автореферат диссертации по радиотехнике и связи, 05.12.04, диссертация на тему:Методы обработки изображения лица человека по цветовой и контурной информации и аппаратно-программные средства биометрической идентификации

На правах рукописи

А^

Хомяков Марат Юрьевич

МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЯ ЛИЦА ЧЕЛОВЕКА ПО ЦВЕТОВОЙ И КОНТУРНОЙ ИНФОРМАЦИИ И АППАРАТНО-ПРОГРАММНЫЕ СРЕДСТВА БИОМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ

05.12.04 - Радиотехника, в том числе системы и устройства телевидения

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

005048490

Санкт-Петербург - 2012

005048490

Работа выполнена в Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» им. В.И. Ульянова (Ленина) (СПбГЭТУ) на кафедре телевидения и видеотехники.

Научный руководитель -

доктор технических наук, профессор, Лысенко Николай Владимирович Официальные оппоненты:

доктор технических наук, профессор, Гоголь Александр Александрович, заведующий кафедрой телевидения и видеотехники Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича

кандидат технических наук, доцент, Михайлов Владимир Алексеевич, ведущий инженер ООО «ЭВС» (г. Санкт-Петербург)

Ведущая организация -

Открытое акционерное общество «Научно-исследовательский институт телевидения» (г. Санкт-Петербург)

Защита состоится «<1$ » ноября 2012 года в часов минут на заседании диссертационного совета Д 212.238.03 Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина) по адресу: 197376, Санкт-Петербург, ул. Проф. Попова, 5.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина).

Автореферат разослан <_> октября 2012 г.

Ученый секретарь диссертационного совета

Баруздин С.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

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

Идентификация личности по изображению лица человека, в отличие от других биометрических характеристик человека (отпечаток пальца, форма руки, рисунок радужной оболочки глаза, голос), не требует физического контакта, что значительно расширяет возможности применения. Методы анализа геометрии и структурных особенностей лица перспективны для широкого круга задач. К ним относятся: идентификация личности, оценка эмоционального состояния и мимики, автоматическое распознавание речи по движению губ, отслеживание направления взгляда, создание новых человеко-машинных интерфейсов. Для стандартизации форматов записи биометрических данных, условий получения изображений лиц и параметров цифрового изображения лица разработан ГОСТ Р ИСО/МЭК 19794-5-2006 «Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Данные изображения лица».

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

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

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

границ. Разработка помехоустойчивого следящего метода разложения по контурам изображений позволит выделить информативные фрагменты со сжатием обрабатываемой информации в десятки раз.

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

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

Для достижения поставленной цели определены следующие задачи:

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

2. Разработать метод следящего выделения контуров на полутоновых изображениях.

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

4. Исследовать и повысить эффективность известных методов классификации А(1аВоо51 и С4.5 для решения задач идентификации.

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

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

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

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

Научные положения, выносимые на защиту:

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

2. Метод следящего контурного разложения по полутоновым изображениям имеет линейную асимптотическую сложность и позволяет получать слитные контура без обработки всего изображениями выполнения-

^ополнительцьи<_морфолопше^^^_______

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

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

5. Применение параллельной структуры системы идентификации личности по изображению лица позволяет достичь точной идентификации по фронтальным изображениям с вероятностью более 98 %, при сохранении размера признакового пространства не более 300 признаков.

Научная новизна полученных результатов заключается в следующем:

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

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

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

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

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

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

Практическую ценность работы представляют:

1. Метод сегментации кожи человека на цветном изображении.

2. Метод следящего выделения контуров на полутоновых изображениях.

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

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

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

Внедрение результатов работы. Метод следящего выделения контуров на полутоновых изображениях использован при создании программно-

математического обеспечения для задач оптического зондирования природных сред специалистами отделения НО-6 ООО ФГУП "НПК "ГОИ им. С.И. Вавилова" (г. Санкт-Петербург).

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

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

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

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

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

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулирована цель и поставлены задачи исследования, дается характеристика работы, представлены выносимые на защиту научные положения, приводится краткое содержание работы по главам.

В первой главе диссертации выполнен анализ предметной области и проведен обзор современных биометрических методов, систем и устройств

идентификации. Рассмотрены основные структуры, используемые при построении систем идентификации по изображению лица. Сделан вывод о перспективности параллельно-каскадной структуры системы распознавания.

На основании проведенного анализа сформулирован вывод о необходимости создания новых методов детекции и локализации контрольных точек лица человека, учитывающих цветовую и контурную информацию. Отмечена перспективность разработки метода следящего выделения контуров на полутоновых изображениях.

Во второй главе рассмотрен метод сегментации кожи человека на изображении.

Цвет кожи человека представляется ограниченной областью оттенков, имеющей различную размытость и размер в разных цветовых пространствах. Ошибки детекции (выделения областей кожи человека, областей фона и общая ошибка) могут быть рассчитаны поэлементно по всему полю изображения как ошибки I и II рода:

s

FAR = !—¡-¡—L-100%, FRR =

(iV-S*)nS ÍFAR-\S\ + FRR-\N-S\)

_L.inn®, ffPP — J_1___1 (VW„ CDD—V_i i i__/

. , --¡-=- 100%, ERR----¡—:-,

\N~S\ |5| |JV|

где 5 - множество элементов кожи на изображении, S* - множество элементов изображения, детектированных как кожа, N - множество всех элементов на изображении. Такая оценка качества детекции точнее по сравнению с известными методами, но требует предварительного выделения областей кожи человека.

Для сравнения цветовых пространств предложены критерии кластеризации и компактности цветовых компонент, относящихся к цвету кожи человека. Критерий кластеризации цветового пространства характеризуется относительным количеством цветовых оттенков кожи человека и фона:

тне-кожа = ^ ;|-юо%, /л = 11.100%,

где Шкожа, 1Кне-КОжа - степени кластеризации, IR - общая степень кластеризации; I - множество элементов, представляющих одновременно области кожи и фона.

Критерий компактности рассчитывается как отношение дисперсии цветового оттенка кожи человека в произвольном цветовом пространстве ( D [||с||] ) к количеству элементов, составляющих область данного цвета ( S ):

^ГИП

и ■

Сравнительная оценка проведена для четырех цветовых пространств: RGB, HSV, YCbCr, CIE Lab и сокращённых модификаций с исключенной яр-костной компонентой СЬСг и CIE ab.

Рассмотрены два метода сегментации кожи: пороговая классификация

(Thresholding) и классификация на основе вероятностной таблицы подстановки (Look up table, LUT).

При пороговой классификации поиск граничных значений для каждого цветового пространства выполнен методом покоординатного спуска для пороговых классификаторов каждой цветовой компоненты по критерию минимальной ошибки ERR, при условии баланса между чувствительностью и специфичностью модели ( FAR = FRR ). Результаты сравнения цветовых пространств и пороговой классификации представлены в табл. 1.

На рис. 1 представлен результат сегментации тестового изображения на основе цветовых пространств RGB и YCbCr и найденных граничных значений.

Таблица 1

ERR, % FAR, % FRR, % IR, % ^кожа ' ^не—кожа » VR, xlO"6

RGB 28,3 28,3 28,3 14,3 57,4 11,4 0,410

HSV 18,1 18,1 18,1 14,3 57,9 11,4 0,286

YCbCr 7.4 7,4 7,4 19,1 68,9 15,9 0,104

СШ Lab 18,6 18,6 18,6 29,9 85,6 26,3 0,120

CbCr 7,4 7,4 7,4 70,2 91,3 68,8 0,013

СШ ab 14,8 14,8 14,8 67,8 91,6 66,2 0,011

г) ^Ml д) НННН е)---

Рис. 1. Пример сегментации исходного изображения (а) пороговой классификацией на основе цветового пространства RGB (б), СЬСг (в), полной (г) и сокращенной (д) LUT для YCbCr, сокращенной LUT для YCbCr с морфологической и медианной фильтрацией (е)

Точность классификаторов на основе полной LUT достигает 95 % и зависит от цветового пространства незначительно. Дополнительная оценка классификаторов выполнена на основе ROC-анализа, путем расчета площади

под ROC кривой (параметр AUC) по методу трапеций. Предложен метод сегментации цвета кожи на основе сокращенной LUT. Установлено, что при сокращении размера LUT более чем в 500 раз объединением цветовых оттенков (квантование градаций цвета), точность классификации снижается менее чем на 2 % (табл. 2).

Таблица 2

Размер LUT Коэффициент сжатия LUT ERR, % FAR, % FRR, % AUC

RGB 256x256x256 - 4,8 4,8 4,8 0,989

32x32x32 8 6,1 6,1 6,1 0,980

HSV 360x100x100 - 5,0 5,0 5,0 0,987

45x13x13 8 5,9 5,8 5,9 0,981

YCbCr 256x256x256 - 5,1 5,1 5,0 0,987

32x32x32 8 7,2 7,1 7,2 0,975

CLE Lab 100x220x220 - 5,4 5,4 5,4 0,985

13x28x28 8 7,4 7,3 8,8 0,968

CbCr 256x256 - 7,1 7,1 7,0 0,976

32x32 8 9,2 9,3 7,2 0,966

CIE ab 220x220 - 8,9 8,8 9,1 0,961

28x28 8 9,4 9,3 11,6 0,940

Сегментация в цветовом пространстве YCbCr позволяет достичь точности 94,1 % при уменьшении размера таблицы подстановки в 512 раз (до 32x32x32, к = 8). Введение морфологической и медианной фильтрации позволяет дополнительно повысить точность классификации до 97 %, сохраняя высокую скорость обработки данных. Предложенный метод расчета медианного фильтра для бинарного изображения-маски на основе суммирования окрестности, позволил повысить скорость классификации и слабо зависит от размера фильтра. Введение морфологической обработки структурным элементом "диск" радиуса 3 и медианным фильтром 3x3, повышает точность классификации на 2,1 %. Скорость классификации для комбинированного метода составила 9.5 Мп/с (обработка кадра D1 требует 43,6 мс). Увеличение размера фильтров не приводит к значительному повышению точности классификации и существенно снижает скорость обработки.

По совокупности характеристик можно сделать вывод, что цветовое пространство YCbCr представляет цвет кожи человека наиболее компактно и при классификации по сокращенной LUT позволяет добиться точности классификации более 95 %.

Третья глава посвящена разработке и исследованию методов выделения границ на полутоновых изображениях.

Разработан метод следящего выделения контуров по полутоновым изображениям. На каждом шаге для определения направления смещения при отслеживании вычисляется направление градиента границы, выполняется сме-

щение, направление смещения дополнительно уточняется анализом окрестности текущего пикселя. Метод позволяет получать слитные контуры вплоть до пороговых уровней градиента, граничащих с шумами. В результате работы метода формируется координатное или угловое (цепное кодирование Фримена) описание границы объектов.

Для сравнительного анализа операторов границ предложена модель двойной дискретизации изображений, позволяющая проводить оценку ошибок и артефактов, вызванных дискретизацией входных изображений. В модели использованы две сетки дискретизации: грубая, соответствующая пикселям оцифрованного изображения и точная, вложенная в грубую сетку дискретизации. Входное изображение, построенное в точной сетке, соответствует квазинепрерывному при дискретизации в грубой сетке. Модель дает возможность осуществлять субпиксельный сдвиг и вычислять ошибки дискретизации.

Проведено исследование изотропности выделения границ для линейных операторов выделения границ (градиентные операторы Prewitt, Sobel, Isotropic, Robinson, Kirsh; операторы второй производной Laplasian, Log, FreiChen). Рассчитаны ошибки оценки направления и величины границы, протяженность экстремума и смещение границы от истинного положения (см. рис. 2). Оптимальным по изотропности выделения граничных элементов среди операторов 3x3 элемента являются операторы Sobel и Isotropic.

б)

15 30 45 60 75 90 0 15 30 45 60 75 90

Q j а, градусы p j а., градусы

Рис. 2. Графики зависимости величины ошибки определения направления границы |8-а| и величины отклика Gpr от направления границы а для операторов Prewitt 3x3 (а, в), Isotropic 3x3 (б, г).

а, градусы

Предложенная модель позволила провести исследование ошибок дискретизации при отслеживании острых изломов границы. Оценивались ошиб-

ки отслеживания границы для операторов первой производной (Sobel, Prewitt, Isotropic, Kirsh и Robinson).

В точной и грубой сетках осуществлялось отслеживание границ и последующее вычисление ошибок. Для вычисления ошибок формировался силуэт по траектории отслеживания угла, и вычислялась площадь ошибки отслеживания при наложении на этот силуэт исходного изображения (рис. 3).

ADDM1

Рис. 3. Иллюстрация силуэта, соответствующего ошибке отслеживания (белая область) изменения направления границы на 165 градусов для субпиксельного сдвига 0 (а), 1/11 (б), 3/11 (в), 5/11 (г), 7/11 (д), 9/11 (е)

Оценка ошибки отслеживания проводилась при возможных субпиксельных сдвигах изображения. Графики зависимости величины ошибки отслеживания от угла изменения направления границы представлены на рис. 4.

0.8

0.6

к с: 0.4

»Г

Ч

0.2

0

а)

15 30 45 60 75 90 105 120 135 150 165 градусы

б)

15 30 45 60 75 90 105 120 135 150 165 градусы

Рис. 4. Графики зависимости величины ошибки отслеживания ERRd от угла изменения направления границы р для операторов Prewitt (a), Isotropic (б).

Установлено, что операторы Sobel и Isotropic обеспечивает минимальные ошибки при следящем выделении контуров.

В работе проведен сравнительный анализ помехоустойчивости операторов выделения границ на полутоновых изображениях. Относительный уровень выходных шумов детектора А границ по отношению к детектору в границ для "белого" шума может быть рассчитан как:

, _МАл1°оША АВ ~Тл /п

где МА, Мв - нормирующие коэффициенты; DoutA, DoutB - дисперсия выходного сигнала. При увеличении ядра оператора за счет усреднения ухудшается разрешение, но существенно улучшается помехоустойчивость. Операторы с использованием второй производной существенно менее помехоустойчивы

по сравнению с градиентными операторами.

Из рассмотренных по ошибкам дискретизации, уровню выходных шумов и вычислительным затратам для отслеживания границ целесообразно использование операторов Isotropic 3x3 и Sobel 3x3.

В четвертой главе диссертации представлены разработанные методы выделения черт лица человека (глаз, носа, рта) на фронтальных изображениях.

Детекция глаз основана на значительном цветовом контрасте глаз и кожи. Предложен метод с упрощенной схемой расчета цветовой карты:

ColorMap = Cb—Cr.

В результате детекции глаз выделяются фрагменты областей глаз с последующим уточнением координат центров зрачка (радужной оболочки). Эта информация необходима для нормализации масштаба лица и поиска других черт лица на основе априорных антропометрических соотношений для лица.

В работе установлено, что координаты пикселя максимальной яркости для фрагмента локальной дисперсии яркости полутонового изображения с 98 % вероятностью находятся в области сетчатки (зрачка) глаза. Этот метод используется в качестве первого этапа локализации центров зрачка (рис. 5). Последующие этапы выполняются с использованием контурного отслеживания границы сетчатки и вычислением центра зрачка.

ж if 1 ^

Рис. 5. Определение центра зрачка по максимуму локальной дисперсии яркости

Губы человека имеют характерные цветовые оттенки, что позволяет проводить их эффективную локализацию на цветных изображениях. В разработанном методе используется цветовое пространство YCbCr и формируется изображение СЬ2 +Сг2 (рис. 6, б). Далее выполняется пороговая обработка по среднему значению динамического диапазона яркости и медианная фильтрация 5x5 элементов (рис. 6, в). Вероятность точной детекции на экспериментальной базе (более 200 изображений) составила 96 %.

Локализация носа производится на фрагменте изображения, выделенном с учетом априорной информации об антропометрических параметрах лица человека после локализации глаз. Для локализации используется метод проекций по полутоновому изображению. Яркостные минимумы на изображении точно соответствуют центрам ноздрей. На экспериментальной базе из 100 изображений достигнута 99 % точность детекции.

Методы, предложенные в работе, позволяют выделить основные контрольные точки на фронтальном цветном изображении лица человека для формирования репрезентативного признакового пространства и дальнейшей

классификации. Подтверждена высокая точность и операционная эффективность предложенных методов.

в) г)

Рис. 6. Этапы работы метода выделения области губ: исходное изображение

(а), полутоновое изображение СЬ2 + О2 (б), двоичное изображение после фильтрации и пороговой обработки (в), результат выделения контура губ (г)

Пятая глава посвящена исследованию методов усиления классификаторов на основе метода Ас1аВоо8и а также вопросам их совместной работы с деревьями принятия решений С4.5. Предложена методика ускоренного построения классификаторов.

Метод АёаВоов! характеризуется высокой скоростью классификации, легко интегрируется в каскадную и параллельную структуру систем распознавания и является одним из методов машинного обучения, демонстрирующих устойчивость к "переобучению".

Деревья принятия решений не требуют дополнительной нормализации данных для классификации и способные работать как с категориальными, так и с числовыми критериями.

Известные методы классификации на основе комитета решающих деревьев позволяют получать высокоточные классификационные модели, но склонны к "переобучению". Актуальной задачей является комбинирование методов усиления классификаторов и деревьев принятия решений, а также исследование влияния глубины деревьев на качество классификации.

Исследование метода АёаВоов! выполнено для пороговых классификаторов и С4.5 деревьев глубиной от 2 до 10. Установлено, что пороговый классификатор имеет существенное преимущество по сравнению даже с глубокими деревьями при количестве признаков менее 100. При увеличении количества признаков в классифицируемых данных, более глубокие деревья классификации позволяют достичь минимальной ошибки за меньшее число итераций усиления АёаВоов!.

Известно, что метод АёаВоов! имеет итеративный характер, и ранжирование обучающих примеров выполняется многократно - на каждом раунде (итерации) метода. Для уменьшения времени построения классификатора, предлагается исключать из обучающей выборки метода примеры, уверенно распознающиеся комитетом классификаторов к данному раунду и имеющие

вес D, < р (max D, (n)-mini), (")), где p - введенный порог, t - номер раунда обучения, n = l,..,N - номер примера, N - количество примеров обучающей выборки. Доля примеров используемых для обучения на каждом раунде может быть определена как к, = Nt/N, где Nt - количество примеров участвующих в обучении на раунде t. При выборе ре [0,01;0,1] в обучении участвуют от 90 до 99 % общей весовой массы примеров. При этом процедура перераспределения весов примеров, выполняемая на каждом раунде, гарантирует их повторное включение в выборку, в случае увеличения ошибки их классификации.

Графики зависимости величины ошибки классификации ERR и доли примеров к, участвующих в обучении, от порогового значения р и номера итерации представлены на рис. 7.

1 оо -тГГГГГТТШЛ \ \ \ \ \ V I I i

i Ш ПЧ V-

60

т 100 о

60

0.1 100 т

а) ..... Р б)

Рис. 7. График зависимости величины ошибки классификации ERR (а) и доли обучающих примеров к (б) от порогового значения р и количества раундов Т

Анализ полученных данных показал, что сокращение общей весовой доли обучающих примеров на 1 %, позволяет снизить количество примеров в 5 раз при сохранении ошибки классификации в пределах 10 %.

Комбинирование методов Ас1аВоо51 с деревьями принятия решений позволяет значительно повысить точность классификации на ранних итерациях усиления.

В условиях бинарной задачи классификации на каждом шаге обучения АёаВоов! построенный классификатор должен минимизировать величину ошибки на множестве всех возможных классификаторов. В работе представлено доказательство возможности перевода этой задачи в задачу максимизации. При построении каждого следующего узла дерева происходит максимизация информативности полученного разбиения. Таким образом, при усилении деревьев принятия решений, на каждом шаге Ас1аВоо81, классификатор должен максимизировать выражение, учитывающее весовое распределение примеров:

С=]

freq(Lc,WN)

Ы

log2

freq (Lc, WN )

ы

л—1

Lc))

где ? - номер раунда АёаВооэ!, - множество примеров узла дерева N, С -количество классов, Ащ(а,В) - функция подсчета доли примеров относящихся к классу а во множестве В, Ьс - метка класса с, Э, [п) - вес л-го примера на г-м шаге обучения. Построенное таким образом дерево будет "слабым" классификатором, в смысле АёаВоов!.

Исследовано влияние введения квантования для числовых атрибутов на сокращение вычислительной сложности построения дерева принятия решений и ошибку классификации. Введение квантования до 100 уровней сокращает вычислительные затраты при построении классификатора втрое и сохраняет ошибку классификации в пределах 10 %.

В шестой главе рассматриваются вопросы реализации аппаратно-программного комплекса биометрической идентификации личности по изображению лица. Представлено описание аппаратно-программного комплекса, ограничения на исходные данные и аппаратуру, а также результаты испытаний.

Аппаратно-программный комплекс обладает следующими функциональными возможностями:

• захват лица человека в кадре;

• сохранение захваченных изображений лиц в базе данных;

• идентификация личности в базе данных по изображению лица.

Комплекс предназначен для работы с фронтальным типом изображения

лица, характеризующимся достаточным разрешением для проведения визуальной экспертизы и автоматизированного распознавания, и отвечающим требованиям ГОСТ 19794-5-2006.

В состав комплекса входит персональный компьютер, камера и программное обеспечение идентификации личности (разработанная система распознавания лиц). Система распознавания (рис. 8) имеет параллельную структуру с блоком принятия решений (Р), раздельную экстракцию (ЭП) и классификацию (К) признаков.

Рис. 8. Структура системы распознавания лиц

Работа системы состоит из следующих этапов:

1. Захват исходного изображения пользователя;

2. Предобработка изображения;

3. Детекция и локализация области лица методами выделений цвета кожи человека и следящего контурного разложения;

4. Экстракция признаков в т.ч.:

• поиск и выделение контрольных точек лица, расчет признаков (ЭП1);

• поиск и выделение области глаз, формирование и редукция признаков на основе дискретного косинусного преобразования (ЭП2);

• поиск и выделение контура области лица, формирование признаков (ЭПЗ);

5. Классификация каждого набора признаков на основе решающих деревьев С4.5 и метода усиления классификаторов Ас1аВооя1 (К1, К2, КЗ);

6. Принятие итогового решения на основе взвешенного голосования (Р). В экспериментах использован набор изображений, составленный из 300

цветных 24-битных изображений высокого разрешения (512x768), полученных из базы изображений РЕШЕТ и соответствующих требованиям ГОСТ 19794-5-2006. Для всех экспериментов выполнена кросс-валидация со стратификацией, так как тестовая выборка не была явно представлена. Все эксперименты выполнены на 100 итерациях обучения АёаВоов!.

В ходе экспериментов оценивалась доля верно распознанных изображений, ошибки 1-го и П-го рода, время обучения и время распознавания, а также влияния каждого типа признаков на точность и общее время распознавания.

Среди всех типов признаков наибольший вклад вносит описание области глаза. Наименьшая эффективность у контура подбородка. Можно сделать вывод о достаточности 100 итераций обучения АёаВооз! и отсутствии эффекта "переобучения".

В заключении сформулированы основные результаты и выводы, полученные в работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

При решении поставленных в диссертационной работе задач получены следующие основные научные и практические результаты:

1. Предложены критерии оценки эффективности сегментации кожи человека по цвету, с использованием которых проведен сравнительный анализ цветовых пространств и оптимизация процедуры сегментации. Установлено, что сегментация кожи в цветовом пространстве УСЬСг позволяет достичь точности более 95 % при квантовании цветового пространства всего на 32К градаций.

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

3. Разработаны методы поиска и выделения основных контрольных точек на изображении лица человека с точностью до 3 пикселей для более чем 96 % изображений.

4. Разработаны модификации методов классификации А<1аВоо51 и С4.5 с

сокращением времени обучения классификатора более чем в 3 раза при сохранении вероятности точной классификации более 90 %. Разработан комбинированный метод классификации на основе AdaBoost и С4.5.

5. Разработан аппаратно-программный комплекс идентификации личности по изображению лица, реализующий модель параллельной классификации признаков и позволяющий достичь точной идентификации по фронтальным изображениям с вероятностью более 98 % при сохранении размера признакового пространства не более 300 признаков.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

В изданиях рекомендованных ВАК РФ:

1. Khomyakov, M.Yu. Comparative Evaluation of Linear Edge Detection Methods [Text] (Сравнительная оценка линейных методов выделения границ) / M.Yu. Khomyakov // Pattern Recognition and Image Analysis. -2012. - Vol. 22 (2). - P. 291-302.

2. Khomyakov, M.Yu. Comparative Evaluation of Noise Insensitivity of Linear Edge Detection Techniques [Text] (Сравнительная оценка помехоустойчивости линейных методов выделения границ) / M.Yu. Khomyakov // Pattern Recognition and Image Analysis. - 2011. - Vol. 21 (2). - P. 274-278.

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

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

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

Статьи и материалы конференций:

6. Хомяков, М.Ю. Ошибки отслеживания контуров на полутоновых изображениях [Текст] / М.Ю. Хомяков // Материалы 9-й международной конференции Телевидение: Передача и Обработка Изображений, Санкт-Петербург, Россия. - 2012. - С. 100-103.

7. Khomyakov, М. Edge tracking on grayscale images (Отслеживание контуров на полутоновых изображениях) [Text] / М. Khomyakov // Proceedings of 8lh Open German-Russian Workshop on Pattern Recognition and Image Understanding (OGRW-8-2011), Nizhny Novgorod, Russia. - 2011. -P. 127-130.

8. Хомяков, М.Ю. Отслеживание контуров на полутоновых изображениях [Текст] / М.Ю. Хомяков // Материалы 8-й международной конференции Телевидение: Передача и Обработка Изображений, Санкт-Петербург, Россия. - 2011. - С. 101-105.

9. Khomyakov, M. Comparative Estimation of Edge Detection Methods Noise-Stability [Text] (Оценка помехоустойчивости методов выделения границ) / М. Khomyakov // Proceedings of 10th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010), St. Petersburg, Russia. - 2010. - P. 209-212.

Ю.Хомяков, М.Ю. Предметно-ориентированный язык программирования для курса "Компьютерные методы идентификации личности" [Текст] / М.Ю. Хомяков // Материалы международного форума Современное образование: содержание, технологии, качество, Санкт-Петербург, Россия. - 2010. - С. 132-133.

П.Хомяков, М.Ю. Комплекс программ для курса "Компьютерные методы идентификации личности" [Текст] / М.Ю. Хомяков // Материалы международного форума Современное образование: содержание, технологии, качество, Санкт-Петербург, Россия. - 2009. - С. 176-177.

12.Хомяков, М.Ю. Влияние глубины С4.5 деревьев классификации на качество распознавания [Текст] / М.Ю. Хомяков // Материалы 64-й научно-технической конференции СПбНТОРЭС, посвященной Дню радио, Санкт-Петербург, Россия. - 2009. - С. 201-203.

13.Хомяков, М.Ю. Влияние методов предварительной обработки изображений на качество распознавания лиц на изображениях [Текст] / М.Ю. Хомяков // Материалы 63-й научно-технической конференции СПбНТОРЭС, посвященной Дню радио, Санкт-Петербург, Россия. -2008.-С. 219-221.

14.Хомяков, М.Ю. Построение биометрической системы на основе алгоритма усиления слабых классификаторов [Текст] / М.Ю. Хомяков // Материалы XIII Всероссийской научно-технической конференции Новые информационные технологии в научных исследованиях и образовании (НИТ-2008), Рязань, Россия. - 2008. - С. 23-25.

15.Хомяков, М.Ю. Анализ некоторых методов предварительной обработки в биометрической системе [Текст] / М.Ю. Хомяков // Сборник материалов Всероссийской научно-практической конференции с международным участием Информационные технологии в профессиональной деятельности и научной работе, Йошкар-Ола, Россия. - 2008. - С. 104105.

16.Хомяков, М.Ю. Влияние методов уменьшения размерности пространства признаков на эффективность алгоритма усиления слабых классификаторов [Текст] / М.Ю. Хомяков II Сборник статей XXI Международной научно-технической конференции Математические методы и информационные технологии в экономике, социологии и образовании, Пенза, Россия. - 2008. - С. 233-234.

Подписано в печать 17.10.12. Формат 60*84 1/16. Бумага офсетная. Печать офсетная. Печ. л. 1,0. Тираж 100 экз. Заказ 102.

Отпечатано с готового оригинал-макета в типографии Издательства СПбГЭТУ "ЛЭТИ"

Издательство СПбГЭТУ "ЛЭТИ" 197376, С.-Петербург, ул. Проф. Попова, 5

Введение.

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

1.1. Биометрическая идентификация по изображению лица.

1.2. Методы идентификации личности по изображению лица.

1.3. Детекция лица.

1.4. Методы распознавания лиц.

1.5. Классификация признаков.

1.6. Оценка эффективности методов идентификации.

1.7 Постановка задач исследования.

Глава 2. Сегментация цвета кожи человека на изображениях.

2.1. Детекция цвета кожи человека на изображениях.

2.2. Методика оценки цветового пространства.

2.3. Сравнительная оценка цветовых пространств.

Выводы.

Глава 3. Контуры объектов их выделение и отслеживание.

3.1. Отслеживание контуров на полутоновых изображениях.

3.2. Ошибки дискретизации линейных методов выделения границ.

3.3. Ошибки дискретизации острых изломов границ при отслеживании.

3.4. Помехоустойчивость методов выделения границ.

Выводы.

Глава 4. Детекция и локализация элементов лица человека на изображении

4.1. Отбор контрольных точек лица человека.

4.2. Выделение признаков по изображению лица человека.

4.3. Детекция и локализация глаз.

4.4. Детекция и локализация рта.

4.5. Детекция и локализация носа.

Выводы.

Глава 5. Методы усиления классификаторов.

5.1. Настройка весов AdaBoost.

5.2. Построение С4.5 классификаторов.

Выводы.

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

6.1. Требования к исходным данным.

6.2. Требования к аппаратно-программной платформе.

6.3. Описание аппаратно-программного комплекса.

6.4. Условия проведения экспериментов.

6.5. Исследование аппаратно-программного комплекса.

Выводы.

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

Идентификация личности по изображению лица человека, в отличие от других биометрических характеристик человека (отпечаток пальца, форма руки, рисунок радужной оболочки глаза, голос), не требует физического контакта, что значительно расширяет возможности применения. Методы анализа геометрии и структурных особенностей лица перспективны для широкого круга задач. К ним относятся: идентификация личности, оценка эмоционального состояния и мимики, автоматическое распознавание речи по движению губ, отслеживание направления взгляда, создание новых человеко-машинных интерфейсов. Для стандартизации форматов записи биометрических данных, условий получения изображений лиц и параметров цифрового изображения лица разработан ГОСТ Р ИСО/МЭК 19794-5-2006 «Автоматическая идентификация. Идентификация биометрическая. Форматы обмена биометрическими данными. Данные изображения лица».

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

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

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

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

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

Для достижения поставленной цели определены следующие задачи:

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

2. Разработать метод следящего выделения контуров на полутоновых изображениях.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Практическую ценность работы представляют:

1. Метод сегментации кожи человека на цветном изображении.

2. Метод следящего выделения контуров на полутоновых изображениях.

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

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

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

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

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

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

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

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

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

Выводы

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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