均方误差gydF4y2Ba 建模和模拟在工程gydF4y2Ba 1687 - 5605gydF4y2Ba 1687 - 5591gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/8234124gydF4y2Ba 8234124gydF4y2Ba 研究文章gydF4y2Ba 提高基于组件的人脸识别使用增强Viola-Jones和加权投票的技术gydF4y2Ba http://orcid.org/0000 - 0002 - 4945 - 8544gydF4y2Ba DaghergydF4y2Ba 阿萨姆gydF4y2Ba Al-BazzazgydF4y2Ba 侯赛因gydF4y2Ba SequenziagydF4y2Ba 盖太诺gydF4y2Ba Balamand大学gydF4y2Ba 计算机工程系gydF4y2Ba El-KouragydF4y2Ba 黎巴嫩gydF4y2Ba balamand.edu.lbgydF4y2Ba 2019年gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 31日gydF4y2Ba 08年gydF4y2Ba 2018年gydF4y2Ba 17gydF4y2Ba 01gydF4y2Ba 2019年gydF4y2Ba 27gydF4y2Ba 01gydF4y2Ba 2019年gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019伊萨姆Dagher和侯赛因Al-Bazzaz。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

摘要增强面部识别功能的基于组件的技术使用的概念更好Viola-Jones组件检测和加权面部组件。我们的方法开始增强Viola-Jones脸组件检测和裁剪。检测到面部组件和裁剪精确所有pose-changing环境。裁剪组件表示的梯度直方图的(猪)。每个组件的重量决定使用验证过程。结合这些权重是由一个简单的投票方法。三种公共数据库:AT&T数据库,把数据库,基于“增大化现实”技术的数据库。观察使用加权投票的若干改进识别方法。gydF4y2Ba

 1。介绍gydF4y2Ba

人脸识别是模式识别的一个非常重要的应用,数据库是用来训练分类器,试图识别每个人。少数研究涉及的人脸识别问题进行了调查gydF4y2Ba 1gydF4y2Ba]。在认知科学的研究发现,局部和全局特征可用于人脸识别(gydF4y2Ba 2gydF4y2Ba- - - - - -gydF4y2Ba 8gydF4y2Ba]。有足够的证据证明所有的整体,可配置,和面部组件信息存在于人脸知觉(gydF4y2Ba 2gydF4y2Ba- - - - - -gydF4y2Ba 15gydF4y2Ba]。附加在人类身上的研究表明,一些面部识别人脸的重要和有用的组件是比其他组件。例如,上面对比低的脸更重要(gydF4y2Ba 13gydF4y2Ba,gydF4y2Ba 16gydF4y2Ba]。研究人员已经找到人脸识别通过两种方法:基于组件和global-based人脸识别。gydF4y2Ba

1.1。基于组件的人脸识别gydF4y2Ba

这种方法依赖于训练多个模型根据组件的数量代表一个图像。这种技术在人脸识别还没有深入研究相比global-based技术。因此,他们的方法是有限的(gydF4y2Ba 17gydF4y2Ba]。他们中的大多数使用原始像素表示这就是让他们那么健壮。其他几个中讨论了基于组件的人脸识别方法(gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 12gydF4y2Ba,gydF4y2Ba 16gydF4y2Ba]。面部组件用于识别本文是眼睛,鼻子和嘴。Viola-Jones对象检测框架(gydF4y2Ba 18gydF4y2Ba)是用于作物面部组件。gydF4y2Ba

 1.2。Global-Based人脸识别gydF4y2Ba

相反,基于组件的概念,全球的人脸识别方法依赖于一个数组来表示一个脸。比较最好的技术global-based人脸识别,如eigenfaces Fisher判别分析,核主成分分析可以发现在gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba]。global-based人脸识别技术有一个弱点对姿势的变化。这种技术必须包括一个脸对齐算法阶段或被开发来满足标准的基于组件的识别技术(gydF4y2Ba 21gydF4y2Ba]。gydF4y2Ba

本文的其余部分组织如下:部分gydF4y2Ba 2gydF4y2Ba解释了我们用于组件的方法检测和裁剪。解释猪特性部分gydF4y2Ba 3gydF4y2Ba。部分gydF4y2Ba 4gydF4y2Ba提出了总结和比较的结果。gydF4y2Ba

 1.3。三维人脸识别gydF4y2Ba

三维面部表面(gydF4y2Ba 22gydF4y2Ba)编码成字符串索引的集合径向从鼻子发出提示。然后,部分匹配机制有效地消除阻塞部位。面部曲线可以表达的变形区域包含面部曲线用于检测闭塞的面部区域。在[gydF4y2Ba 23gydF4y2Ba),一种新颖的自动面部地标定位方法依赖几何属性的3 d人脸表面工作都完成脸上显示不同的情绪和遮挡的存在。gydF4y2Ba

 2。组件检测和种植gydF4y2Ba

检测功能是一个重要的过程在我们的人脸识别方法。组件帮助收集每个人独特的数据在数据库中。两种组件使用检测:Viola-Jones对象检测框架(gydF4y2Ba 18gydF4y2Ba用几何方法和具有里程碑意义的检测使用的脸对齐的合奏回归树(gydF4y2Ba 24gydF4y2Ba]。面部组件检测方法都是用于实现面部组件在所有情况下的检测(照明和姿势的变化)。准确的组件种植会导致更好的特性。更多的作物是特定于面部组件,无用的信息包含在表示越少,因此独特的数据将参与学习过程。gydF4y2Ba

2.1。Viola-Jones对象检测框架gydF4y2Ba

Viola-Jones对象检测框架是用于训练模型,检测到面部组件(眼睛,鼻子和嘴)所需的识别过程。它包含以下部分中详细解释(gydF4y2Ba 18gydF4y2Ba]:Haar-Like特性,积分图像,弱分类器和强分类器,演算法和级联。gydF4y2Ba

 2.2。加强Viola-Jones与几何方法gydF4y2Ba

Viola-Jones是一个健壮的对象检测系统。然而,训练模型可能会错过检测或故障检测的对象。我们的识别方法依赖于准确检测的三个组件(眼睛,鼻子,嘴巴)。检测时不能容忍小姐检测面部组件。基于组件的人脸识别系统需要的组件裁剪和准确地表示。小姐的检测可能导致无用数据的表示(如图gydF4y2Ba 1gydF4y2Ba)在学习过程中,收益率较低的识别成功率。眼睛对组件是最重要的三种提取组件的一部分。眼睛一对带有独特的主要信息对一个人的脸。也是引用对象中使用该算法来检测和作物面部的其他组件。眼睛pair-location预测模型是训练有素的眼睛对估计的地方可能会发现在一个脸。在图gydF4y2Ba 2gydF4y2Ba,眼睛对某些情况下的地方不是发现了后的检测结果提出解决方案。鼻子和嘴巴对象探测器可能找不到组件,因为搜索区域不包括整个对象,进一步研究多目标检测或在搜索区域。如果对象没有检测到,那么搜索区域逐渐扩大,直到找到一个对象。口地区,进一步研究多目标检测的框架发生和被选对象解决最大值gydF4y2Ba ygydF4y2Ba坐标。gydF4y2Ba

组件Miss-Detection风险。gydF4y2Ba

Viola-Jones与Viola-Jones用几何方法(基于“增大化现实”技术的数据库)。gydF4y2Ba

 2.3。该地区选择过程gydF4y2Ba

几何的概念方法是集中搜索组件在正确的领域。例如,鼻子不能高于眼睛一对;它位于某处下眼睛。相同的概念应用于口。它必须是在鼻子和眼睛。几何方法旨在缩小搜索区域,鼻子和嘴巴可能发生(gydF4y2Ba 25gydF4y2Ba]。该地区选择算法(图gydF4y2Ba 3gydF4y2Ba)由以下步骤组成:gydF4y2Ba

面对寻找是第一个组件。gydF4y2Ba

眼睛对检测人脸图像的裁剪。gydF4y2Ba

下的面积内的眼睛对裁剪面图像的搜索区域的鼻子。gydF4y2Ba

特定区域是用来检测口(图gydF4y2Ba 3gydF4y2Ba)。在多个口检测的情况下,对象更重要gydF4y2Ba ygydF4y2Ba设在值(最低的对象)被选作为口腔组件。gydF4y2Ba

该地区选择算法。gydF4y2Ba

几个问题面临Viola-Jones对象检测框架组件的使用检测。他们如下:gydF4y2Ba

未能检测到眼睛。gydF4y2Ba

未能检测到鼻子。gydF4y2Ba

检测多个错误的嘴。gydF4y2Ba

图gydF4y2Ba 4gydF4y2Ba显示了小姐检测问题和区域选择算法的解决方案。gydF4y2Ba

小姐检测问题及其解决方案。gydF4y2Ba

数据gydF4y2Ba 5gydF4y2Ba和gydF4y2Ba 6gydF4y2Ba显示了检测小姐和面积的选择算法的解决方案。gydF4y2Ba

鼻子错过检测问题。gydF4y2Ba

口小姐检测问题。gydF4y2Ba

 3所示。特性gydF4y2Ba

像素块提取面部图像往往太大,无法帮助构建一个健壮的分类器(gydF4y2Ba 24gydF4y2Ba]。它们转化成一个向量的特性。特征描述符是一个数组的数据,描述了图像或图像的一部分。它有助于提供独特的图像信息。它可以支持图像识别应用程序的对象。在本文中,我们利用面向梯度直方图(猪)特性gydF4y2Ba 26gydF4y2Ba]。gydF4y2Ba

3.1。猪的特性gydF4y2Ba

面向梯度直方图(猪)是一个面向特征描述符,使用梯度信息(gydF4y2Ba 26gydF4y2Ba]。计算占用的步骤描述如下:gydF4y2Ba

为每个像素我(gydF4y2Ba x, ygydF4y2Ba),获得的水平和垂直梯度值如下:gydF4y2Ba

(1)gydF4y2Ba ggydF4y2Ba xgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba −gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ygydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba +gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba 我gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

例如,gydF4y2Ba

梯度大小gydF4y2Ba 米gydF4y2Ba和方向gydF4y2Ba θgydF4y2Ba通过计算gydF4y2Ba

(2)gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba ggydF4y2Ba xgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba +gydF4y2Ba ggydF4y2Ba ygydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba θgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba =gydF4y2Ba 反正切gydF4y2Ba ggydF4y2Ba xgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba ggydF4y2Ba ygydF4y2Ba xgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 。gydF4y2Ba

直方图构造基于积累的大小由取向。gydF4y2Ba

图像分为几个小空间(细胞)为每个地区,当地的计算梯度方向直方图累积投票为每个方向进垃圾箱。时达到最佳性能梯度取向是量子化的9箱(0 - 180)。相反,由梯度幅度加权投票允许直方图考虑梯度在给定像素的重要性。最后,猪描述符是通过连接所有局部直方图在一个向量。gydF4y2Ba

然而,它是必要的正常细胞直方图由于梯度可以受到光照变化的影响。图gydF4y2Ba 7gydF4y2Ba显示了一个示例获得富足的特征向量。gydF4y2Ba

猪的特征向量。gydF4y2Ba

 4所示。实验结果gydF4y2Ba 4.1。面对数据库设置gydF4y2Ba

三个数据库进行了研究。他们已经选择对低分辨率测试识别精度,缺少组件,构成变化情况。我们使用PUT (gydF4y2Ba 27gydF4y2Ba),美国电话电报公司(AT&T) (gydF4y2Ba 28gydF4y2Ba),基于“增大化现实”技术的数据库(gydF4y2Ba 29日gydF4y2Ba]。把数据库由50人组成:每一个都有22的面部图像用不同的姿态和不同的照明条件。美国电话电报公司(AT&T)数据库的图像由40人。每个人都有十个不同的面部图像。基于“增大化现实”技术的数据库由50人组成。每个人都有26个不同颜色的面部图像。表gydF4y2Ba 1gydF4y2Ba显示了不同的随机训练集(k-flops)。例如,把数据库,gydF4y2Ba kgydF4y2Ba= 2,我们花了11的22个作为测试培训和11。图像缺失的组件应当替代那个缺失的组件与组件发现在其学习/测试设置如图gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

K-Flops和相应的测试和学习计数(gydF4y2Ba lgydF4y2Ba=学习图像,gydF4y2Ba TgydF4y2Ba=测试图像)。gydF4y2Ba

K-FlopsgydF4y2Ba 把gydF4y2Ba 丙氨酸gydF4y2Ba 基于“增大化现实”技术gydF4y2Ba
lgydF4y2Ba TgydF4y2Ba lgydF4y2Ba TgydF4y2Ba lgydF4y2Ba TgydF4y2Ba
2gydF4y2Ba 11gydF4y2Ba 11gydF4y2Ba 5gydF4y2Ba 5gydF4y2Ba 13gydF4y2Ba 13gydF4y2Ba
3gydF4y2Ba 15gydF4y2Ba 7gydF4y2Ba 7gydF4y2Ba 3gydF4y2Ba 18gydF4y2Ba 8gydF4y2Ba
4gydF4y2Ba 17gydF4y2Ba 5gydF4y2Ba 8gydF4y2Ba 2gydF4y2Ba 20.gydF4y2Ba 6gydF4y2Ba
5gydF4y2Ba 18gydF4y2Ba 4gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 21gydF4y2Ba 5gydF4y2Ba

缺少的组件。gydF4y2Ba

猪的特性为每个图片批处理的基础上计算。上突然出现了一批是一个图像的一部分,寻求对其有用的信息,例如,眼睛,鼻子,嘴巴。补丁的猪功能可以计算不同的纵横比。充分利用这些特性,我们必须保持一个固定的长宽比单个数据库内的所有补丁。1比1:4日:1和1:2选择眼睛,鼻子,嘴,分别(图gydF4y2Ba 9gydF4y2Ba)。gydF4y2Ba

把数据库组件调整过程。gydF4y2Ba

 4.2。验证过程gydF4y2Ba

这个过程的目的是找出哪些模型执行的特定数据库来计算其优先级。越好得分的特定组件,其优先级越高。gydF4y2Ba

我们已经把我们的训练集分为2组:培训(75%)和验证(25%)。gydF4y2Ba

这种技术使用了验证结果为每个组件分配权重。分配给某个组件的重量越高,影响越重它对最终的分类结果。这个过程是显示在图gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

优先投票过程。gydF4y2Ba

 4.3。结果gydF4y2Ba

三个数据库的结果下面所示。gydF4y2Ba

4.3.1。把数据库识别结果gydF4y2Ba

用我们的验证过程,表gydF4y2Ba 2gydF4y2Ba显示了把每个组件的优先级数据库。结合这些优先事项和投票技术成功率达到了100%的准确率gydF4y2Ba kgydF4y2Ba= 5(表gydF4y2Ba 3gydF4y2Ba)。gydF4y2Ba

验证识别成功率为每个组件的数据库。gydF4y2Ba

把数据库gydF4y2Ba
2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba
眼睛对gydF4y2Ba 0.89091gydF4y2Ba 0.90286gydF4y2Ba 0.968gydF4y2Ba 0.97gydF4y2Ba
眼睛对优先级gydF4y2Ba 0.94727gydF4y2Ba 0.97714gydF4y2Ba 0.992gydF4y2Ba 0.99gydF4y2Ba
鼻子gydF4y2Ba 0.91075gydF4y2Ba 0.91379gydF4y2Ba 0.936gydF4y2Ba 0.96gydF4y2Ba
鼻子的优先级gydF4y2Ba 0.95455gydF4y2Ba 0.98286gydF4y2Ba 0.992gydF4y2Ba 0.99gydF4y2Ba
口gydF4y2Ba 0.96182gydF4y2Ba 0.97714gydF4y2Ba 0.968gydF4y2Ba 0.985gydF4y2Ba
口优先gydF4y2Ba 0.97636gydF4y2Ba 0.98571gydF4y2Ba 0.992gydF4y2Ba 1gydF4y2Ba

使用我们的方法识别成功率提高(数据库)。gydF4y2Ba

人脸识别方法gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba
平均成功率资讯gydF4y2Ba 0.92gydF4y2Ba 0.93gydF4y2Ba 0.95gydF4y2Ba 0.97gydF4y2Ba
面部组件优先投票gydF4y2Ba 0.97gydF4y2Ba 0.98gydF4y2Ba 0.99gydF4y2Ba 1gydF4y2Ba
4.3.2。美国电话电报公司(AT&T)识别结果gydF4y2Ba

表gydF4y2Ba 4gydF4y2Ba显示了美国电话电报公司(AT&T)每个组件的优先级数据库。投票识别成功率达到96%的准确率的成功率gydF4y2Ba kgydF4y2Ba= 5(表gydF4y2Ba 5gydF4y2Ba)。gydF4y2Ba

为每个组件验证识别成功率的AT&T数据库。gydF4y2Ba

美国电话电报公司(AT&T)数据库gydF4y2Ba
2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba
眼睛对gydF4y2Ba 0.8gydF4y2Ba 0.775gydF4y2Ba 0.7625gydF4y2Ba 0.8625gydF4y2Ba
眼睛对优先级gydF4y2Ba 0.9125gydF4y2Ba 0.875gydF4y2Ba 0.9125gydF4y2Ba 0.925gydF4y2Ba
鼻子gydF4y2Ba 0.8875gydF4y2Ba 0.93333gydF4y2Ba 0.8875gydF4y2Ba 0.975gydF4y2Ba
鼻子的优先级gydF4y2Ba 0.925gydF4y2Ba 0.925gydF4y2Ba 0.875gydF4y2Ba 0.9375gydF4y2Ba
口gydF4y2Ba 0.8375gydF4y2Ba 0.88333gydF4y2Ba 0.9125gydF4y2Ba 0.9375gydF4y2Ba
口优先gydF4y2Ba 0.9375gydF4y2Ba 0.94167gydF4y2Ba 0.9375gydF4y2Ba 0.9625gydF4y2Ba

使用我们的方法识别成功率提高(AT&T数据库)。gydF4y2Ba

人脸识别方法gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba
平均成功率资讯gydF4y2Ba 0.84gydF4y2Ba 0.86gydF4y2Ba 0.85gydF4y2Ba 0.92gydF4y2Ba
面部组件优先投票gydF4y2Ba 0.93gydF4y2Ba 0.94gydF4y2Ba 0.93gydF4y2Ba 0.96gydF4y2Ba
4.3.3。基于“增大化现实”技术的数据库识别结果gydF4y2Ba

表gydF4y2Ba 6gydF4y2Ba显示了每个组件的优先级的基于“增大化现实”技术的数据库。投票标准提高了识别成功从73%到87%不等gydF4y2Ba kgydF4y2Ba= 2,从84%到94%gydF4y2Ba kgydF4y2Ba= 5(表gydF4y2Ba 7gydF4y2Ba)。gydF4y2Ba

验证识别成功率为每个组件的基于“增大化现实”技术的数据库。gydF4y2Ba

基于“增大化现实”技术的数据库gydF4y2Ba
2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba
眼睛对gydF4y2Ba 0.78308gydF4y2Ba 0.8275gydF4y2Ba 0.82gydF4y2Ba 0.868gydF4y2Ba
眼睛对优先级gydF4y2Ba 0.87077gydF4y2Ba 0.9225gydF4y2Ba 0.92gydF4y2Ba 0.944gydF4y2Ba
鼻子gydF4y2Ba 0.69385gydF4y2Ba 0.785gydF4y2Ba 0.71333gydF4y2Ba 0.804gydF4y2Ba
鼻子的优先级gydF4y2Ba 0.84154gydF4y2Ba 0.8975gydF4y2Ba 0.88gydF4y2Ba 0.928gydF4y2Ba
口gydF4y2Ba 0.73692gydF4y2Ba 0.7925gydF4y2Ba 0.76667gydF4y2Ba 0.852gydF4y2Ba
口优先gydF4y2Ba 0.84462gydF4y2Ba 0.915gydF4y2Ba 0.85667gydF4y2Ba 0.928gydF4y2Ba

识别成功率提高使用我们的方法(基于“增大化现实”技术的数据库)。gydF4y2Ba

人脸识别方法gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 5gydF4y2Ba
平均成功率资讯gydF4y2Ba 0.73gydF4y2Ba 0.80gydF4y2Ba 0.76gydF4y2Ba 0.84gydF4y2Ba
面部组件优先投票gydF4y2Ba 0.87gydF4y2Ba 0.92gydF4y2Ba 0.92gydF4y2Ba 0.94gydF4y2Ba
4.3.4。总结的结果gydF4y2Ba

三种公共数据库:gydF4y2Ba

AT&T 400主题和图片一样。gydF4y2Ba

把数据库50主题和1100的图像。gydF4y2Ba

基于“增大化现实”技术的数据库50主题和1300的图像。gydF4y2Ba

我们的方法具有以下优点:gydF4y2Ba

出色的精度检测面部组件在所有pose-changing环境。gydF4y2Ba

提高识别精度通过结合多个分类使用多数投票。gydF4y2Ba

5。结论gydF4y2Ba

增强面部识别功能的基于组件技术是本文的目的。这样做是通过使用更好的概念Viola-Jones组件检测和加权面部组件。每个组件使用一个验证过程有一定重量。我们使用投票技术包含了所有这些权重。component-weighted技术提供机会涉及多个特性成功率,即使机会使用某一特定功能的力量压制其他特性的弱点。加权投票的改善方法是证明我们使用的数据库。投票技术提高了识别的成功率。成功率的提高在投票技术分配重量的重要性在面部组件没有解决一个主要面部组件。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 ChellappagydF4y2Ba R。gydF4y2Ba 威尔逊gydF4y2Ba c . L。gydF4y2Ba SiroheygydF4y2Ba 年代。gydF4y2Ba 人类和机器识别的面孔:一项调查gydF4y2Ba IEEE学报》gydF4y2Ba 1995年gydF4y2Ba 83年gydF4y2Ba 5gydF4y2Ba 705年gydF4y2Ba 741年gydF4y2Ba 10.1109/5.381842gydF4y2Ba 2 - s2.0 - 0029304865gydF4y2Ba 布拉德肖gydF4y2Ba j·L。gydF4y2Ba WallaceigydF4y2Ba G。gydF4y2Ba 模型的处理和识别的面孔gydF4y2Ba 知觉和心理物理学gydF4y2Ba 1971年gydF4y2Ba 9gydF4y2Ba 5gydF4y2Ba 443年gydF4y2Ba 448年gydF4y2Ba 10.3758 / bf03210249gydF4y2Ba 2 - s2.0 - 0000347372gydF4y2Ba 中士gydF4y2Ba J。gydF4y2Ba 调查组件和构形的基础面部知觉过程gydF4y2Ba 英国心理学杂志上的gydF4y2Ba 2011年gydF4y2Ba 75年gydF4y2Ba 2gydF4y2Ba 221年gydF4y2Ba 242年gydF4y2Ba 10.1111 / j.2044-8295.1984.tb01895.xgydF4y2Ba 2 - s2.0 - 85004899767gydF4y2Ba SchwaningergydF4y2Ba 一个。gydF4y2Ba 舒马赫gydF4y2Ba 年代。gydF4y2Ba BulthoffgydF4y2Ba H。gydF4y2Ba WallravengydF4y2Ba C。gydF4y2Ba 使用3 d计算机图形知觉:本地和全球信息的角色面对处理gydF4y2Ba 4日学报》研讨会上应用认知图形和可视化gydF4y2Ba 2007年7月gydF4y2Ba 德国图宾根gydF4y2Ba 19gydF4y2Ba 26gydF4y2Ba SchwaningergydF4y2Ba 一个。gydF4y2Ba WallravengydF4y2Ba C。gydF4y2Ba 坎宁安gydF4y2Ba d . W。gydF4y2Ba Chiller-GlausgydF4y2Ba s D。gydF4y2Ba 处理面部身份和表达式:心理物理、生理、和计算角度gydF4y2Ba 理解情绪gydF4y2Ba 2006年gydF4y2Ba 156年gydF4y2Ba 321年gydF4y2Ba 343年gydF4y2Ba 10.1016 / s0079 - 6123 (06) 56018 - 2gydF4y2Ba 2 - s2.0 - 33749076642gydF4y2Ba 毛雷尔gydF4y2Ba D。gydF4y2Ba 大gydF4y2Ba r . L。gydF4y2Ba 时间gydF4y2Ba c·J。gydF4y2Ba 许多面临的构形的处理gydF4y2Ba 认知科学趋势gydF4y2Ba 2002年gydF4y2Ba 6gydF4y2Ba 6gydF4y2Ba 255年gydF4y2Ba 260年gydF4y2Ba 10.1016 / s1364 - 6613 (02) 01903 - 4gydF4y2Ba 2 - s2.0 - 0036606559gydF4y2Ba 这款gydF4y2Ba N。gydF4y2Ba BentingydF4y2Ba 年代。gydF4y2Ba 结构编码的人类和示意图的面孔:整体和部分原因的过程gydF4y2Ba 认知神经科学杂志》gydF4y2Ba 2001年gydF4y2Ba 13gydF4y2Ba 7gydF4y2Ba 937年gydF4y2Ba 951年gydF4y2Ba 10.1162 / 089892901753165854gydF4y2Ba 2 - s2.0 - 0034779247gydF4y2Ba 马修斯gydF4y2Ba m . L。gydF4y2Ba 歧视的老一套的建设面临着:证据双重处理策略gydF4y2Ba 知觉和心理物理学gydF4y2Ba 1978年gydF4y2Ba 23gydF4y2Ba 2gydF4y2Ba 153年gydF4y2Ba 161年gydF4y2Ba 10.3758 / bf03208296gydF4y2Ba 2 - s2.0 - 0018227266gydF4y2Ba 史密斯gydF4y2Ba E·E。gydF4y2Ba 尼尔森gydF4y2Ba g D。gydF4y2Ba 表示和检索过程在短期记忆:识别和回忆的脸gydF4y2Ba 实验心理学杂志gydF4y2Ba 1970年gydF4y2Ba 85年gydF4y2Ba 3gydF4y2Ba 397年gydF4y2Ba 405年gydF4y2Ba 10.1037 / h0029727gydF4y2Ba 2 - s2.0 - 0001717880gydF4y2Ba 曹gydF4y2Ba X。gydF4y2Ba 魏gydF4y2Ba Y。gydF4y2Ba 温gydF4y2Ba F。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 面对由显式形状对齐回归gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2013年gydF4y2Ba 107年gydF4y2Ba 2gydF4y2Ba 177年gydF4y2Ba 190年gydF4y2Ba 10.1007 / s11263 - 013 - 0667 - 3gydF4y2Ba 2 - s2.0 - 84897113834gydF4y2Ba 戴维·AgushintagydF4y2Ba R。gydF4y2Ba SuhendragydF4y2Ba 一个。gydF4y2Ba HanumgydF4y2Ba Y。gydF4y2Ba 距离面部特征提取的人脸识别系统组件gydF4y2Ba ICSIITgydF4y2Ba 2007年gydF4y2Ba 2007年gydF4y2Ba 239年gydF4y2Ba 戴维斯gydF4y2Ba G。gydF4y2Ba 埃利斯gydF4y2Ba H。gydF4y2Ba 牧羊人gydF4y2Ba J。gydF4y2Ba 提示凸起在面临“photofit”技术的评估gydF4y2Ba 感知gydF4y2Ba 2016年gydF4y2Ba 6gydF4y2Ba 3gydF4y2Ba 263年gydF4y2Ba 269年gydF4y2Ba 10.1068 / p060263gydF4y2Ba 2 - s2.0 - 0017396782gydF4y2Ba 法拉gydF4y2Ba m·J。gydF4y2Ba 威尔逊gydF4y2Ba k·D。gydF4y2Ba 排水gydF4y2Ba M。gydF4y2Ba 田中gydF4y2Ba j . N。gydF4y2Ba 什么是“特殊”面孔知觉呢?gydF4y2Ba 心理评估gydF4y2Ba 1998年gydF4y2Ba 105年gydF4y2Ba 3gydF4y2Ba 482年gydF4y2Ba 498年gydF4y2Ba 10.1037 / 0033 - 295 x.105.3.482gydF4y2Ba 2 - s2.0 - 0032116793gydF4y2Ba RichlergydF4y2Ba J·J。gydF4y2Ba 张gydF4y2Ba o年代。gydF4y2Ba 附近gydF4y2Ba 我。gydF4y2Ba 整体的处理预测人脸识别gydF4y2Ba 心理科学gydF4y2Ba 2011年gydF4y2Ba 22gydF4y2Ba 4gydF4y2Ba 464年gydF4y2Ba 471年gydF4y2Ba 10.1177 / 0956797611401753gydF4y2Ba 2 - s2.0 - 79954486001gydF4y2Ba 黄金gydF4y2Ba j . M。gydF4y2Ba MundygydF4y2Ba p . J。gydF4y2Ba TjangydF4y2Ba b S。gydF4y2Ba 一脸的看法是不超过它各部分的总和gydF4y2Ba 心理科学gydF4y2Ba 2012年gydF4y2Ba 23gydF4y2Ba 4gydF4y2Ba 427年gydF4y2Ba 434年gydF4y2Ba 10.1177 / 0956797611427407gydF4y2Ba 2 - s2.0 - 84859864464gydF4y2Ba 布鲁内利gydF4y2Ba R。gydF4y2Ba 小山gydF4y2Ba T。gydF4y2Ba 人脸识别:特征与模板gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 1993年gydF4y2Ba 15gydF4y2Ba 10gydF4y2Ba 1042年gydF4y2Ba 1052年gydF4y2Ba 10.1109/34.254061gydF4y2Ba 2 - s2.0 - 0027676994gydF4y2Ba HeiselegydF4y2Ba B。gydF4y2Ba SerregydF4y2Ba T。gydF4y2Ba 小山gydF4y2Ba T。gydF4y2Ba 人脸检测和识别的基于组件的框架gydF4y2Ba 国际计算机视觉杂志》上gydF4y2Ba 2006年gydF4y2Ba 74年gydF4y2Ba 2gydF4y2Ba 167年gydF4y2Ba 181年gydF4y2Ba 10.1007 / s11263 - 006 - 0006 - zgydF4y2Ba 2 - s2.0 - 34248388087gydF4y2Ba 中提琴gydF4y2Ba P。gydF4y2Ba 琼斯gydF4y2Ba M。gydF4y2Ba 快速目标检测使用了一连串的简单功能gydF4y2Ba 2001年IEEE计算机学会学报计算机视觉与模式识别会议。CVPR 2001gydF4y2Ba 2001年12月gydF4y2Ba 考艾岛,嗨,美国gydF4y2Ba 马丁内斯gydF4y2Ba a . M。gydF4y2Ba 谷湖gydF4y2Ba a . C。gydF4y2Ba Pca与ldagydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 2001年gydF4y2Ba 23gydF4y2Ba 2gydF4y2Ba 228年gydF4y2Ba 233年gydF4y2Ba 10.1109/34.908974gydF4y2Ba 2 - s2.0 - 0035248924gydF4y2Ba 杨gydF4y2Ba m . H。gydF4y2Ba 人脸识别使用内核的方法gydF4y2Ba 学报的发展神经信息处理系统gydF4y2Ba 2002年12月gydF4y2Ba 加拿大温哥华gydF4y2Ba 1457年gydF4y2Ba 1464年gydF4y2Ba PentlandgydF4y2Ba 一个。gydF4y2Ba 穆贾达姆gydF4y2Ba B。gydF4y2Ba StarnergydF4y2Ba T。gydF4y2Ba 基于人脸识别的和模块化的特征空间gydF4y2Ba 学报IEEE计算机视觉与模式识别会议cvpr - 94gydF4y2Ba 1994年6月gydF4y2Ba 美国西雅图,华盛顿州gydF4y2Ba DagnesgydF4y2Ba o . N。gydF4y2Ba VezzettigydF4y2Ba E。gydF4y2Ba MarcolingydF4y2Ba F。gydF4y2Ba TornincasagydF4y2Ba 年代。gydF4y2Ba 闭塞检测和恢复技术对3 d人脸识别:一个文献综述gydF4y2Ba 机器视觉和应用程序gydF4y2Ba 2018年gydF4y2Ba 29日gydF4y2Ba 5gydF4y2Ba 789年gydF4y2Ba 813年gydF4y2Ba 10.1007 / s00138 - 018 - 0933 - zgydF4y2Ba 2 - s2.0 - 85046038922gydF4y2Ba MarcolingydF4y2Ba F。gydF4y2Ba MarcolingydF4y2Ba F。gydF4y2Ba TornincasagydF4y2Ba 年代。gydF4y2Ba 乌尔里希gydF4y2Ba lgydF4y2Ba DagnesgydF4y2Ba N。gydF4y2Ba 3 d几何自动地标定位面部遮挡的存在gydF4y2Ba 多媒体工具和应用程序gydF4y2Ba 2017年gydF4y2Ba 77年gydF4y2Ba 11gydF4y2Ba 14177年gydF4y2Ba 14205年gydF4y2Ba 10.1007 / s11042 - 017 - 5025 - ygydF4y2Ba 2 - s2.0 - 85026910504gydF4y2Ba 齐米。gydF4y2Ba V。gydF4y2Ba 约瑟芬gydF4y2Ba 年代。gydF4y2Ba 一毫秒的脸与回归树的合奏gydF4y2Ba 学报》27日IEEE计算机视觉与模式识别会议,CVPR 2014gydF4y2Ba 2014年6月gydF4y2Ba 美国哥伦布gydF4y2Ba 1867年gydF4y2Ba 1874年gydF4y2Ba ElMaghrabygydF4y2Ba 一个。gydF4y2Ba 阿布达拉gydF4y2Ba M。gydF4y2Ba EnanygydF4y2Ba O。gydF4y2Ba -纳哈斯gydF4y2Ba m . y . E。gydF4y2Ba 检测和分析面临部分信息使用中提琴-琼斯和几何方法gydF4y2Ba 国际期刊的计算机应用程序gydF4y2Ba 2014年gydF4y2Ba 101年gydF4y2Ba 3gydF4y2Ba 23gydF4y2Ba 28gydF4y2Ba 10.5120 / 17667 - 8494gydF4y2Ba 蔡gydF4y2Ba G。gydF4y2Ba 面向梯度的柱状图gydF4y2Ba 2010年gydF4y2Ba 1gydF4y2Ba 安阿伯市,美国gydF4y2Ba 密歇根大学gydF4y2Ba KasinskigydF4y2Ba 一个。gydF4y2Ba FlorekgydF4y2Ba 一个。gydF4y2Ba 施密特gydF4y2Ba 一个。gydF4y2Ba 把脸数据库gydF4y2Ba 图像处理和通信gydF4y2Ba 2008年gydF4y2Ba 13gydF4y2Ba 3 - 4gydF4y2Ba 59gydF4y2Ba 64年gydF4y2Ba 撒玛利亚gydF4y2Ba f·S。gydF4y2Ba 哈特gydF4y2Ba a . C。gydF4y2Ba 参数化随机模型的人脸识别gydF4y2Ba 学报第二IEEE计算机视觉的应用研讨会gydF4y2Ba 1994年12月gydF4y2Ba 美国佛罗里达州萨拉索塔gydF4y2Ba 138年gydF4y2Ba 142年gydF4y2Ba 马丁内斯gydF4y2Ba a . M。gydF4y2Ba 基于“增大化现实”技术的脸数据库。CVC技术报告gydF4y2Ba 1998年gydF4y2Ba 西班牙巴塞罗那gydF4y2Ba 中心每Computador de Visio (CVC)gydF4y2Ba 技术。众议员24gydF4y2Ba