical Report, No. CMU-CS-91-105, Pittsburg, Pennsylvania, Jan. 1991.

111. Tsoi A. C., S. Lawrence, C. L. Giles and A. D. Back, "Face Recognition: A Convolutional Neural Network Approach", IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, 1998.

112. Turk M.A. Pentland A.P. Face recognition using eigenfaces // In Proc. CVPR, Hawaii, 1991. Pp. 586-591.

113. Turk M., Pentland A. Eigenfaces for Recognition / Journal of Cognitive Neu-roscience, 1991. Vol. 3. - Pp. 72-86.

114. Ullman S., Basri R. Recognition by Linear Combinations of Models // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1991. Vol. 13. -Pp. 992-1006.

115. Vetter Т., Poggio T. Linear Object Classes and Image Synthesis from a Single Example Image // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1997. Vol. 19. - Pp. 733-742.

116. Vezjak M., Stephancic M. An anthropological model for automatic recognition of the male human face / Annals of Human Biology, 1994.- Vol. 21- No 4.-Pp. 363-380.

117. Wiskott L., Fellous J. M., Malsburg C.v.d. Face Recognition by Elastic Bunch Graph Matching // IEEE Trans, on Pattern Analysis and Machine Intelligence, 1997. Vol. 19. - Pp. 775-779.

118. Wolberg G. Image Warping // IEEE Computer Society Press, Los Alamitos CA, 1990.

119. Xie X., Sudhakar R., Zhunag H. On improving eye feature extraction using deformable templates, Pattern Recognition, 1994. Vol. 27. - Pp.791-799.

120. Yang G., Huang T. Human face detection in a scene // In Proc. CVPR, New York, 1993. Pp. 453-58.

121. Yuille A.L., Hallinan P.W., Cohen D.S. Feature extraction from feces using deformable templates IJCVS, 1992. No. 2. Pp. 99-111.

122. Zhang R., Tsai P.S., Cryer J.E., Shah M. Analysis of Shape from Shading Techniques // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR'94, Seatde, Washington, 1994. Pp. 377-384.

123. Zhao W., "Subspace Methods in Object/Face Recognition," in Proceedings, International Joint Conference on Neural Networks, 1999.

124. Zhao W., Chellappa R. Robust Face Recognition using Symmetric Shape-from-Shading / Technical Report CAR-TR-919, Center for Automation Research, University of Maryland, 1999.

125. Zhao W., Chellappa R. SFS Based View Synthesis for Robust Face Recognition // In Proceedings, International Conference on Automatic Face and Gesture Recognition, 2000.

126. Zhao W., Chellappa R., Krishnaswamy A. Discriminant Analysis of Principal Components for Face Recognition // In Proceedings, International Conference on Automatic Face and Gesture Recognition, 1998. Pp. 336-341.

127. Zhao W., Chellappa R., Nandhakumar N. Empirical Performance Analysis of Linear Discriminant Classifiers // In Proceedings, IEEE Conference on Computer Vision and Pattern Recognition, 1998. Pp. 164-169.

128. Zhao W., Chellappa R., Phillips P.J. Subspace Linear Discriminant Analysis for Face Recognition / Technical Report CAR-TR-914, Center for Automation Research, University of Maryland, 1999.