Разработка и исследование систем корреляционной идентификации человека по фотопортрету тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Палий, Ольга Ивановна

• Палий, Ольга Ивановна
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Палий, Ольга Ивановна

Введение.

Гпава I Методы и средства цифровой компьютерной идентификации человека по изображению лица.

1.1 КЛАССИФИКАЦИЯ ЗАДАЧ.

1.1.1 Контроль доступа.

1.1.2 Поиск фотопортретов заданного человека и похожих на заданного человека людей в базе фотоизображений.

1.1.3 Идентификация человека по предъявляемому документу.

1.2 МАТЕМАТИЧЕСКИЕ ОСНОВЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ.

1.3 МЕТОДЫ ИДЕНТИФИКАЦИИ ФОТОПОРТРЕТОВ.

1.3.1 Метод главных компонент.

1.3.2 Линейный дискриминантный анализ.

1.3.3 Синтез объектов линейных классов.

1.3.4 Гибкие контурные модели лица.

1.3.5 Сравнение эластичных графов.

1.3.6 Методы, основанные на геометрических характеристиках лица.^

1.3.7 Сравнение эталонов.

1.3.8 Оптический поток.

1.3.9 Скрытые Марковские модели.

1.3.10 Нейросетевые методы распознавания изображений лица.

1.4 АППАРАТ, ПРИМЕНЯЕМЫЙ ПРИ НОРМАЛИЗАЦИИ ФОТОПОРТРЕТОВ.

1.5 АНАЛИЗ СИСТЕМ ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА ПО ФОТОПОРТРЕТУ.

1.5.1 Достоинства и недостатки перечисленных методов.

1.5.2 Выбор подхода для решения задач контроля удостоверений личности и контроля доступа.

1.6 ВЫВОДЫ.

Глава II Предварительная обработка исходных фотопортретов.

2.1 ТРЕБОВАНИЯ К ИСХОДНЫМ ИЗОБРАЖЕНИЯМ, ОБЕСПЕЧИВАЮЩИЕ КОРРЕКТНОСТЬ СТАТИСТИЧЕСКОГО ЭКСПЕРИМЕНТА.

2.1.1 Размер лица на изображении.

2.1.2 Ракурс.

2.1.3 Освещённость.

2.1.4 Яркостные характеристики цифрового изображения.

2.1.5 Эмоциональное выражение лица.

2.2 ПОНЯТИЕ КАЧЕСТВА ИЗОБРАЖЕНИЯ В КОНТЕКСТЕ МОДЕЛИ ЗРЕНИЯ ЧЕЛОВЕКА.

2.2.1 Фундаментальные законы зрительного восприятия.

2.2.2 Характеристики изображения и количественные критерии оценки качества изображения.

2.2.3 Обзор методов цифровой обработки исходных изображений для улучшения их качества.„„

2.3 ИССЛЕДОВАНИЕ ВЛИЯНИЯ РАЗЛИЧИЙ ПОКАЗАТЕЛЕЙ КАЧЕСТВА И ГЕОМЕТРИЧЕСКИХ ХАРАКТЕРИСТИК, СРАВНИВАЕМЫХ ИЗОБРАЖЕНИЙ,

НА ЭФФЕКТИВНОСТЬ КРОССКОРРЕЛЯЦИОННОЙ ИДЕНТИФИКАЦИИ.

2.3.1 Методика выполнения экспериментов и условные обозначения.Ю

2.3.2 Результаты исследований.

2.4 ВЫВОДЫ.

Глава III Формализация задачи распознавания.

3.1 ФОРМАЛИЗАЦИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ МЕТОДАМИ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ.

3.1.1 Основные понятия и критерии проверки статистических гипотез.Ц

3.1.2 Построение эмпирических распределений исходной статистик«. R.Ц

3.2 ОПИСАНИЕ МЕТОДИКИ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ.

3.2.1 Принципы выбора границы критической области для решения конкретной задачи распознавания.

3.2.2 Описание методики для решения задачи распознавания.

3.3 ВЫВОДЫ.

Глава IV Система корреляционной компьютерной идентификации изображений лица. ш

4.1. АЛГОРИТМЫ И ПРОГРАММЫ КОМПЬЮТЕРНОЙ НОРМАЛИЗАЦИИ И

ИДЕНТИФИКАЦИИ.

4.1.1 Регулировка масштаба.

4.1.2 Регулировка ракурса.

4.1.3 Регулировка яркости и контрастности. 13^

4.1.4 Поиск целевого изображения в базе данных.

4.2. ОПИСАНИЕ ПРОГРАММНЫХ СРЕДСТВ СИСТЕМЫ ДЛЯ ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ ЛИЦА.

4.2.1 Состав программных средств.

4.2.1.1 Программные средства нормализации и добавления изображений в базу данных. 1^

4.2.1.2 Программные средства нормализации фотоизображении по показателям качества и идентификации изображений.

4.3. ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЯ И МЕТОДИКА ПРИМЕНЕНИЯ.

4.4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНОЙ ПРОВЕРКИ СОЗДАННОЙ СИСТЕМЫ.

4.5. ВЫВОДЫ.

Введение диссертации (часть автореферата) на тему «Разработка и исследование систем корреляционной идентификации человека по фотопортрету»

В настоящее время активно развиваются биометрические технологии -«методы и технические средства получения и использования биометрических данных человека в целях его идентификации» [30, стр. 230].

Под термином «биометрический признак человека - подразумевается некоторая присущая конкретному индивиду автоматически измеряемая характеристика. Биометрические признаки делятся на два класса -физические и поведенческие. К первому классу относятся характеристики, выделяемые на основе отпечатков пальцев и губ, геометрии кисти, изображений радужной оболочки глаза, лица, ушей и иные. Ко вторым, -манера работы на клавиатуре компьютера, динамика воспроизведения подписи или рукописного текста, артикуляция губ и т.п [30].

Одной из причин повышенного внимания к биометрическим технологиям является существование обширного круга социальных и коммерческих приложений, где возможные решения названной проблемы будут восприняты весьма успешно. Например, изображения лиц, полученные с помощью видеокамер наружного наблюдения, являются сегодня важным элементом документальной базы при расследовании преступлений, наблюдения и расследования криминальных событий (автоматическое наблюдение за подозреваемыми, розыск людей, активное видеонаблюдение при чрезвычайных происшествиях и т.д.), а также в банковской сфере (банкоматах, системах удалённого управления счётом), идентификация людей по лицам применяется в системах контроля удостоверений личности (паспортов, водительских прав, иммиграционных карт), информационной безопасности (доступ к ЭВМ и отдельным программам, базам данных, криптографическим приложениям, медицинским сведениям, Интернету, системам электронной торговли и т.д.), [30, 69, 93, 112, 131, 139, 147].

По данным Международной ассоциации по компьютерной безопасности, ожидается, что идентификация человека по изображению его лица будет наиболее используемой биометрической технологией, поскольку она может быть достаточно точной, быстрой, бесконтактной.

Из всех биометрических подходов, таких, как распознавание по отпечаткам пальцев, губ, геометрии кисти, изображению радужной оболочки глаза, голосу и т.п., идентификация людей по изображениям лиц наиболее привычна, так как основывается на естественной способности человека узнавать окружающих. И, несмотря на то, что идентификация человека человеком осуществляется по комплексу признаков, включающему голос, запах, походку или одежду, именно лицо наиболее важно для опознания индивида. Существенным преимуществом распознавания по лицу перед большинством из указанных подходов, является отсутствие физического контакта проходящего процедуру идентификации человека с устройством или, иными словами, возможность идентификации на расстоянии. Аналогичным свойством на данный момент обладает лишь идентификация по радужке глаза, но расстояние между видеокамерой и человеком значительно меньше, и что ещё хуже, регулярное воздействие направленного пучка света на глаз может вызывать неприятные ощущения у человека, проходящего данную процедуру.

С точки зрения обмана системы, современные методы идентификации по лицу пока проигрывают в надёжности по сравнению с идентификацией по радужной оболочке глаза, но уже считаются более надёжными, чем распознавание по отпечаткам пальцев или геометрии кисти.

Проблема формализации и автоматизации процесса идентификации человека по изображению лица, была затронута ещё на самых ранних стадиях развития систем распознавания образов, т.е. в начале 70-х [93, 103] и остается актуальной сегодня. Это можно объяснить тем, что проблема идентификации человека по фотографии относится к разряду легко формулируемых словесно, но плохо формализуемых и трудно разрешимых.

В течение последних 15 лет количество научных исследований и публикаций по данной тематике за рубежом постоянно растёт, что также свидетельствует об актуальности этой проблемы [66, 73, 93, 96, 100, 101, 103, 105, 107, 110, 112, 113, 118, 125, 127]. В русскоязычной литературе интерес к ней лишь начинает проявляться [30, 31, 48]. При этом возникают естественные затруднения в терминологии, так как понятие «распознавание лиц», являющееся дословным переводом английского термина «face recognition». За рубежом «face recognition» трактуется очень широко - от непосредственно идентификации человека по изображению его лица, до таких задач, как анализ его эмоционального состояния по выражению лица, прослеживание положения головы в видеопоследовательности, «чтение» по губам и других связанных с анализом изображений лица человека задач. Проблема, рассматриваемая в данной диссертационной работе, - это автоматизация процесса предварительной обработки фотографического изображении лица для последующего «узнавания» человеком (и ЭВМ) другого человека, а также автоматизация самого процесса «узнавания» человеком другого человека.

Само понятие «распознавание» может быть трактовано как «отнесение исследуемого объекта, задаваемого в виде совокупности наблюдений, к одному из взаимоисключающих классов» [55, стр.4]. В таком смысле «распознавание образов является одной из разновидностей классификации» [9,стр.7], а «в тех случаях, когда каждый класс содержит только один объект, классификация эквивалентна идентификации» [9, стр.8]. Из этого следует, что, распознавание человеком лиц других людей правильно называть идентификацией, под которой в данном случае понимается «присвоение рассматриваемому объекту . однозначного названия» [9, стр.7]. Понятие верификации, применительно к случаю распознавания человека, ещё уже оно соответствует частному случаю идентификации при двух классах «этот человек» и «не этот человек» (например, требуется заключить - на паре сравниваемых фотографий изображён один человек или разные люди).

Первые коммерческие приложения с функциями идентификации человека по оцифрованным фото появились в конце 90-х годов. Однако, несмотря на повышенный интерес к проблеме, за последующее время не было найдено надёжных решений. Так, по данным систематически проводимых с 1996 г. тестов коммерческих и экспериментальных систем распознавания лиц -БЕКЕТ, коэффициент правильного распознавания лучших систем резко падает с 98% до 60%, если им на вход поступают снимки одного человека, период времени между датами съёмки, у которых составляет более года [118].

В то же время появилось много новых теоретических работ посвящённых данной проблеме. Так, например, активно применяется распознавание на основе нейронных сетей [80, 106, 130, 133], нечёткой логики [146], геометрических преобразований [94, 100, 101, 143], локального дискриминантного анализа [90] и других [110, 114, 138, 141].

На основании проведенного исследования различных методов по литературным источникам системы, разработанные на основе перечисленных выше методов идентификации, являются весьма сложными и дорогими, в тоже время широко используемый для распознавания образов в широком смысле корреляционный метод не был детально исследован в применении для фотопортретов. Кроме того, авторы этих систем отмечают, что «сравнение корреляции . часто дает ту же точность»[38].

За последние два года возможности компьютерной обработки изображений резко возросли. Во-первых это связано с повышением более чем на порядок быстродействия компьютеров, и во-вторых с разработкой фирмой Intel Открытой библиотеки системы технического зрения «OpenCV» для работы с изображениями максимально учитывающей особенности процессора Intel за счет чего скорость обработки изображений выросла в среднем в 5 раз.

По этим причинам в основу разрабатываемой нами системы идентификации фотоизображений положен корреляционный способ сравнения.

Поскольку существует много задач, связанных с анализом изображений лица (например, поиск лиц на групповой фотографии, прослеживание движений губ/головы на видеопоследовательности, определение эмоционального состояния и иных характеристик человека по его изображению, диагностика болезней, распознавание по профилю лица и т.д.) следует определить тип данных, поступающих на вход алгоритмов идентификации. Под термином «фотопортрет» в настоящей работе будет подразумеваться фотографическое изображение лица человека в фас (например, фото для документов) без головных уборов, украшений, солнечных очков и прочих предметов, которые могут закрывать или искажать части лица.

Целью диссертационной работы является развитие методического, алгоритмического и программного обеспечения систем автоматизированной идентификации человека по изображению лица. развитие методического, алгоритмического и программного обеспечения систем автоматизированной идентификации человека по изображению лица, с целью построения системы более доступной с точки зрения реализации и цены с сохранением скорости и вероятности распознавания.

Для достижения поставленной цели необходимо было решить следующие задачи:

• выполнить анализ текущего состояния и направлений развития систем идентификации человека по изображению лица и выбрать способ сравнения фотопортретов в соответствии с целью;

• сформулировать ограничения на входные изображения, обеспечивающие корректность статистического эксперимента;

• разработать алгоритм предварительной обработки и нормализации цифровых фотопортретов;

• формализовать задачу распознавания методами математической статистики;

• сформулировать принципы выбора границы критической области исходя из допустимых значений вероятностей ошибочных решений конкретных задач распознавания;

• реализовать систему автоматизированной идентификации человека по фотопортрету на основе решения перечисленных выше задач.

В работе теоретические методы исследования основываются на методах:

• цифровой обработки изображений в пространственной области;

• распознавания цифровых изображений;

• дискретных преобразований и системного анализа.

Экспериментальная часть исследования основана на обработке и анализе цифровых изображений с помощью ЭВМ с последующей численной и визуальной оценкой результатов.

Для экспериментальной программной реализации разработанных алгоритмов использовались методы создания программных систем и программирование на языках высокого уровня, моделирование с помощью системы пакетов МАТЬАВ.

Научная новизна

1. Детально исследованы возможности компьютерной идентификации человека на основе анализа корреляции данных, представляющих центральные части лиц сравниваемых фотоизображений, с позиций количественного влияния параметров масштаба, ракурса, яркости, контрастности фотопортрета на эффективность корреляционной идентификации.

2. Разработан алгоритм предварительной обработки и нормализации сравниваемых цифровых фотопортретов, основанный на выравнивании параметров масштаба, ракурса, яркости, контрастности. Масштаб фотопортрета и угол наклона головы выравниваются по расстоянию между зрачками и линии, соединяющей центры зрачков соответственно.

3. Определена и математически обоснована методика корреляционной идентификации человека по фотопортрету.

4. Сформулированы принципы выбора границы критической области исходя из допустимых значений вероятностей ошибочных решений задач: «Контроль доступа» и «Поиск фотопортретов заданного человека и похожих на заданного человека людей в базе фотоизображений».

5. Построена система корреляционной идентификации. Определена область рационального использования разработанной системы корреляционной компьютерной идентификации людей по фотоизображениям в органах уголовного розыска и прокуратуре для сбора доказательной базы при расследовании преступлений, а также в системах автоматического контроля доступа (к необходимому ресурсу) в аэропортах, банках, универсамах.

Практическая значимость работы

Результаты диссертационной работы в виде системы программ идентификации внедрены в Прокуратуре г.Санкт-Петербурга.

Разработанные алгоритмы могут быть использованы в автоматизированных системах проведения криминалистической фотопортретной экспертизы и автоматических контрольно-пропускных устройствах, в системах расследования криминальных происшествий и в банковских системах (банкоматах, системах удаленного управления счетом).

В результате проведенного диссертационного исследования на защиту выносятся следующие результаты:

• Методика корреляционной идентификации человека по фотопортрету.

• Методика нормализации.

• Принципы выбора границы критической области исходя из допустимых значений вероятностей ошибочных решений задач:

Контроль доступа» и «Поиск фотопортретов заданного человека и похожих на заданного человека людей в базе фотоизображений».

Апробация работы

Основные результаты диссертационной работы обсуждены на научной конференции студентов и аспирантов «XXXII Неделя науки СПбГПУ», межвузовской конкурс-конференции студентов и молодых ученых Северо-Запада 4-5 марта 2004 года «Технологии Microsoft в теории и практике программирования», II Всероссийской конференции «Математические и инженерные разработки в МАТЬАВ 6.5», политехнических симпозиумах «Молодые ученые - промышленности Северо-Западного региона» в 2004 и 2005гг.

Публикации

По материалам диссертации опубликовано 8 работ.

Структура и объем работы

Диссертация содержит 187 страниц основного текста, 64 иллюстрации, 30 таблиц и состоит из введения, 4-х глав, заключения, списка литературы и 1 приложения.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Палий, Ольга Ивановна

Основные результаты работы, полученные в диссертационной работе, можно сформулировать следующим образом

1. Исследованы возможность компьютерной идентификации людей на основе анализа максимальных значений коэффициентов корреляции данных, содержащих фрагменты матриц цифровых фотопортретов (центральные части лиц), и влияние параметров масштаба, ракурса, яркости, контрастности фотопортрета на эффективность корреляционной идентификации сравниваемых фотопортретов.

2. Определена операция нормализации сравниваемых фотоизображений как действие по выравниванию масштаба, угла наклона головы, яркости и контрастности изображения. Показано, что для повышения эффективности идентификации необходимо выполнять операцию нормализации перед корреляционным сравнением фотопортретов.

3. Проведена формализация задачи распознавания фотоизображений как задачи проверки статистических гипотез о типе распределения максимальных значений коэффициентов корреляции данных, содержащих фрагменты матриц цифровых фотопортретов (центральные части лиц). По результатам обработки серии фотоизображений построены эмпирические и теоретические распределения данной статистики. Получены значения порога идентификации для различных уровней ошибочного распознавания.

4. Сформулированы принципы выбора порога идентификации исходя из допустимых значений вероятностей ошибочных решений конкретных задач автоматизированного распознавания.

5. Разработана эффективная система кросскорреляционной компьютерной идентификации людей, позволяющая сравнивать целевое фотоизображение со всеми изображениями из базы данных фотоизображений, осуществлять предварительную нормализацию, кадрирование, корреляционное сравнение, выделение круга изображений, близких к целевому, дополнительную нормализацию каждой пары сравниваемых изображений по полному набору показателей, окончательное корреляционное сравнение и принимать решения. 6. Определена область рационального использования разработанной системы кросскорреляционной компьютерной идентификации людей по фотоизображениям в органах уголовного розыска и прокуратуре для сбора доказательной базы при расследовании преступлений и в системах автоматического контроля доступа в аэропортах, банках, универсамах.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Палий, Ольга Ивановна, 2006 год

1. Абламейко C.B., Лагуновский Д.М. обработка изображений: технология, методы, применение. Минск: Ин-т техн. Кибернетики HAH Беларуси, 1999,-ЗООс.

2. Айвазян С.А., Енюков И.С., Мешалкин А.Д. Прикладная статистика. Статистическое оценивание зависимостей. -М.: ФиС, 1985.-484с.

3. Беликова Т.П., Кронрод М.А., Чочиа П.А., Ярославский Л.П. Цифровая обработка фотоснимков поверхности Марса, переданных AMC "Марс-4" и "Марс-5". Косм. Исслед., 1975. - Т.13, вып. 6. - С. 898-906.

4. Беликова Т.П., Ярославский Л.П. Использование адаптивных амплитудных преобразований для препарирования изображений // Вопросы радиоэлектроники, сер. Общетехническая. — 1974, вып. 14. С. 88-98.

5. Белявцев В.Г., Воскобойников Ю.Е. Алгоритмы фильтрации изображений с адаптацией размеров апертуры // Автометрия. 1998. - № З.-С. 18-25.

6. Блинов H.H., Жуков Е.М., Козловский Э.Б., Мазуров А.И. Телевизионные методы обработки рентгеновских и гамма-изображений. М.: Энергоатомиздат, 1982. -200 с.

7. Брилюк Д., Старовойтов В., Распознавание человека по изображению лица и нейросетевые методы// Интернет-версия: http://daily.sec.ru/dailypblshow.cfm?rid=18&pid=4326

8. Вентцель Е.С. Теория вероятностей М.: Высшая школа, 1999.-576с.

9. Верхаген К., Дейн Р., Грун Ф. Распознавание образов: состояние и перспективы- М.: РиС, 1985.- 104 с.

10. Ю.Воробель P.A. Повышение эффективности обработки изображений с использованием методов нечеткого маскирования // Вестник Государственного университета Львовская политехника" "Автоматика, измерения и управление". 1998.-N 356.-С. 125- 134.

11. П.Воробель P.A., Журавель И.М. Повышение контраста изображений с помощью модифицированного метода кусочного растяжения // Отбор и обработка информации. № 14 (90). - 2000. - С. 116 - 121.

12. З.Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями Брест:БПИ, 1999, - 260с.

13. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей -Брест:БПИ, 1999,-228с.

14. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.-1072с. ISBN 5-94836-028-8 перевод с англ. Под редакцией П.А. Чочиа.

15. Горелик A.JL, Скрипкин В. А. Методы распознавания. М.: Высшая школа, 1977.

16. Гранит Р. Электрофизические исследования рецепции. М.: ИЛ, 1957. -153 с.

17. Гранрат Д.Дж. Роль моделей зрения человека в обработке изображений //ТИИЭР. Т. 69. - № 5. - 1981. - С. 65 - 77.

18. Грязин Г.Н. Оптико-электронные системы для обзора пространства: Системы телевидения. Л.: Машиностроение. - 1988. - 224 с.

19. Гуров A.A., Порфирьева H.H. Вопросы оценки контрастности сюжетных изображений // Труды ГОИ им. С.И.Вавилова. — т. 44, вып. 178. — Л. — 1979.-С. 31-34.

20. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов: Пер. с англ. под ред. Л.П.Ярославского. М.: Мир, 1988. - 488 с.

21. Дмитриев Е. Н. Проблемы применения цифровой фотографии при расследовании уголовных дел. Автореферат на соискание ученой степени кандидата юридических наук. М.,1998.

22. Дэвид Г. Порядковые статистики. М.: Наука, 1979. - 336 с.

23. Журавель И.М. Краткий курс теории обработки изображений. Консультационный центр MATLAB. http://www.matlab.ru/imageprocess /book2/index.asp

24. Иванов П.Ю. Средства, методы и задачи современной криминалистической фотографии.//Криминалистика. XXI век. II Научно-практическая криминалистическая конференция МВД России. Интернет-версия: www.mvd-expo.ru/conferences/CRIM MVD/docl9.htm.

25. Кендел М. Ранговые корреляции. -М.: Статистика, 1975.-214с.

26. Ким В., Ярославский Л.П. Ранговые алгоритмы обработки изображений / Ин-т проблем передачи информ. АН СССР. Рук.деп. в ВИНИТИ 30.05.1985 г. N 3793-85. - М., 1985 .- 40 с.

27. Кронрод М.А. Несколько задач обработки изображений / Вопросы кибернетики. Вып. 38 : Иконика. Цифровая обработка и фильтрация изображений. - М.: ВИНИТИ, 1978. - С. 49-59.

28. Куликов В.И. Прикладной статистический анализ: Учебное пособие для вузов. -М.: Радио и Связь, 2003. 376с.

29. Кухарев Г.А., Биометрические системы: Методы и средства идентификации личности человека.- СПб.: Политехника, 2001.- 240 с.

30. Малахов С. Применение аппарата собственных векторов для фотопортретной экспертизы// Труды конференции академии МВД «Автоматизация работ подразделений МВД».- М.-1999.-С.192-197.

31. Математическая статистика: Учебник для вузов/ В.Б.Горяинов, И.В.Павлов, Г.М.Цветкова и др., под ред. В.С.Зарубина, Крищенко. М.: Издательство МГТУ им.Баумана, 2001.-424с.

32. Мирошников М.М. Теоретические основы оптико-электронных приборов. — Л.: Машиностроение, 1983. 656с-696 с.

33. Мирошников М.М., Нестерук В.Ф. Дальнейшее развитие методологических основ иконики // Труды ГОИ им.С.И.Вавилова. т. 64, вып. 198. - Л. - 1987. - С. 5 - 11.

34. Нестерук В.Ф., Порфирьева H.H. Информационная оценка зрительного восприятия // Оптика и спектроскопия. 1978. - Т. 44, вып. 3-4. — С. 801 — 803.

35. Нестерук В.Ф., Порфирьева H.H. Контрастный закон восприятия света // Оптика и спектроскопия. 1970. - Т. 29, вып. 6. — С. 1138 - 1143.

36. Новицкий П.В., Зограф И. А. Оценка погрешностей результатов измерений. Л.: Энергоатомиздат, 1991.- С. 50-51.

37. Пентланд А., Чаудхари Т. Распознавание лиц для интеллектуальных сред// "Открытые системы". 2000, №3 // Издательство "Открытые системы" (http://www.osp.ru/) Интернет-Bepc^:http://www.osp.ru/os/2000/03/028.htm

38. Прикладная статистика. Классификация и снижение размерности. Справ. Изд./Под. ред. Айвазяна С.А. -М.: ФиС, 1989. 507с.

39. Прэтт У. Цифровая обработка изображений М.: Мир, 1982. - 790 с.

40. Пугачев B.C. Теория вероятностей и математическая статистика. М.:Наука. Главная редакция физико-математической литературы, 1979. -С. 446-462.

41. Розенфельд А. Распознавание и обработка изображений. -М.: Мир, 1972. -230 с.

42. Самаль Д.И. Построение систем идентификации личности на основе антропометрических точек лица // Цифровая обработка изображений. -Минск:ИТК, 1998.-С.72-79.

43. Самаль Д.И., Старовойтов В.В. Подходы и методы распознавания людей по фотопортретам. - Минск, ИТК НАНБ, 1998. - 54с.

44. Самаль Д.И., Старовойтов В.В. Методика автоматизированного распознавания людей по фотопортретам // Цифровая обработка изображений. Минск:ИТК, 1999.-С.81-85.

45. Сильнов М. А. К вопросу о допустимости использования цифровых технологий в доказывании при расследовании преступлений // Интернет-версия: www.silnov.newmail.ru/digitl.htm.

46. Смирнов А.Я. Критерии качества дискретизированных изображений // Труды ГОИ им. С.И.Вавилова.-т. 57.-вып. 191.-Л. 1984.

47. Средства контроля доступа// Иностранная печать о техническом оснащении полиции капиталистических государств- М.: ВИНИТИ-1992.-№4.-С. 12-27.

48. Татарченко Н.В., Тимошенко С.В.Биометрическая идентификация в интегрированных системах безопасности// Специальная техника №3, 2003. Интернет-версияйир^/Б^еБз.ги/^ех.Ьйг!

49. Тельных А. Коган А. Идентификация личности. Как это делается.// Computerra.-1999. №5. Интернет версия: http://www.computerra.ru /offline/1999/288/2484/

50. Теории Т., Фрай Дж. Проектирование структур баз данных/ В 2-х кн. -М.: Мир, 1985.-602с.

51. Тьюки Дж. Анализ результатов наблюдений. М. : Мир, 1981. — 160 с.

52. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика, 1992 -184с.

53. Фомин Я. И, Савин А. В. Оптимизация распознающих систем. М.: Машиностроение, 1993.

54. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов М.: РиС, 1986. - 264с.

55. Фу К., Гонсалес Р., Ли К. Робототехника: Пер.с англ. / Под ред. В.Г.Градецкого. М.: Мир, 1989. - 624 с.

56. Хансен Г., Хансен Дж. Базы данных: разработка и управление. М.: Издательство БИНОМ, 1999. - 284с.

57. Холопов А.В. Проблемы применения цифровых технологий видеозаписи в криминалистике// Защита информации. Конфидент №1, 2003.

58. Хорн Б.К.П. Зрение роботов. М:Мир, 1989. - 488 с.бО.Чочиа П.А. Применение цифровой обработки изображений для реестрации архивных документов//Иконика. Теория и методы обработки изображений. М.: Наука, 1983. - С. 115-125.

59. Шлихт Г.Ю. Цифровая обработка цветных изображений. М., Издательство ЭКОМ, 1997. - 336 с.

60. Ярославский Л.П. Введение в цифровую обработку изображений. — М.: Сов.радио, 1979.-312 с.

61. Andrews H.C., Tescher A.G., Kruger R.P. Image processing by digital computers. IEEE Spectrum. 1972. - V. 9, N 7. - P. 20 -32.

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

63. Bigun J., Choy K. and Olsson H. Evidence on skill differences of women and men concerning face recognition// Lecture Notes in Computer Science.-Vol.2091 .-Springer.-2001 .-P.44

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

65. Coulam C.M. Erickson J.J. and Gibbs S.J. Image and equipment considerations in conventional tomography // The Phisical Basis of Medical Imaging ed C.M.

66. Coulam, J.J. Erickson and A.E. James (New York: Appleton Century -Crofts). - 1981.

67. Curran L.J., OCR and image processing enhance border security// Image Processing Europe. 2000.- Jan./Feb. - P.26-29.

68. Dai Y. and Nakano Y. Recognition of facial images with low resolution using a Hopfield memory model. Pattern Recognition 1998, Vol. 31, pp. 159-167.

69. Daugman J.G. Phenotypic versus genotypic approaches to face recognition// NATO ASI on Face Recognition, Stirling, UK.- 1997.-P.269-283.

70. Dhawan A.P., Buelloni G., Gordon R. Enhancement of mammographic features by optimal adaptive neighbourhvod image processing // IEEE Trans. Med. Imaging. 1986. - v.5. -P.8-15.

71. Due B., Fischer S., Bigün J. Face authentication with Gabor information on deformable graphs// IEEE Trans, on Pattern Analysis and Machine Intel.-1999.-Vol.8.-№4.-P.504-516.

72. Eickeler S., Jabs M., Rigoll G. Comparison of Confidence Measures for Face Recognition // Gerhard-Mercator-University Duisburg, Germany, 2000. 6 p.

73. Eickeler S., Muller S., Rigoll G. High performance face recognition using Pseudo 2-D Hidden Markov Models // Gerhard-Mercator-University Duisburg, Germany, 1998. 6 p.

74. Eickeler S., Muller S., Rigoll G. Recognition of JPEG Compressed Face Images Based on Statistical Methods // Gerhard-Mercator-University Duisburg, Germany, 1999. 17 p.

75. Esme B., Sankur B., Anarim E. Facial feature extraction using genetic algorithms // 8-th European Signal Processing Conference, Trieste, 1996. P. 1511-1514.

76. Foltyniewicz R. Efficient High Order Neural Network for Rotation, Translation and Distance Invariant Recognition of Gray Scale Images. Lecture Notes in Computer Science Computer Analysis of Images and Patterns, 1995, pp. 424-431.

77. Frei W. Image Enhancement by Histogram Hyperbolization // Computer Graphics and Image Processing. 1977. - V. 6, № 3. - P. 286-294.

78. Golomb L.A., Lawrence D.T. and Sejnowski T.J. SexNet: A neural network identifies sex from human faces// Advances in Neural Information Processing Systems, Morgan Kaufmann Publishers.- San Mateo. USA. - 1991. - P.77-83.

79. Gonzalez R.C., Fittes B.A. Gray-Level Transformation for Interac-tive Image Enhancement. Mech. Mach. Theory. 1975. - V. 12. - P. 111-112.

80. Gonzalez R.C., Wintz P. Digital Image Processing. Addisson-Wesley. Reading. Massachusetts. - 1987. - 505 p.

81. Gordon R., Rangayyan R.M. Feature enhancement of film mammograms using fixed and adaptive neighbourhood // Applied optics. 1984. - v.23. - P. 560564.

82. Graham D.B. and Allinson N.M. "Face recognition using virtual parametric eigenspace signatures," Image Processing and its Applications, pp. 106-110, 1997. (эластичные графы решётка}

83. Grudin M. A., Lisboa P. J., Harvey D. M. Compact multi-level representation of human faces for identification. Image Processing and its Applications, pp. 111-115, 1997.

84. Gutta S. and Wechsler H. Face recognition using hybrid classifiers. Pattern Recognition 1997, Vol. 30, pp. 539-553.

85. Hall E.L. Almost Uniform Distribution for Computer Image Enhancement // IEEE Trans. Computers. 1974. - v. 23, № 2 - P. 207 - 208.

86. Hall E.L., et al., A Survey of Preprocessing and Feature Extraction Techniques for Radiographic Images // IEEE Trans. Computers. 1971. -v. 20, № 9 - P. 1032-1044.

87. Hallinan P. L., Gordon G. G., Yuille A. L., Giblin P., Mumford D. Two- and Three-Dimensional Patterns of the Face. Natick:A. K. Peters Ltd. 1999. 2601. P

88. Hjelmas E. Biometric Systems: A Face Recognition Approach// Proceedings of the Norwegian Conference on Informatics. 2000. - P.89-98.

89. Jacobsen X., Zscherpel U. and Perner P. A Comparison between Neural Networks and Decision Trees. Lecture Notes in Artificial Intelligence -Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 144-158.

90. Jain A.K., Hong L. and Pankanti Sh. Biometric identification// Communications of the ACM. 2000. - Vol.17. -P. 15-26.

91. Kalocsai P., von der Malsburg C. and Horn J. Face recognition by statistical analysis of feature detectors// Image and Vision Computing. 2000. -Vol.18.-P.273-278.

92. Ketcham D.J. Real Time Image Enhancement Technique // Proceedings SPIE/OSA Conference on Image Processing. Pacific Grove, California. - v. 74.- 1976.-pp.120 - 125.

93. Kotropoulos C., Tefas A., Pitas I. Frontal face authentication using morphological elastic graph matching// IEEE Trans, on Image Processing.-2000.-Vol.9.-No.4.- P.555-560.

94. Krueger N. An Algorithm for the Learning of Weights in Discrimination Functions Using a Priori Constraints. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 764-768.

95. Kruizinga P., Petkov N. Optical flow applied to person identification // Proceedings of the EUROSIM Conference on Massively Parallel Processing applications and Development, 1994. P. 871-878.

96. Kuchariew G., Forczmanski P. Hierarchical method of Reduction of Features Dimensionality for Image Recognition and Graphical Data Retrieval // Pattern Recognition and Image Processing, 2002. Vol. 1. - P. 57-72.

97. Kuo C., Huang R. and Ling T. Synthesizing lateral face from frontal facial image using anthropometric estimation// Proceedings of Int. Conf. on Image Proc.-1997.-Vol.l.-P. 133-136.

98. Lam K. M., Yan H. An analytic-to-holistic approach for face recognition based on a single frontal view// IEEE Trans, on Pattern Analysis and Machine Intel.- 1998.- Vol.20.- No.7.- P.673-686.

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

100. Lawrence S., Giles C. L., Tsoi A. C. and Back A. D. Face recognition: a convolutional neural network approach// IEEE Trans, on Neural Networks.-Special Issue on Neural Networks and Pattern Recognition.- 1997. P.97-113.

101. Lawrence S., Giles C. L., Tsoi A. C. and Back A. D. Face Recognition: A Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, pp. 124.

102. Leroy B., Herlin I., Cohen L. D. Face identification by deformation measure// Proceedings Int. Conf. on Pattern Recognition.- 1996. Vol. 5. - P.633-637.

103. Li S.Z. and Lu J. Face recognition using the nearest feature line method// IEEE Trans, on Neural Networks. 1999. - Vol.10. -No.2. -P.439-443.

104. Matsuno K. and Tsuji S. Recognizing human facial expressions in a potential field// Proceedings of IAPR.- 1994.- Vol.2. P.44-49.

105. Milanova M., Almeida P. E. M., Okamoto J. and Simoes M. G. Applications of Cellular Neural Networks for Shape from Shading Problem. Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 51-63.

106. Moghaddam B. and Pentland A. Probabilistic Visual Learning for Object Representation. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 696-710.

107. Nakamura O., Mathur S. and Minami T. Identification of human faces based on isodensity maps// Pattern Recognition.- 1991,- Vol.24.- P.263-272.

108. Narendra P.M., Fitch R.S. Real-time adaptive contrast enhancement. IEEE Trans, pattern anal. and machine intell. 1981. - V.PAMI-3, N 6. - P. 655-661.

109. Nelson L. Commercializing face recognition: how to judge fresh players and approaches// Advanced Imaging.- 1996.- P.85-86.

110. Owen C.B. and Makedon F. Bottleneck-Free Separable Affine Image Warping// Proceedings of Int. Conf. on Image Processing.- 1997.-P.683-686.

111. Parker J.R. Practical Computer Vision Using C, Wiley & Sons, New York, 1993.-P.476.

112. Petrou M. Learning in Pattern Recognition. Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 1-12.

113. Phillips P.J., Moon H., Rizvi S.A. and Rauss P.J. The FERET evaluation methodology for face-recognition algorithms// National Institute of Standards and Technology, Technical Report № 6264.- USA.- 1999.- p.20.

114. Pitas I., Venetsanopoulos A. Nonlinear order statistic filters for image filtering and edge detection/ Signal Processing. 1986. Vol.10. - N 4. - P. 395414.

115. Polesel A., Ramponi G., Mathews V.J. Adaptive unsharp masking for contrast enhancement // International Conference on Image Processing. Santa Barbara, California, October 26-29, 1997. Vol. 1. P. 267-270.

116. Rabiner L. R. A tutorial on Hidden Markov Models and selected applications in speech recognition // Proceedings of the IEEE, 1989. Vol. 77(2). - P. 257285.

117. Ranganath S. and Arun K. Face recognition using transform features and neural networks. Pattern Recognition 1997, Vol. 30, pp. 1615-1622.

118. Rebordao J.V. Lookup table loadings for image processing with controlled knots // Computer vision, graphics and image processing. 1989. - v. 47, № 2. -P. 189-202.

119. Rogers W. Birmingham City Centre CCTGV installs Visionics Facelt// Biometric Digest. 2001. - May. - P.3-4.

120. Rogers W. ETrue partners with Bio4 to combine facial biometrics// Biometric Digest. 2001. - May. - P.4-5.

121. Rowley H. A., Baluja S. and Kanade T. Neural Network-Based Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1998, Vol. 20, pp. 23-37.

122. Samal A. and Iyengar P.A. Automatic recognition and analysys of human faces and facial expressions: a survey// Pattern Recognition. 1992. - Vol.25. - № 1. - P.65-77.

123. Samaria F. Face Recognition Using Hidden Markov Models // PhD thesis, Engineering Department, Cambridge University, 1994.

124. Sung K. K., Poggio T. Learning Human Face Detection in Cluttered Scene // Lecture Notes in Computer Science Computer Analysis of Images and Patterns, 1995. P. 432-439.

125. Takas B. and Wechsler H. Locating features using SOFM// Proceedings of I APR. 1994. -Vol.2. - P.55-60.

126. Tistarelli M. and Grosso E. Active vision-based face authentication// Image and Vision Computing. 2000. - No 18. - P. 299-314.

127. Tsapatsoulis N., Alexopoulos V., Kollias S. A vector based approximation of KLT and its application to face recognition // EUSIPC

128. Valentin D. and Abdi H. Can linear autoassociator recognize faces from new orientations?// Journal Opt. Soc. Am. A. 1996. - Vol.13. - P.522-530.

129. Valentin D., Abdi H., O'Toole A. J. and Cottrell G. W. Connectionist models of face processing: a survey. IN: Pattern Recognition 1994, Vol. 27, pp. 12091230.

130. Vetter T. and Poggio T. Linear Object Classes and Image Synthesis From a Single Example Image. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997,Vol.l9,pp.733-742.

131. Wallis R. An approach to the space variant restoration and enhancement of images. Proc. Symp. on Current mathematical problems in image Science. Naval Postgraduate Schol, Monterey, CA, Nov. 1976.

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

133. Wu C. and Huang J. Human face profile recognition by computer// Pattern Recognition. 1990. - Vol.23. - #3/4. - P.255-259.

134. Wu H., Fukumoto T., Chen Q. and Yashida M. Active face observation system// Proceedings of Int. Conf. on Pattern Recognition. 1996. Vol.4. -P.441-445.

135. Wurtz R. P. Object Recognition Robust Under Translations, Deformations, and Changes in Background. IEEE Transactions on Pattern Analysis and Machine Intelligence 1997, Vol. 19, pp. 769-775.

136. Yacoob Y. and Davis L. Computing Spatio-Temporal Representations of Human Faces// Proceedings of Int. Conf. on Computer Vision and Pattern Recognition. Seatle. - USA. - 1994. - P.70-75.

137. Yaroslavsky L.P. Rank filters as an instrumentation tool for image enhancement. 1994. 4p.

138. Yin L. and Basu A. MPEG4 Face Modeling Using Fiducial Points// Proceedings of Int. Conf. on Image Proc. 1997. - P. 109-112.

139. Yoon K. S., Ham Y. K. and Park R.-H. Hybrid approaches to frontal view face recognition using the Hidden Markov Model and Neural Network. Pattern Recognition 1998 Vol. 31, pp. 283-293.

140. Yuen P.C. and Feng G.C. Automatic Eye Detection for Human Identification// Proceedings of Scandinavian Conf. on Image Analysis.-Finland.-1997.-P. 1293-1300.

141. Zhang Y. A fuzzy approach to digital image warping// IEEE Computer Graphics and Applications. 1996. - #7. -P.34-41.