人臉檢測方法綜述

1、收稿日期:2003-09-04;修返日期:2003-10-31基金項目:國家“863”計劃資助項目(2001AA422270人臉檢測方法綜述3趙麗紅,劉紀(jì)紅,徐心和(東北大學(xué)人工智能與機器人研究所,遼寧沈陽110004摘要:人臉圖像處理包括人臉檢測、人臉識別、人臉跟蹤、姿態(tài)估計和表情識別等。為了構(gòu)造自動處理人臉圖像的信息系統(tǒng),首先需要魯棒、有效的人臉檢測算法。分析了有關(guān)人臉檢測問題的研究方法,并對其進(jìn)行了分類和評價。從基于知識的方法、特征不變方法、模板匹配方法和基于外觀的方法等四個方面介紹了相關(guān)的算法和理論,分析了各種方法的優(yōu)缺點,并提出了關(guān)于人臉檢測問題的進(jìn)一步研究方向。關(guān)鍵詞:人臉檢測;人

2、臉識別;基于視覺的識別;統(tǒng)計模式識別;機器學(xué)習(xí)中圖法分類號:TP391141文獻(xiàn)標(biāo)識碼:A 文章編號:1001-3695(200409-0001-04A Survey of Human Face DetectionZH AO Li -hong ,LI U Ji -hong ,X U X in -he(Institute o f Artificial Intelligence &Robotics ,Northeastern University ,Shenyang Liaoning 110004,China Abstract :Research efforts in face image

3、 processing include face detection ,face recognition ,face tracking ,pose estimation ,ex pression recognition and s o on.T o build fully automated systems that analyze the in formation contained in face images ,robust and efficient face detection alg orithms are essentially required.T he purpose of

4、this paper is to categ orize and evaluate these alg orithms including kn owledge -based meth ods ,feature invariant approaches ,tem plate matching meth ods and appearance -based meth ods.A fter analyzing these alg o 2rithms and identifyig their limitations ,we conclude with several promising directi

5、ons for future research.K ey w ords :Face Detection ;Face Recognition ;View -based Recognition ;S tatistical Pattern Recognition ;M achine Learning1引言近年來,人臉和面部表情識別已經(jīng)吸引了更多科研人員的注意。任何人臉處理系統(tǒng)的第一步都是檢測人臉在圖像中的位置。然而,從一幅圖像中檢測人臉是一項極具挑戰(zhàn)性的任務(wù),因為其尺度、位置、方向和位姿都是變化的,面部表情、遮擋和光照條件也是變化的。人臉檢測(Face Detection 是指在輸入圖像中確定所有人

6、臉(如果存在的位置、大小和位姿的過程。人臉檢測作為人臉信息處理中的一項關(guān)鍵技術(shù),近年來已成為模式識別與計算機視覺領(lǐng)域內(nèi)一項受到普遍重視,研究十分活躍的課題。人臉識別或辨認(rèn)、人臉定位以及人臉追蹤等都與人臉檢測密切相關(guān)。人臉定位的目的是確定圖像中人臉的位置。假設(shè)一幅圖像中只存在一張臉,則面部特征檢測的目的是檢測特征的存在和位置,如眼睛、鼻子(鼻孔(眉毛(嘴(嘴唇耳朵等。人臉識別或辨認(rèn)是將輸入圖像與數(shù)據(jù)庫中的圖像比對,如果存在,報告匹配結(jié)果。人臉識別的目的是檢驗輸入圖像中的個體的身份,而人臉追蹤方法是實時地、連續(xù)地估計在圖像序列中的人臉的位置和可能的方向。面部表情識別涉及識別人類的情感狀態(tài)(高興、悲

7、傷、厭惡等。很明顯,在任何解決上述問題的自動識別系統(tǒng)中,人臉檢測是第一步。從一幅圖像中檢測人臉的方法可以分為以下四種:1。(1基于知識的方法(K nowledge -based Methods 。它將典型的人臉形成規(guī)則庫對人臉進(jìn)行編碼。通常,通過面部特征之間的關(guān)系進(jìn)行人臉定位。(2特征不變方法(Feature Invariant Approaches 。該算法的目的是在姿態(tài)、視角或光照條件改變的情況下找到存在的結(jié)構(gòu)特征,然后使用這些特征確定人臉。(3模板匹配方法(T emplate Matching Methods 。存儲幾種標(biāo)準(zhǔn)的人臉模式,用來分別描述整個人臉和面部特征;計算輸入圖像和存儲的

8、模式間的相互關(guān)系并用于檢測。(4基于外觀的方法(Appearance -based Methods 。與模板匹配方法相反,從訓(xùn)練圖像集中進(jìn)行學(xué)習(xí)從而獲得模型(或模板,并將這些模型用于檢測。2基于知識的方法基于知識的方法是基于規(guī)則的人臉檢測方法,規(guī)則來源于研究者關(guān)于人臉的先驗知識。一般比較容易提出簡單的規(guī)則來描述人臉特征和它們的相互關(guān)系,如在一幅圖像中出現(xiàn)的人臉,通常具有互相對稱的兩只眼睛、一個鼻子和一張嘴。特征之間的相互關(guān)系可以通過它們的相對距離和位置來描述。在輸入圖像中首先提取面部特征,確定基于編碼規(guī)則的人臉候選區(qū)域。這種方法存在的問題是很難將人類知識轉(zhuǎn)換為明確定義的規(guī)則。如果規(guī)則是詳細(xì)的(

9、嚴(yán)格的,由于不能通過所有的規(guī)則檢測可能失敗;如果規(guī)則太概括(通用,可能會有較高的錯誤接收率。此外,很難將這種方法擴展到在不同的位姿下檢測人臉,因為列舉所有的情況是一項很困難的工作。Y ang 和Huang 使用分層的基于知識的人臉檢測方法2,他們的系統(tǒng)由三級規(guī)則組成。在最高級,通過掃描輸入圖像的窗口和應(yīng)用每個位置的規(guī)則集找到所有可能的人臉候選區(qū)。較高級的規(guī)則通常描述人臉看起來像什么,而較低級的規(guī)則依賴于面部特征的細(xì)節(jié)。多分辨率的分層圖像通過平均和二次采樣生成,如圖1所示。編碼規(guī)則通常在較低的分辨率下確定人臉的候選區(qū),包括人臉的中心部分(圖2中較淺的陰影部分,其中有四個基本上相同的灰度單元。 圖

10、1分層圖像 圖2人臉候選區(qū)在人臉的上層周圍部分具有相同的灰度。人臉的中心部分和上層周圍的灰度不同。最低分辨率的(Lever 1圖像用于搜索人臉的候選區(qū)并在后面較精細(xì)的分辨率下作進(jìn)一步處理。在Lever 2完成人臉候選區(qū)的局部直方圖均衡化,并進(jìn)行邊緣檢測。繼續(xù)存在的候選區(qū)在Lever 3用其他的人臉特征,如眼睛、嘴等對應(yīng)的規(guī)則進(jìn)行檢查。這種方法的特點是用從粗細(xì)的策略來減少所需要的計算,雖然它沒有很高的檢測率,但采用多分辨率分層的思想和指導(dǎo)搜索的規(guī)則已經(jīng)用到后面的人臉檢測工作中3。K otropoulos 和Pitas 3提出了一種類似于文獻(xiàn)1的基于規(guī)則的定位方法。用投影方法確定面部特征,I (x

11、 ,y 是m ×n 圖像中(x ,y 位置的灰度值,圖像的水平和垂直投影定義為HI (x =ny =1I (x ,y 和VI (y =mx =1I (x ,y 。通過在HI 中的急劇變化檢測到兩個局部最小點,它對應(yīng)于頭部的左右兩邊,獲得輸入圖像的水平輪廓。類似地,獲得垂直的輪廓,局部最小點的確定用于定位嘴唇、鼻尖和眼睛。這些檢測到的特征組成了面部候選區(qū)。李華勝等人提出通過區(qū)域增長從人臉圖像中分割出人臉,再利用邊緣檢測、H ough 變換、模板匹配和方差投影技術(shù)可以快速有效地提取出人臉面部器官,如眼睛、鼻子和嘴巴等特征。實驗結(jié)果表明其所采用的方法具有較高的準(zhǔn)確率(95.5%和光照魯棒性

12、4。姜軍等人提出了一種基于知識的快速人臉檢測方法5。采用符合人臉生理結(jié)構(gòu)特征的人臉鑲嵌圖模型。在分析了足夠多的人臉圖像樣本基礎(chǔ)上,針對人臉圖像的灰度和邊緣信息,建立了一種較為完備的知識庫;為加快檢測速度,采用了多級檢測步驟。實驗結(jié)果表明,其方法具有較強的魯棒性,能夠很好地解決復(fù)雜背景下的多人臉檢測問題。盧春雨等人6對鑲嵌圖方法進(jìn)行了改進(jìn),按照人臉器官的分布將人臉劃分為3×3個馬賽克塊,在檢測中自適應(yīng)地調(diào)整各塊的大小,使用一組基于各塊灰度和梯度統(tǒng)計特征的知識規(guī)則檢驗該區(qū)域是否為人臉,取得了較好的實驗結(jié)果。3基于特征的方法基于特征的方法不僅可以從已有的面部特征而且可以從它們的幾何關(guān)系進(jìn)行

13、人臉檢測。與基于知識的方法相反,它是尋找人臉的不變特征用于人臉檢測。人們已經(jīng)提出了許多先檢測人臉面部特征,后推斷人臉是否存在的方法。面部特征,如眉毛、眼睛、鼻子、嘴和發(fā)際,一般利用邊緣檢測器提取,根據(jù)提取的特征,建立統(tǒng)計模型描述特征之間的關(guān)系并確定存在的人臉。基于特征的算法存在的問題是,由于光照、噪聲和遮擋等使圖像特征被嚴(yán)重地破壞,人臉的特征邊界被弱化,陰影可能引起很強的邊緣,而這些邊緣可能使得算法難以使用。S irohey 提出了從復(fù)雜的背景中分割人臉進(jìn)行人臉識別的定位方法7。它使用邊緣圖和啟發(fā)式算法來去除和組織邊緣,而只保存一個邊緣輪廓,然后用一個橢圓擬合頭部區(qū)域和背景間的邊界。G raf

14、 等人提出定位灰度圖像的面部特征和人臉的檢測方法8。在濾波以后,用形態(tài)學(xué)的方法增強具有高亮度、含有某些形狀(如眼睛的區(qū)域。Leung 等人提出一種基于局部特征檢測器和任意圖匹配的概率方法,在復(fù)雜場景中定位人臉9。其目標(biāo)是找到確定的面部特征的排列。典型的人臉用五個特征(兩只眼睛、兩個鼻孔和鼻子與嘴唇的連接處來描述。Y ow 和Cipolla 提出了一種基于特征的方法10,11。在第一階段,應(yīng)用了二階微分G aussian 濾波器,在濾波器響應(yīng)的局部最大點檢測感興趣的點,指出人臉特征可能的位置;第二階段,檢查感興趣點周圍的邊緣并將它們組成區(qū)域。這種方法的優(yōu)點是可以在不同的方向和位姿上檢測人臉12。

15、Han 等人提出了一種基于形態(tài)學(xué)的技術(shù)進(jìn)行眼部分割進(jìn)而實現(xiàn)人臉檢測的方法13。他們認(rèn)為眼睛和眼眉是人臉最突出和穩(wěn)定的特征,特別適合人臉檢測。彭進(jìn)業(yè)等人提出了一種在圖像的反對稱雙正交小波分解數(shù)據(jù)域中,實現(xiàn)多尺度對稱變換的方法,并將它應(yīng)用于臉部圖像中主要特征點的定位15。王延江等人提出了一種快速的彩色圖像中復(fù)雜背景下人臉檢測方法16。其方法首先計算對彩色圖像中與人的膚色相似的像素進(jìn)行聚類和區(qū)域分割,然后利用小波分解對每一個候選區(qū)域進(jìn)行人臉特征分析,如所檢測到的區(qū)域特征分布與某一預(yù)先定義的人臉模型相似,則確認(rèn)該區(qū)域代表人臉。在人臉檢測和手的跟蹤等許多應(yīng)用中,已經(jīng)使用了人類的皮膚顏色作為特征1723。

16、雖然不同的人有不同的皮膚顏色,研究表明主要的不同在于它們的亮度而不是它們的色度。標(biāo)注皮膚像素的顏色空間包括RG B 、規(guī)格化的RG B ,HS V (或HIS ,Y crCb ,YI Q ,YES ,CIE XY Z 和CIE LUV 。人們已經(jīng)提出了許多方法用于構(gòu)建顏色模型。最簡單的模型是使用Cr ,Cb 值定義一個皮膚色調(diào)像素區(qū)域,也就是R (Cr ,Cb ,從皮膚顏色像素得到樣本。仔細(xì)選擇閾值Cr 1,Cr 2和Cb 1,Cb 2,如果像素值(Cr ,Cb 滿足Cr 1Cr Cr 2,Cb 1Cb Cb 2,就被分類到皮膚色調(diào)中。皮膚顏色通常不能獨自進(jìn)行人臉檢測和追蹤。近年來,人們已經(jīng)提

17、出幾種使用形狀分析、顏色分割和運動信息結(jié)合的模塊化系統(tǒng)在圖像序列中用于定位和追蹤頭部和人臉的方法。4模板匹配Sakai等人使用眼睛、鼻子、嘴和人臉輪廓等子模板建模,檢測照片中的正面人臉24。每一個子模板按照線分割定義。基于最大梯度變化提取輸入圖像的線,然后與子模板匹配。計算子圖像和輪廓模板之間的相互關(guān)系去檢測人臉的候選區(qū)域,完成用其他子模板在候選區(qū)域的匹配。Craw等人提出了一種基于正面人臉的形狀模板(也就是人臉的外形定位方法25。用S obel濾波器提取邊緣,將邊緣組織在一起,根據(jù)幾個約束條件去搜索人臉模板。在頭輪廓定位以后,用相同的過程以不同的尺度重復(fù)定位眼睛、眼眉和嘴唇等特征。G ovi

18、ndaraju等人提出兩個階段的人臉檢測方法26。人臉模型根據(jù)邊緣定義的特征構(gòu)成,這些特征描述了正面人臉的左邊、發(fā)際和右邊的曲線。人臉必須是垂直、無遮擋和正面的。Miao等人提出了用于人臉檢測的層次模板匹配方法27。在第一階段,為了處理旋轉(zhuǎn)圖像,輸入圖像從-20°20°旋轉(zhuǎn),每次旋轉(zhuǎn)5°。多分辨率圖像層次形成和邊緣提取使用Lapla2 cian操作符。人臉模板通過六個人臉成分產(chǎn)生的邊緣組成:兩個眼眉、兩只眼睛、一個鼻子和一張嘴。最后,應(yīng)用啟發(fā)式確定人臉的存在。實驗結(jié)果表明在圖像含有單個人臉要比圖像中含有多個人臉的結(jié)果好。梁路宏等人使用了直接的平均臉模板匹配方法28

19、。其方法考慮到眼睛在人類辨識人臉過程中的特殊作用,使用雙眼模板首先進(jìn)行粗篩選,然后使用不同長寬比的人臉模板進(jìn)行匹配,最后使用馬賽克規(guī)則進(jìn)行驗證。周激流等人提出了一種全新的人臉臉部輪廓提取算法,即運用先驗?zāi)０寮敖惶嫜a償機制的方法提取臉部輪廓29。實驗證明,其提出的特征提取算法高效且魯棒性能好。5基于外觀的方法模板匹配中的模板是由專家預(yù)定義的,與模板匹配中的方法不同,基于外觀方法中的“模板”是從圖像中的樣本學(xué)習(xí)的。通常,基于外觀的方法依靠統(tǒng)計分析和機器學(xué)習(xí)技術(shù)找到相應(yīng)的人臉和非人臉圖像的特征。學(xué)習(xí)的特征由分布模型或判別函數(shù)形成,用于人臉檢測,同時,由于計算效率和檢測有效性的原因通常需要降維。許多基

20、于外觀的方法可以被理解為概率結(jié)構(gòu)。從圖像中提取的特征向量可以看作是一個任意的變量x,此隨機變量通過類條件概率密度函數(shù)p(x|face和p(x|non face描述人臉和非人臉?？梢杂肂ayesian分類器或最大似然函數(shù)將一個候選圖像位置分類為人臉或非人臉。不幸的是,x的高維度使簡單實現(xiàn)Bayesian分類器是不可行的,因為p(x|face和p(x|non face是多峰的,p(x|face和p(x|non face是否存在自然參數(shù)化的形式還不清楚。因此,在基于外觀的方法中,大多數(shù)工作涉及的是由經(jīng)驗確定的參數(shù)或用非參數(shù)方法近似p(x|face和p (x|non face。在這方面人們主要研究了特

21、征臉(E igen faces方法30,31和基于分布的方法(Distribution2based Methods32,33用于人臉檢測。另一種方法是在人臉和非人臉之間找到判別函數(shù)。通常將圖像模式投影到較低的維數(shù)空間,然后形成判別函數(shù)進(jìn)行分類,或者利用多層神經(jīng)元網(wǎng)絡(luò)形成非線性的決策面。使用神經(jīng)元網(wǎng)絡(luò)進(jìn)行人臉檢測的優(yōu)點是使訓(xùn)練一個系統(tǒng)來獲得人臉模式的復(fù)雜類條件密度成為可行;而缺點是必須大范圍地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)(如層的個數(shù)、節(jié)點的個數(shù)、學(xué)習(xí)速度等以獲得非凡的性能3443。隱藏Markov模型(Hidden Markov M odel,H M M也被人們用于人臉檢測44,45。在H M M用于模式識別問

22、題時,需要確定許多隱藏的狀態(tài)形成一個模式,然后,訓(xùn)練H M M從樣本中學(xué)習(xí)傳統(tǒng)狀態(tài)間的概率,其每個樣本被表示為觀察序列。訓(xùn)練H M M的目的是通過H M M模型中的參數(shù)調(diào)整最大化觀察的訓(xùn)練數(shù)據(jù)的概率。訓(xùn)練H M M模型以后,觀察的輸出概率確定了其所屬的類別。近年來,人們又提出了支持向量機(Support Vector Machines,S VMs和其他的核函數(shù)方法4649。這些方法將模式投影到較高維數(shù)空間,然后在投影的人臉和非人臉模式之間形成一個決策面。S VMs分類器是線性分類器,所選擇的分類超平面使未知測試樣本的分類錯誤最小。最優(yōu)超平面是通過權(quán)值結(jié)合訓(xùn)練向量的小子集(稱為支持向量來定義的,

23、然而,其時間和內(nèi)存的計算量是很大的。6討論本文將人臉檢測方法分為四個主要類別:基于知識的方法、特征不變方法、模板匹配方法和基于外觀的方法。實際上有一些方法也可以被分類到不止一種方法中,例如,模板匹配方法通常使用人臉模型和子模板提取人臉特征,然后利用這些特征定位和檢測人臉。所以,近年來人們提出了基于混合方法的人臉檢測方法?；诨旌系姆椒ńY(jié)合了兩種或更多種前面提到的方法,進(jìn)而形成更準(zhǔn)確和魯棒的人臉檢測系統(tǒng)。如人們已經(jīng)提出了基于顏色和運動的融合方法,運動、顏色、形狀信息融合方法,顏色分割、運動檢測、形狀分析的融合方法等進(jìn)行人臉檢測?；诨旌戏椒ǖ膬?yōu)點是實現(xiàn)了信息的融合,混合方法的優(yōu)勢是使一種方法的缺

24、點被另一種方法的優(yōu)點補償。因此,混合方法將是未來人臉檢測研究領(lǐng)域的主要課題。目前復(fù)雜背景圖像中的人臉檢測方法多針對正面端正的人臉。多姿態(tài)人臉的檢測(特別是側(cè)面人臉的檢測還存在很大的困難,有效的方法還不多。這方面的研究也將是一個重點。參考文獻(xiàn):1M ing-Hsuan Y ang,David J K riegman.Detecting Faces in Images:A Sur2veyJ.IEEE T rans.Pattern Analysis and M achine Intelligence,2002,24(1:34-5812T S Huang,G Z Y ang.Human Face De

25、tection in a C om plex BackgroundJ.Pattern Recognition,1994,27(1:53-6313C K otropoulos,I Pitas.Rule-based Face Detection in Frontal Views ProcC.Intl C on f.Acoustics,S peech and S ignal Processing,1997.2537-254014李華勝,楊樺,袁保宗.人臉識別系統(tǒng)中的特征提取J.北京交通大學(xué)學(xué)報,2001,25(2:4.5姜軍,張桂林.一種基于知識的快速人臉檢測方法J.中國圖像圖形學(xué)報(A版,2002

26、,7(1.6盧春雨,張長水,聞方,等.基于區(qū)域特征的快速人臉檢測法J.清華大學(xué)學(xué)報(自然科學(xué)版,1999,39(1:101-105.7S A S irohey1Human Face Segmentation and Identification T echnical ReportCS-TR-3176R.Univ.of M aryland,1993.8H P G raf,et al.Locating Faces and Facial PartsC.Proc.1st IntlW orkshop Automatic Face and G esture Recognition,1995.41-461

27、9T KLeung,M C Burl,P Perona.Finding Faces in Cluttered Scenes UsingRandom Labeled G raph M atchingC.Proc.5th IEEE Intl C on f.C om put2 er Vision,1995.637-644.10K C Y ow,R Cipolla1A Probabilistic Framew ork for Perceptual G rouping ofFeatures for Human Face DetectionC.Proc.2nd Intl C on f.Automatic

28、Face and G esture Recognition,1996.16-21.11K C Y ow,R Cipolla.Feature-based Human Face DetectionJ.Imageand Vision C om puting,1997,15(9:713-735.12K C Y ow,R Cipolla.Enhancing Human Face Detection Using M otion andActive C ontoursC.3rd Asian C on f.C om puter Vision,1998.515-522.13C C Han,et al.Fast

29、Face Detection via M orphology-based Pre2Process2ingC.9th Intl C on f.Image Analysis and Processing,19981469-476.14H R owley,et al.Neural Netw ork-based Face DetectionC.IEEE C on f.C om puter Vision and Pattern Recognition,1996.203-208.15彭進(jìn)業(yè),俞卞章,王大凱,等.多尺度對稱變換及其應(yīng)用于定位人臉特征點J.電子學(xué)報,2002,(3.16王延江,袁保宗,唐晚芳.

30、一種快速彩色圖像中復(fù)雜背景下人臉檢測方法J.電子學(xué)報,2002,(10.17J L Crowley,J M Bedrune.Integration and C ontrol of Reactive Visual Pro2cessesC.3rd European C on f.C om puter Vision,1994,(2:47-58. 18J L Crowley,F Berard.Multi-M odal T racking of Faces for Video C ommu2nicationsC.IEEE C on f.C om puter Vision and Pattern Reco

31、gnition, 19971640-645.19R K jeldsen,J K ender.Finding Skin in C olor ImagesC.2nd Intl C on f.Automatic Face and G esture Recognition,1996.312-317.20M J Jones,et al.S tatistical C olor M odels with Application to Skin Detec2tionC.IEEE C on f.C om puter Vision and Pattern Recognition,1999.274 -280121周

32、宗恒,韓懿,高艷芳.基于K L膚色的人臉初定位J.計算機工程,2001,27(4:109-111122彭振云,陶霖密,等.基于顏色分割和K L變換的人臉特征檢測J.清華大學(xué)學(xué)報(自然科學(xué)版,2001,41(4/5:218-2211 23S M cK enna,Y Raja,S G ong.T racking C olour Objects Using AdaptiveM ixture M odelsJ.Image and Vision C om puting,1998,17(3/4:223-229124T Sakai,M Nagao,et al.Line Extraction and Patt

33、ern Detection in a Photo2graphJ.Pattern Recognition,1969,1:233-248125I Craw,H E llis,J Lishman.Automatic Extraction of Face FeaturesJ.Pattern Recognition Letters,1987,5:183-187126V G ovindaraju.Locating Human Faces in PhotographsJ.Intl C om puterVision,1996,19(2:129-146127J M iao,et al.A H ierarchic

34、al Multiscale and Multiangle System for HumanFace Detection in a C om plex Background Using G ravity-Center T em plate J.Pattern Recognition,1999,32(7:1237-1248128梁路宏,艾海舟,何克忠.基于多模板匹配的單人臉檢測J.中國圖像圖形學(xué)報,1999,823-830129周激流,張曄,等.基于先驗?zāi)０宓娜四樏娌刻卣魈崛〉难芯縅.計算機輔助設(shè)計與圖形學(xué)學(xué)報,2000,12(5:337-339130M K irby,L S irovich.Ap

35、plication of the K arhunen-Loeve Procedure forthe Characterization of Human FacesJ.IEEE T rans.Pattern Analysis and M achine Intelligence,1990,12(1:103-108131M Turk,A Pentland.E igen faces for RecognitionJ.C ognitive Neuro2science,1991,3(1:71-86.32K-K Sung,T P oggio.Exam ple-based Learning for View-

36、based HumanFace DetectionR.T echnical Report AI M em o1521,M assachusetts Inst.of T echnology AI Lab,1994.33M-H Y ang,N Ahuja,D K riegman.M ixtures of Linear Subspaces for FaceDetectionC.4th Intl C on f.Automatic Face and G esture Recognition, 2000.70-76134T Agui,Y K okubo,et al.Extraction of Face R

37、ecognition from M onochro2matic Photographs Using Neural Netw orksC.2nd Intl C on f.Automa2 tion,R obotics,and C om puter Vision,1992.35M Propp,A Samal.Artificial Neural Netw ork Architectures for HumanFace DetectionJ.Intelligent Eng.Systems through Artificial Neural Net2 w orks,1992,2136F S oulie,E

38、 Viennet,B Lamy.Multi-M odular Neural Netw ork Architec2tures:Pattern Recognition Applications in Optical Character Recognition and Human Face RecognitionJ.Intl Pattern Recognition and Artificial Intelligence,1993,7(4:721-755.37G Burel,D Carel.Detection and Localization of Faces on Digital ImagesJ.Pattern Recognition Letters,1994,15(10:963-967138S-H Lin,S-Y K ung,L-J Lin.Face Recognition/Detection by Proba2bilistic Decision-based Neural Netw orkJ.