基于双线性插值的灰度值方差人脸轮廓块分类器

摘要

本文提出了一种对基于形状模型的方法中的面部形状模型中的轮廓组成的地标进行分类的方法，该方法适当地安装到特征点。通过该方法，可以在管理和使用形状的过程中确定信息的可靠性。通过双线性插值处理通过图像传感器的放大面图像。我们使用灰色值方差，以考虑皮肤的纹理特征以进行地标分类。灰度值方差计算在地标围绕地标构造的贴片的皮肤区域中。为了使系统强大姿势，我们将面部的形象投射到正面面部形状模型。并且，为了填写每个区域，用双线性插值填充具有像素信息不足的区域。当拟合正确完成时，它具有与待计算光滑皮肤纹理的低值的方差。另一方面，未对齐的地标的差异显示背景和面部轮廓梯度的高方差。我们已经提出了一个使用此特征的分类器，因此，通过修补程序分类器的精度为83.32％的准确度在地标中分类为真和假。

1.介绍

基于形状模型的方法是面部的技术是通过形状或纹理与形状模型匹配的技术，并且通过应用各种方法来显示良好的结果[1- - - - - -3.］．此外，研究也在进行中，考虑了现实世界的光照、背景的影响以及人脸的某些部分被遮挡的情况[4，5］．然而，在使用形状模型的技术中仍然有一些已知的模仿。代表性的是特征检测和跟踪技术，估计一个近似[1的最小二乘解来计算形状对齐中使用的跟踪参数，在每个[6］．

与面部相关的技术的目的并不旨在简单地适应形状。主要使用地标的位置信息，它们用于执行面部识别的系统中[7，凝视估计[8]和表达识别[9］．如果路标没有正确地放置在特征点上，每个系统都会在这些方法中造成严重的问题。此外，当对视频流中的连续图像进行跟踪时，当形状的地标停留在背景中，当人脸被遮挡时，当物体变成形状模型的变体无法生成的类型变化时，出现不能根据环境变化进行精确拟合的情况。

因此，除了优化策略和形状对准方法之外，我们还决定了另一种验证方法。如果通过验证，在使用形状拟合的结果之前，可以确定当前形状的可靠性。例如，可以确定在使用数据之前是否使用结果。此外，如果验证结果作为拟合在视频流中的结果不可靠，则放弃当前跟踪，并且可以操作它以再次从搜索过程开始。或者可以诱导寻找地标的更好的位置。

为此，我们提出了一种验证构成人脸轮廓的地标的方法。但是，仅对脸型模型的地标轮廓进行验证可能还不够。然而，每个地标都以形状模型的形式相互关联。因此，对地标的轮廓进行验证有助于在整体形状模型中分离拟合。

人脸轮廓的标志点由于位于二维图像中背景与其他物体的边界处，具有比其他标志点更适合识别的特征。我们的方法是通过对地标的纹理和形状的组合分析来分类地标。如果配置了一个包含每个地标周围像素信息的补丁，则该补丁将全部包括背景、面部皮肤和边界梯度。因此，针对人脸轮廓地标周围的斑块进行纹理特征分析时，可以验证放置在人脸轮廓上的结果。

我们将这个分类器命名为“patch分类器”，它使用上面描述的特征对地标进行分类。斑块分类器对形状模型的地标进行斑块配置，并通过灰度值方差计算的特征分析来分类拟合是否正确。

大多数形状模型都要根据不同的姿态进行拟合。此时，出现像素信息不显示的情况，因此采用双线性插值对缺失的像素进行内容填充。由于方差代表了与平均值的关系，双线性插值适合在不改变方差结果的情况下填充缺失信息。

本文的开发流程如下。首先,在节2，我们回顾了与我们系统相关的方法。节3.，引入了我们提出的补丁分类器。节4，通过实验验证了patch分类器的有效性。最后,部分5是指的结论和部分6最后对本文的贡献和未来研究提出了建议。

2.相关工作

２.１.人脸形状模型及拟合方法

通过形状模型与图像的匹配方法和形状对齐与图像对象的匹配技术，各种方法都得到了很好的效果。形状的代表性方法是主动形状模型[1，10.- - - - - -12.]开始，主动外观模型[2，13.- - - - - -15.使用纹理和约束局部模型[3.，6，16.它使用了一个地标周围的补丁纹理。这些研究通常用于估计地标、每个特征点的位置。它更新优化后的形状参数，并对参考形状进行转换，生成适合对象的形状。

从这些技术开始，一个更广泛的研究方向被创建。通常，通过将非刚性形状模型对准面部图像并区分表情，它可以估计一个人的情绪[9，17.］．姿态是利用形状的几何信息来估计的[18.］．并且通过使用形状的姿势和眼睛位置信息，实现了对凝视跟踪的研究[8］．此外，通过从非正面人脸生成正面人脸图像，它被用于识别人脸[7，19.］．在这些方面，各种各样的研究正在进行中，以充分利用在一些领域的形状。在本文中，在使用形状模型之前，通过判断结果是否可信，可以有效地利用形状模型。

２.２.灰度值方差

灰度值方差是一种可以计算纹理作为特征的属性。在Tracking-Learning-Detection中，作为目标检测方法3个状态中的第一个状态，使用patch的灰度值方差[20.］．如果它被扫描窗口扫描，并且与目标对象的方差小于50%，那么它将从候选组中被拒绝。这个过程通常是一个非对象补丁，它是由背景决定的，如天空，街道，等等。

此外,在21.]，类似于前面的文章，提出了一种基于级联滤波器的多特征跟踪算法来跟踪目标。这样，在级联阶段，如果灰度值方差小于80%且大于120%，则用于剔除方法。

指纹图像分割研究已经提出了使用灰度方差的算法作为阈值[22.］．这样，在目标检测研究中就可以利用灰度值方差对目标或背景进行过滤。

２.３.大多数相关的方法

在[7[如提示基于视图的主动形状​​模型，它涉及边界提取的内容。在该研究中，通过Procrustes分析初始化整个有源形状模式;然而，由于个体差异，为了解决形状与实际面积分开的情况，加入提取面的边界的过程。它通过中边界的边界有限，包括顶部，底部和眉毛到下巴和鼻子的末端。从边缘强度和平滑组合的矩形区域的底部到顶部进行了优化，它由曲线运行配制。通过接缝雕刻中的动态编程来发现最佳曲线。接缝意味着最重要的路径。首先，通过测量图像的邻居像素来测量重要功能。接缝雕刻包括找到最小能源成本的路径。然后排除最佳曲线，并且该部分最大化而不是最小化边缘强度。 Later, it updates the boundary of AAM points using curve points.

这项研究与我们的目的不同，但它是一致的，通过面部轮廓画出结果。但是，它是利用前面提到的人脸轮廓的边缘分量提取人脸轮廓的。利用边缘的方法代表了物体的形态特征，但这也不能避免对现实生活背景的影响。

3.补丁分类器

本文提出的patch分类器的作用是对由人脸轮廓组成的landmark是否正确地放置在人脸图像的轮廓上进行分类。贴片分类器的核心思想是，一个由地标边缘组成的形状的内部由皮肤组成。由于外脸以外的区域仅由光滑的皮肤纹理组成，在计算灰度值方差时，显示出较低的值。为了计算这一点，我们在地标周围构建了斑块。此外，由构成面部轮廓的地标组成的形状的外部是用面具处理的。排除每个遮罩的补丁不应该包括背景和脸部的渐变边界。利用该算法，斑块分类器判断地标是否正确地放置在面部轮廓上。在这些工作之前，有必要创建一个正面的形象的脸，这样你就可以在形状模型的自由姿势工作。数字1用简单的图片展示流程。在跟踪方法中，我们使用了电流形状和训练过的参考形状。首先，将图像的弯曲电流形状投影到参考形状，生成正面人脸图像;并在参考形状的每个地标周围构建像素集。然后计算灰度值方差来分析斑块的特征。最后，利用计算得到的灰度值方差和人脸形状模型的几何特征确定分类结果。

该过程将在以下流程中描述。一，部分３．１处理在预处理部分中的灰度值组成的正面映像后配置补丁的进程。部分3．2解释计算每个补丁的方差的过程。最后,部分3．3描述了考虑地标之间的关系再次确定方差计算结果的过程。

３.１.预处理

利用被跟踪的形状和图像生成正面人脸图像，计算patch分类器的方差。然后，通过构造由地标灰度值组成的小块，进行方差计算的预处理。

3.1.1。正面脸型模型

形状模型基本上通过计算平均形状和参数来执行[1］．

在本文中，我们使用形状对准中使用的点分布模型（PDM）的当前形状，图像和参考形状。参考形状是当PDM训练时使用的训练集的形状的平均形状，并且通常来自前面。在移除背景时，形状模型仅用于面部。由于我们的方法是姿势不变的系统，因此为贴片在与姿势中的情况下以相同的条件计算的事实是准备的额度图像。

3.1.2。生成2D正面人脸图像

利用参考形状，将当前人脸图像转换为正面图像。在一些研究中，分段仿射扭曲[23.用于产生面部图像。该技术是纹理映射，其从图像映射不同的区域。首先，它配置当前正在跟踪的形状和参考形状的Delaunay三角测量。然后，使用与中心坐标的双线性插值校正，它将特定三角形映射到目标三角形。当在形状模型中发生姿势变化时，它是为了填充未示出的2D面部图像的情况的携带双线性插值。双线性插值是简单线性插值的延伸。它通过不影响灰度值方差的方法填充空区，该方法将在后面计算。

通常，当通过分段染色纱产生前面图像时，由面积除了面部区域之外的区域被掩模排除在外。也就是说，除了三角形区域的组之外的另一个区域被掩模处理。掩模可以通过凸壳获得到参考形状。数字2显示该过程结果的示例。

这种面罩不仅仅用于分段仿现翘曲变换。在方差计算中，不包括掩模区域以仅计算皮肤区域。以这种方式，它是自然地查看面部的外边界。背景包括在相邻地标之间的连接线的外部区域中。另一方面，只有皮肤被包括在边界的内部。

3.1.3。构造补丁

每个贴片在正面形状的地标周围指定一个矩形区域。矩形区域的大小决定了斑块的大小与形状模型的整体大小成比例。所有创建的补丁必须包括一个面部轮廓的边界。

指定补丁的原因是在计算方差时减少对皮肤的影响或光照量。灰度值方差是表示灰度值图像从平均值扩散的程度的数字。即该值表示像素在图像中的分布。因此，如果我们指定一个范围的图像作为完整的人脸，由于光照、眼睛、鼻子、嘴巴等的梯度，必须获得较大的数值。另一方面，如果通过配置补丁局部计算方差，则有可能减少对面部整体光线梯度的影响。因为我们只计算方差来判断形状模型内部的纹理是否柔软，所以在有限的尺度下进行计算更加稳定和高效。

3.2。灰度值方差

本节介绍通过先前预处理计算每个修补程序的差异的详细信息。方差是测量值的数量集散布的数量的值。低方差意味着该值非常紧密地聚集到平均值。另一方面，高方差值表明数字远离平均值。也就是说，如果生成的补丁中的灰度值没有变化，则差异将低。结果，如果灰度值的方差低，则意味着它具有平滑的纹理。相反，如果计算的方差值高，则意味着贴片中包含背景或任何其他对象。因此，我们计算与地标作为中心组成的贴片的方差，并通过计算方差来确定皮肤纹理检测。为此，灰度值方差到th里程碑式的计算为以下等式。首先，屏蔽除了灰度值的平均值对于图像通过计算 在哪里坐标的灰度值是多少图像的，坐标的像素是多少面具的，是像素数时的坐标值吗是1，和为图像大小。图像类型应该是灰度。掩码由0或1组成。方程(1)用于计算除掩码值为0的点外的方差。

掩模已在预处理中使用。理想的结果应该是掩模沿着面轮廓切出。通过这一事实，外面掩模的正面图像的灰色值方差是 在哪里是否包含补丁灰度值的中心具有里程碑意义的。我们可以通过上面提到的公式计算范围的方差，该范围应该只包含皮肤的灰度值。我们通过被动放置的地标收集了适当的方差范围。在表1， patch，实际灰度值图和灰度值方差都显示出来。面具在灰色值为0的patch中，区域显示为黑色。

我们从Multi-PIE数据库的人脸图像中测量灰度值方差[24.[地面真相标志性标志为了确定计算结果的数值，以及地标的正确位置。多馅饼数据库的面部图像包含各种光方向，人数，甚至胡须。结果如图所示3.．图中显示的灰度值方差范围中包含有灰度值方差的里程碑数的收集结果设在。在测量结果中，在整个人脸轮廓的界标中，约87.52%的灰度值方差值小于200。通过结果，我们相信，我们很有可能确定的可能性，是否正确的拟合所提出的方法。一些地标根据光源和胡须的方向梯度表示高灰度值的方差值。由于这种现象在现实世界中可能更频繁地发生，patch分类器通过多一个步骤来确定分类。

3.3。考虑地标之间的关系

如上所述，可以通过计算灰度值patch的方差来估计其是否被放置在地标的正确位置。但是，由于环境的光量、阴影、皮肤特征和胡须可能会造成不同的结果。此外，从方差计算出的数据还有一个弱点。例如，让我们假设正面是在单一颜色背景的前面被跟踪的。如果由于人脸对齐失败导致patch只包含背景，那么结果表明方差非常低，错误的拟合结果更有可能被归为正常。为了解决这个问题，我们通过形状的地标之间的关系来重新定义方差的结果。

作为图中第一种情况的跟踪结果4(一)，一个地标的灰色值方差计算超过300;它被归类为不正确的结果。在这种情况下，由于面部轮廓的梯度，它具有高方差。然而，手动放置的地标和位置的RMS误差实际上是一个非常少的数字，并且它是所需的点被确定为正确的配件。

由于这些补丁是由人脸组成的地标创建的，所以可以使用人脸的特征。计算方差的地标具有形成面边界的曲线形状。此外，由于它通过使用形状对齐技术中的参数进行转换来保留参考形状，因此很难只使用一个地标来获取突出的形状。因此，突出位置的结果被视为与周边地标的结果相同。

由于这一现象相同，不同情况下的凸出结果如图所示4 (b)．由于突出地标在纯色的背景上，因此该结果获得了非常低的方差值。此外，开始逃逸的单个地标显示出高方差。直到这种情况，它与以前的情况相同。为了防止这一点，在地标之后不排除在分段仿射器包裹中使用的掩模的贴片的平均值 因此，对整个补丁的灰度值差异是 这个计算将计算包括背景面等在内的patch的方差。如果地标保持在纯色背景中，由于人脸轮廓不存在，类似的方差将被保留。

4.实验结果

在本文中，如上所述，通过计算附近的每个地标的方差来分类正确的拟合结果。我们根据CMU多派数据库进行了实验[24.]以评估结果的准确性。此外，在FGNet视频帧中对实际形状拟合技术应用patch分类器后[25.[根据RMS误差，检查灰度值方差的测量和分类的结果。作为同一实验，综述了具有复杂背景的现实生活图像中的补丁分类器。

验证基本补丁分类器在多派数据库中进行。多派具有各种姿势，面部表情改变，以及面部图像到照明。68个地面真理标志性地标积分已附加到评论。每个图像都是640×480尺寸。共有346人的面部图像以各种姿势存在，同时，组成20组光方向。此外，它由总共15个方向从相机取出的面孔的图像组成。我们通过利用一组三个方向使用总75,360个图像。该数据库是一个数据库，主要用于面部形状拟合性能比较，因此我们与地面真理地标进步相比进行了关于灰度方差的实验。

在本文中，由于地标在人脸轮廓中的定位是否正确，误差的估计采用的是已有地面真地标与人脸轮廓之间的距离，而不是均方根误差。该示例如图所示5．

以便找到一个合适的方差阈值为了在补丁分类器中区分True和False，在图中呈现了各种灰度值方差的接收器操作特性（Roc）曲线6．该曲线仅用于形状模型的标志性概要。它用作每个样本图像的多馅饼的地面真理标记，并使用[的技术6］．因此，我们将patch分类器应用于面部轮廓的地标周围进行拟合。当ground truth landmark的距离小于3像素时，拟合结果定义为true，大于3像素时定义为false。在ROC曲线中，红色标记表示结果仅由灰度值方差决定。蓝色的标志是考虑地标之间关系的结果。通过考虑地标之间的关系，发现在校正前，结果的真阳性率有所提高，假阳性率也大大降低。分类器表现出最佳性能的临界灰度值方差为228。用该临界值进行分类，真阳性率为87.71%，真阴性为71.84%。

实验采用计算得到的灰度值方差临界值对连续图像进行处理。在图7，在FGNet交谈面部视频数据库中拟合的地标与地面真实地标之间的距离的结果[25.]，并显示灰度值方差。与Multi-PIE实验相同，拟合技术[23.使用了。顶部的图表代表了地标之间的距离，拟合结果和地面真理地标。如图所示，该拟合技术在跟踪中保持大约10个像素的距离。根据这一点，确认每个地标的灰度方差显示小于300的值。如图所示7(一)如果拟合结果稳定，则可以看到灰度值方差稳定。和数字7 (b)和7 (c)显示灰度值方差和误差之间的关系。如图所示7 (d)，第17个标志，即脸部轮廓标志两端的灰度值方差，似乎不稳定。由于这个位置不仅包含皮肤由于毛发，价值必须高。但是，根据前面提到的形状的地标之间的关系，patch分类器的结果可以根据邻近的地标返回true。

最后，将patch分类器应用于真实图像的结果如图所示8．绿点表示正常拟合的标志标记，并且红色点表示通过补丁分类器的拟合故障分类的地标。在每个图像的右上方，在配置补丁之后，放置了正面图像的灰度值方差。图像表示补丁分类器对形状不能跟上的情况进行分类的结果，通过旋转将其上标记保持在背景上。可以识别出在右上方的正面图像中，包括非表面轮廓区域。该方法在复杂背景下表现出更好的性能。复杂背景中的灰色值差异高于简单背景中的灰度差异。当面部旋转的偏航轴时，我们的方法可以正确分类地标。

5.结论

在本研究中，我们研究了patch分类器，它决定了由人脸形状模型的人脸轮廓线组成的地标的拟合结果。patch分类器通过灰度值方差测量来估计皮肤纹理。为了显示性能不变的姿态，它转换为正面形状模型。在这个变换中，我们能够使用双线性插值的姿态填充一个隐藏的像素，而不需要在测量灰度值方差时进行修改。此外，为了减少与照明或类似的干扰，使用了在地标周围配置一个补丁的方法。灰值方差仅在此patch中计算。如果您将这种方法应用到Multi-PIE数据库，则确认地标的约87.52%的灰度值方差显示为小于或等于200的值。在已有的拟合方法中，纹理和形状特征得到了处理，显示了这些特征在本研究中的应用潜力。此外，将该技术应用于地标脸型模型的边缘，提出了一种对拟合成功与否进行分类的方法。因此，能够以83.32%的概率对正确的拟合结果进行分类。 We could verify whether a gray-value variance is placed on the landmark of the face outline in the simple and effective way.

6.局限性及未来工作

我们使用了轮廓标志性标志，可以以相对简单的方式确定配件的成功或失败。如上所述，由于形状模型的地标由几何关系组成，因此我们可以估计所跟踪的形状的拟合状态。拟合状态的估计可能有助于验证各种方向上使用的形状模型的可靠性并确定使用。

首先，存在一种情况，它将其用作改善形状模型本身的跟踪的量度。与由地标组成的形状模型相关的系统以两个步骤流动。在初始搜索面部区域和初始装配过程之后，仅发生配合过程。如果该地标无法拟合跟踪中的面部特征，则可能会发生形状重复不正确的配件。在这种情况下，通过使用本研究分析当前状态并返回系统的初始阶段，可以恢复。

而且，它可以用作形状拟合结果的校正。拟合技术跟踪每个特征，并通过形状对准保持自然形态。在这个过程中，外部地标直接评估并找到更好的拟合点。此外，在验证形状之后，可以在各种系统中使用以利用形状模型。凝视跟踪系统，面部识别，运动识别和面部表情识别是适用的。该系统在系统中的作用至关重要。如果拟标拟合不正确，则这些系统可能会发生更严重的问题。

这样，经过形状拟合后再应用patch分类器，可以取得较好的效果。此外，通过利用失败的数据，它有助于逃避更大的问题。

利益冲突

提交人声明没有关于本文的出版物的利益冲突。

参考

1. T. F. Cootes, C. J. Taylor, D. H. Cooper和J. Graham，《主动形状模型——它们的训练和应用》，计算机视觉和图像理解第61卷第1期1，第38-59页，1995。视图:出版商的网站|谷歌学术
2. T. F. Cooles, G. J. Edwards和C. J. Taylor， "活跃的外表模型"模式分析与机器智能学报，第23卷，第2期。6，页681-685,2001。视图:出版商的网站|谷歌学术
3. D. cristince和T. Cootes，“约束局部模型的自动特征定位”，模式识别，卷。41，没有。10，pp。3054-3067，2008。视图:出版商的网站|谷歌学术
4. X. P. Burgos-Artizzu，P. Perona和P.Dollár，“遮挡下的强大面部地标估计”第14届IEEE计算机愿景会议的载体（ICCV '13）， pp. 1513-1520, IEEE, 2013年12月。视图:出版商的网站|谷歌学术
5. H. Drira, B. Ben Amor, A. Srivastava, M. Daoudi，和R. Slama，“在表情、遮挡和姿势变化下的3D人脸识别”，模式分析与机器智能学报，卷。35，不。9，pp。2270-2283,2013。视图:出版商的网站|谷歌学术
6. J. M. Saragih, S. Lucey，和J. F. Cohn，“通过正则化里程碑均值偏移的变形模型拟合”，国际计算机愿景，卷。91，没有。2，pp。200-215，2011。视图:出版商的网站|谷歌学术|Mathscinet.
7. A. Asthana, T. K. Marks, M. J. Jones, K. H. Tieu，和M. V. Rohith，“通过3D姿势归一化的全自动姿势不变人脸识别”IEEE计算机视觉国际会议文集(ICCV’11)，pp。2011年11月937-944。视图:出版商的网站|谷歌学术
8. “基于三维人脸结构和瞳孔中心的注视估计方法研究”，《计算机科学与技术》第22届国际模式识别会议(ICPR’14)论文集，pp.1156-1161，IEEE，斯德哥尔摩，瑞典，2014年8月。视图:出版商的网站|谷歌学术
9. C. Cao，Y. Weng，S. Lin和K.周，“3D形状回归实时面部动画”美国计算机学会图形汇刊，卷。32，不。4，第41,2013条。视图:出版商的网站|谷歌学术
10. B. van Ginneken, A. F. Frangi, J. J. Staal, B. M. Ter Haar Romeny, M. A. Viergever，“具有最优特征的主动形状模型分割”，医学成像上的IEEE交易第21卷第2期8，页924-933,2002。视图:出版商的网站|谷歌学术
11. T. F. Cootes和C. J. Taylor，“活跃的形状模型——‘聪明的蛇’”BMVC92:英国机器视觉会议，由英国机器视觉协会1992年9月22-24日利兹组织，pp。266-275，Springer，伦敦，英国，1992年。视图:出版商的网站|谷歌学术
12. C. A. R. Behaine和J.Scharcanski，“提高了面部识别应用中的主动形状​​模型的性能”，“IEEE仪器仪表与测量汇刊第61卷第1期8，pp。2330-2333,2012。视图:出版商的网站|谷歌学术
13. F. Dornaika和J. Ahlberg，“快速可靠的三维人脸跟踪主动外观模型搜索”，系统，人和讯讯人的IEEE交易，B部分：Cyber​​nicics第34卷第3期4，页1838-1853,2004。视图:出版商的网站|谷歌学术
14. J. Matthews和S. Baker，“主动外观模型重新审视”国际计算机愿景，第60卷，第2期2，页135-164,2004。视图:出版商的网站|谷歌学术
15. A. U. Batur和M. H.Hayes，“自适应主动外观模型”IEEE图像处理汇刊第14卷第2期11，页1707-1721,2005。视图:出版商的网站|谷歌学术
16. D. Cristinacce和T. Cootes，“具有约束本地模型的特征检测和跟踪”第十七届英国机器视觉会议论文集(BMVC '06)，第929-938页，2006年9月。视图:谷歌学术
17. X. Cao，Y.Wei，F. Wen和J. Sun，“面对明确的形状回归”对齐“国际计算机愿景，第107卷，第2期2，页177-190,2014。视图:出版商的网站|谷歌学术|Mathscinet.
18. M. D. Breitenstein, D. Kuettel, T. Weise, L. Van Gool，和H. Pfister，“单距离图像的实时面部姿态估计”，在第26届IEEE计算机视觉与模式识别会议论文集(CVPR’08)，第1-8页，2008年6月。视图:出版商的网站|谷歌学术
19. Y. Taigman, M. Yang, M. Ranzato，和L. Wolf，《深脸:在人脸验证中缩小与人类水平的差距IEEE计算机视觉与模式识别会议论文集(CVPR’14)，第1701-1708页，IEEE, Columbus, Ohio, USA, 2014年6月。视图:出版商的网站|谷歌学术
20. Z. Kalal, K. Mikolajczyk, J. Matas，《跟踪学习-检测》，模式分析与机器智能学报第34卷第3期7, pp. 1409-1422, 2012。视图:出版商的网站|谷歌学术
21. 胡树虎，孙树华，马晓峰，秦玉琴，雷波，“基于多特征级联滤波器的快速在线增强跟踪算法”第三届多媒体技术国际会议论文集(ICM’13)2013年11月，中国广州，亚特兰蒂斯出版社。视图:出版商的网站|谷歌学术
22. I. S. Msiza, F. V. Nelwamondo, T. Marwala，“关于指纹图像分割:如何选择块方向方差方法的参数”，刊于国际图像处理、计算机视觉和模式识别会议论文集(IPCV’12)，页1107-1113,2012年7月。视图:谷歌学术
23. C. A. Glasbey和K. V. Mardia，《图像扭曲方法综述》应用统计学杂志，第25卷，第2期2, 1998。视图:出版商的网站|谷歌学术
24. R. Gross，I. Matthews，J.Cohn，T. Kanade和S. Baker，“多馅饼”第八届IEEE自动人脸和手势识别国际会议论文集(FG’08), 2008年9月。视图:出版商的网站|谷歌学术
25. T. F. Cootes, C. J. Twining, V. Petrović， R. Schestowitz，和C. J. Taylor，“使用分段仿射变形的外观模型的集体构建”，刊于第16届英国机器愿景会议（BMVC '05），卷。5，pp。879-888,2005。视图:谷歌学术

版权

版权所有©2016姜锡勋、金善云。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。