Разработка методов распознавания и построение информационно-поисковых систем идентификации человека по его фотопортрету тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат технических наук Долгов, Сергей Викторович

• Долгов, Сергей Викторович
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Долгов, Сергей Викторович

Список сокращений.

Введение.

1 РАСПОЗНАВАНИЕ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ ЛИЦА. СОСТОЯНИЕ ВОПРОСА.

1.1. Постановка задачи.

1.2. Задача распознавания человека по изображению лица. Использование результатов ее решения.

1.3. Основные классы решаемых задач.

1.3.1. Поиск изображения в больших базах данных.

1.3.2. Задача контроля доступа.

1.3.3. Задача контроля фотографии в документах.

1.4. Методы распознавания человека по изображению лица. Сравнительный анализ.

1.4.1. Метод главных компонент.

1.4.2. Метод линейного дискриминантного анализа.

1.4.3. Метод гибких контурных моделей лица.

1.4.4. Метод сравнения эластичных графов.

1.4.5. Методы, основанные на геометрических характеристиках лица.

1.4.6. Метод сравнения эталонов.

1.4.7. Оптический поток.

1.4.8. Сравнительный анализ методов распознавания изображений.

1.5. Коммерческие системы распознавания и приложения.

1.5.1. Отечественные коммерческие разработки.

1.5.2. Зарубежные коммерческие разработки.

1.6. Выводы.

2 АЛГОРИТМ РАСПОЗНАВАНИЯ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ ЛИЦА.

2.1. Необходимость исследования алгоритма распознавания.

2.2. Технология распознавания человека по изображению лица.

2.3. Алгоритм эластичного графа.

2.3.1. Вейвлеты.

2.3.2. Эластичный граф

2.3.3. Понятие джета.

2.3.4. Представление лица и общее знание о структуре лица.

2.3.5. Сравнение джетов.

2.3.6. Функция подобия графов.

2.3.7. Алгоритм автоматической разметки графа.

2.3.8. Распознавание.

2.4. Влияние степени сжатия изображения лица на результат распознавания.

2.5. Выделение ключевых признаков.

2.5.1. Необходимость выделения ключевых признаков при распознавании человека.

2.5.2. Определение пола человека по фронтальному изображению его лица.

2.5.3. Алгоритмы определения угла поворота лица в глубину.

2.6. Выводы.

3 МЕТОДОЛОГИЧЕСКИЕ ПРИНЦИПЫ ПОСТРОЕНИЯ ИПС РАСПОЗНАВАНИЯ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ ЛИЦА.

3.1. Требования к системе.

3.2. Хранение данных.

3.3. Описание информационного хранилища.

3.4. Алгоритм сохранения данных.

3.5. Поиск данных.

3.5.1. Алгоритм идентификации персоны по двум изображениям. Алгоритм поиска персоны в базе данных.

3.5.2. Оптимизация алгоритма поиска персоны в базе данных. Алгоритм поиска персоны в базе данных с использованием пользовательских функций и представления.

3.5.3. Алгоритм поиска персоны в базе данных с использованием хранимой процедуры.

3.5.4. Иерархический поиск персоны в базе данных.

3.6. Сравнительный анализ алгоритмов поиска персоны в базе данных.

3.7. Выбор функциональной структуры ИПС.

3.8. Сравнительный анализ функциональных структур ИПС.

3.9. Выводы.

4 РАЗРАБОТКА, ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И

ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА ОПЫТНОГО ОБРАЗЦА ИПС

4.1. Требования, предъявляемые к опытному образцу ИПС.

4.2. Блок-схема организации вычислительного процесса.

4.3. Средства разработки и тестирования.

4.4. Библиотека функций для обработки изображений и реализации алгоритма эластичного графа.

4.5. Структура опытного стенда.

4.6. Комплексное тестирование опытного образца ИПС.

4.7. Выводы.

Введение диссертации (часть автореферата) на тему «Разработка методов распознавания и построение информационно-поисковых систем идентификации человека по его фотопортрету»

Актуальность исследования

В последнее время широкое распространение получает технология информационно-поисковых систем распознавания лица с целью идентификации личности. Эта технология идентификации, наряду с технологиями распознавания голоса, наилучшим образом подходит для интеллектуальных сред нового поколения. Подсистемы идентификации личности с использованием технологии распознавания лица могут быть использованы в автоматизированных системах безопасности, например, на государственных пунктах пропуска, в крупных аэропортах, различных общественных местах и пр. с целью идентификации разыскиваемых персон с одновременной передачей соответствующей оперативной информации службам, занимающимся установлением личности.

В настоящее время разрабатывается общегосударственная система сбора и обработки данных о проследовавших через государственную границу РФ лицах. Сентябрьские терракты 2001 года в Соединенных Штатах Америки и последовавшие за этим события заставляют пересмотреть взгляд на проблему автоматической идентификации личности на основе использования фактографической информации, накопленной в специализированных базах данных (далее

БД).

Поиск и установление личности чаще проводится с использованием конкретных данных о ней (фамилия, имя, отчество, дата рождения, пол, гражданство). Такой вариант поиска имеет большую скорость, но обладает и недостатками. Так, например, если устанавливаемое лицо проходит под разными установочными данными, то только наличие точных установочных данных может помочь найти его в базе данных. Альтернативой приведенному выше варианту поиска может служить метод идентификации личности по её фотографии, фотороботу или штриховому наброску её лица, выполненному художником.

Сложившиеся подходы к идентификации персон по изображениям человеческих лиц практически устоялись. Необходимо совершенствование существующих алгоритмов с целью оптимизации обеспечиваемых ими временных и точностных характеристик поиска за счет использования ключевых признаков, извлекаемых автоматически из изображения персоны (например, пол, наличие бороды, очков, ракурс лица и др.), и, таким образом, повысить скорость и точность поиска.

Дальнейшим развитием систем идентификации личности по изображению человеческого лица может служить создание дополнительной подсистемы выбора из видеоряда, формируемого, например, путем автоматического считывания с видеокамер слежения за окружающей обстановкой, изображений человеческих лиц с последующим использованием этой информации в качестве входной для системы идентификации личности.

Цель и задачи исследования

Основной целью настоящей работы является разработка методов распознавания и построение информационно-поисковых систем специального применения (далее по тексту - ИПС СП), обеспечивающих автоматическую идентификацию личности человека в реальном масштабе времени по изображению его лица.

Достижение поставленной в работе цели диктует необходимость решения ряда следующих основных задач:

- разработка «быстрых» алгоритмов распознавания и выделения основных характеристик изображения человеческого лица, обеспечивающих высокую достоверность идентификации объекта поиска;

- разработка алгоритма хранения и кодирования вспомогательной информации, характеризующей объект поиска, обеспечивающего приемлемые объемно-временные показатели функционирования ИПС СП;

- разработка алгоритма надежной идентификации лиц на основе хранящейся в базе данных ИПС СП информации;

- разработка опытного образца ИПС СП, реализующего перечисленные выше алгоритмы с целью проверки на практике правильности сделанных в настоящей работе теоретических выводов, выдачи по результатам опытной эксплуатации ИПС СП рекомендаций по ее дальнейшему совершенствованию.

Методы исследования

Теоретические методы исследования основывались на методах цифровой обработки изображений, распознавания образов, дискретных преобразований и системного анализа. Экспериментальная часть исследования базировалась на анализе результатов обработки цифровых изображений с помощью ЭВМ с последующей их численной и визуальной оценкой. Для программной реализации разработанных алгоритмов и ИПС использовались методы создания программных систем и языки высокого уровня.

Научная новизна полученных результатов

• Разработаны методы распознавания, что позволило решить важную прикладную задачу поиска и идентификации человека по изображению его лица в реальном масштабе времени.

• Установлена допустимая степень сжатия изображений, подвергающихся обработке в алгоритме эластичного графа, используемом в качестве базового алгоритма распознавания в разработанной ИПС.

• Разработан алгоритм определения пола человека, изображенного на фотопортрете. Экспериментально показано, что разработанный алгоритм успешно идентифицирует тип лица человека, изображенного на фотопортрете. Использование указанного алгоритма позволяет сократить время поиска информации в БД.

• Разработаны алгоритмы определения угла поворота лица, представленного на изображении, в глубину (ракурс лица), отличающиеся низкими затратами на их численную реализацию и допустимой точностью.

• Разработан алгоритм, способы хранения информации, идентифицирующей персону, в реляционной БД с целью уменьшения объема хранимой информации, а также схема информационного хранилища, которая может быть адаптирована для решения задачи распознавания объектов, отличных от человеческих лиц.

• Разработаны алгоритмы идентификации и поиска данных о персоне в реляционной БД. Их основными отличиями от существующих алгоритмов являются: работа в условиях неполной априорной информации о персонах (отсутствуют данные о изменениях внешности персоны, её пола и условий съемки), изображенных на сравниваемой паре фотографий; отсутствие признака (атрибута) поиска и необходимость вычисления меры подобия в процессе самого поиска; отсутствие необходимости в предварительном обучении системы; возможность работы в реальном масштабе времени.

Практическая значимость полученных результатов Разработана и построена ИПС, которая имеет следующие основные отличия: открытость, возможность масштабируемости системы, возможность адаптации к решению задачи распознавания объектов, отличных от человеческих лиц, возможность простого внедрения в качестве подсистемы в системы безопасности и поддержки принятия решений.

Разработанные алгоритмы и методы могут быть эффективно использованы в автоматизированных системах проведения криминалистической фотопортретной экспертизы, а также в автоматических контрольно-пропускных устройствах. Они также могут быть применены в системах обеспечения информационной безопасности (например, при контроле доступа к ЭВМ и отдельным программам, базам данных, криптографическим приложениям, медицинским сведениям, сетевым ресурсам, системам электронной торговли и пр.). Кроме того, предложенные алгоритмы могут быть использованы в целях обнаружения и идентификации различных графических объектов на цифровых изображениях (например, обнаружение определенных объектов на фотоснимках со спутников, идентификация и индексирование видео и фотоматериалов в мультимедийных базах данных).

Результаты диссертационной работы в виде законченной динамически подключаемой библиотеки программ и разработанного программного комплекса ИПС «Персона» внедрены в отдельных разработках ЗАО «Эскорт-Центр» (г. Москва), производящем комплексные системы безопасности, в том числе, программно-аппаратные комплексы для контрольно-пропускных пунктов, эксплуатируемых в системе Федеральной пограничной службы Российской Федерации.

На защиту выносятся следующие положения:

• Оценка влияния степени сжатия обрабатываемого изображения на вероятность распознавания;

• Алгоритм определения пола человека по фронтальному изображению лица (фотопортрету);

• Алгоритм определения угла поворота лица в глубину (ракурс лица), представленного на изображении;

• Технология проектирования информационно-поисковой системы распознавания человека по изображению лица;

• Технология хранения данных о персоне, включая фотопортрет, в реляционной БД;

• Алгоритм хранения и кодирования вспомогательной информации в реляционной БД;

• Алгоритмы идентификации и поиска персоны в реляционной БД. Личный вклад соискателя

Основные результаты и положения, выносимые на защиту, получены автором лично. Научный руководитель принимал участие в обсуждении цели и задач исследования, а также анализе результатов проведенных экспериментов.

Апробация работы

Все разработанные автором алгоритмы прошли экспериментальную апробацию на реальных данных, результаты которой подтвердили их работоспособность.

Основные теоретические положения и результаты диссертационной работы докладывались и обсуждались на научной сессии «МИФИ-2003» (г.Москва, 2003 г.), 10-ой Всероссийской межвузовской научно-технической конференции студентов и аспирантов «Микроэлектроника и информатика - 2003» (г.Москва, 2003 г.), IX Международном НТС «Современные технологии в задачах управления, автоматики и обработки информации» (г.Алушта, 2000 г.), XII Международном НТШС «Современные технологии в задачах управления, автоматики и обработки информации» (г.Алушта, 2003г.).

Публикации

По теме диссертационной работы опубликовано 5 печатных работ.

Структура и объем диссертации

Диссертация изложена на 184 страницах, состоит из введения (8 стр.), четырех глав (160 стр.), заключения (2 стр.) и библиографического списка.

Заключение диссертации по теме «Информационно-измерительные и управляющие системы (по отраслям)», Долгов, Сергей Викторович

4.7. Выводы

В рамках данной главы получены следующие результаты:

- определены требования к информационно-поисковой системе распознавания человека по изображению лица (фотопортрету). Также определен состав необходимых организационных и технологических операций;

- разработана и описана блок-схема вычислительного процесса в разрабатываемой ИПС;

- разработана и описана библиотека функций обработки изображений и реализации алгоритма эластичного графа. Библиотека функций реализована в виде динамически подключаемого модуля «GaborLib.DLL», стандартного для ОС Microsoft Windows;

- создан опытный образец программного комплекса ИПС «Персона», дано описание его структуры;

- создана и описана структура опытного стенда, на котором проводилось комплексное тестирование опытного образца разработанной ИПС «Персона»;

- разработаны тесты и проведено комплексное тестирование опытного образца разработанной ИПС «Персона», показавшее достаточно высокую вероятность автоматического распознавания персоны (выше 90%), оставляя принятие окончательного решения Оператору, т.к. разработанная ИПС носит рекомендательный характер.

ЗАКЛЮЧЕНИЕ

Разработаны методы распознавания и построена ИПС, что позволило решить важную прикладную задачу - поиск и идентификация человека по изображению его лица в масштабе реального времени. Исследовано и показано, что для наибольшей эффективности алгоритма распознавания наряду с несжатыми изображениями возможно также использование изображений сжатых алгоритмом JPEG. Оценено влияние степени сжатия JPEG и показано, что максимально допустимая степень сжатия (обеспечивающая 90% вероятность распознавания) составляет 25%, а необходимый объем хранимой информации снижается при этом в 7 раз при сохранении допустимого уровня распознавания.

Введен коэффициент вклада джета в общую формулу определения меры подобия графов в алгоритме эластичного графа, что позволило увеличить вероятность распознавания в среднем на 3%, а в некоторых случаях и на 4,5%.

Разработан и прошел экспериментальную апробацию на реальных данных алгоритм автоматического определения пола, а также типа лица человека, изображенного на обрабатываемом изображении. Использование этих данных позволяет в 1,5 + 2 раза сократить время поиска в базе данных. Разработаны и описаны алгоритмы для автоматического определения угла поворота в глубину лица человека, изображенного на обрабатываемом изображении, позволившие решить задачу распознавания человека по повернутому до 40° изображению его лица. Применение этих алгоритмов дает возможность увеличить почти в 2 раза допустимый угол ракурса лица по сравнению с максимально допустимым в алгоритме эластичного графа равном 22°.

Исследована задача построения информационно-поисковой системы распознавания человека по фотопортрету. Разработаны и исследованы функциональные модели ИПС, а также даны рекомендации по организации, хранению и поиску информации в специализированной реляционной СУБД. Определен минимальный набор данных, которые необходимо хранить. Разработана схема информационного хранилища, детально рассмотрены функциональность каждой из реляционных таблиц хранилища. Разработан алгоритм хранения данных о регистрируемой персоне в реляционной базе данных.

7. Исследована задача идентификации персоны по двум изображениям. Разработаны алгоритмы поиска персоны в реляционной СУБД, способные осуществлять поиск в реальном масштабе времени. Экспериментально показано, что наилучшую скорость поиска показал алгоритм с использованием хранимой процедуры (33 мсек./запись).

8. Проведена разработка и комплексное тестирование опытного образца ИПС распознавания человека по фотопортрету - изделие ИПС «Персона». При разработке ИПС использовались разработанные методологические принципы проектирования ИПС и новые результаты, полученные в диссертационном исследовании.

Использование совокупности новых результатов, полученных в рамках проведенных исследований, обеспечивает решение важной прикладной задачи распознавания образов - распознавание человека по цифровому фотопортрету. Методологические принципы разработки ИПС распознавания человека по фотопортрету, разработанные алгоритмы, программно реализованные в виде динамически подключаемой библиотеки программ, а также набора хранимых процедур, пользовательских функций и представлений для реляционной СУБД Microsoft SQL Server 2000, были внедрены и использованы при создании программно-аппаратных комплексов контрольно-пропускных пунктов, эксплуатируемых в системе Федеральной пограничной службы Российской Федерации (ЗАО «Эскорт-Центр», г.Москва).

Список литературы диссертационного исследования кандидат технических наук Долгов, Сергей Викторович, 2003 год

1. Абламейко С.В., Лагуновский Д.М. Обработка изображений: технология, методы, применение. Учебное пособие. Мн.: Амалфея, 2000. - 304 с.

2. Горелик А.Л. и др. Современное состояние проблемы распознавания: Некоторые аспекты. М: Радио и связь, 1985.

3. Долгов С.В. Выбор метода распознавания человека по изображению лица //Труды научной сессии МИФИ-2003. Москва, 2003.

4. Долгов С.В. Исследование влияния качества изображения лица при распознавании человека по фотопортрету // Современные технологии в задачах управления, автоматики и обработки информации. Труды XII Международной НТШС. Алушта, 2003.

5. Долгов С.В. Современные системы распознавания человека по изображению лица // Труды научной сессии МИФИ-2003. Москва, 2003.

6. Долгов С.В., Максимов Н.А. Использование WEB-технологий при проектировании информационно-поисковых систем // Современные технологии в задачах управления, автоматики и обработки информации. Труды IX Международного НТС. Алушта, 2000.

7. Зинин A.M., Кирсанова Л.З. Криминалистическая фотопортретная экспертиза. М.: Наука, 1991

8. Каллан Р. Основные концепции нейронных сетей. Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 284 с.

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

10. Максимов Н.А., Тучкин А.В. Аналитические методы исследования комплексов обработки результатов летных испытаний JTA. М.: МАИ, 1987.-64 с.

11. Мамаев Е., Шкарина JT. Microsoft SQL Server 2000 для профессионалов. -СПб: Питер, 2001.- 1088 с.

12. Пентланд А., Чаудхари Т. Распознавание лиц для интеллектуальных сред // Открытые системы. 2000 - №3.

13. Самаль Д.И. Построение систем идентификации личности на основе антропометрических точек лица // Цифровая обработка изображений. -Минск: Ин-ттехн. кибернетики НАН Беларуси, 1998. с.72-79

14. Самаль Д.И., Старовойтов В.В. Подходы и методы распознавания людей по фотопортретам (Препринт/ Ин-т техн. кибернетики НАН Беларуси, №8). -Минск, 1998.-54 с.

15. Старовойтов В.В. Локальные геометрические методы цифровой обработки и анализа изображений. Мн:, 1997. - 284 с.

16. Abdi Н. A generalized approach for connectionist auto-associative memories: interpretation, implications and illustration for face processing // Artificial Intelligence and Cognitive Sciences. 1988. - Manchester.

17. Abdi H. Additive-tree representations (with an application to face processing) // Lecture Notes in Biomathematics. 1990. - 84. - PP.43-59.

18. Abdi H., Valentin D., Edelman B.E., O'Toole A.J. More about the difference between men and women: Evidence from linear neural networks and the principal component approach // Perception. 1995. - 24. - PP.539-562.

19. Abdi H., Valentin D., O'Toole A.J. A generalized auto-associator model for face semantic processing // Journal of Mathematical Psychology. 1996. - 40. -PP. 175-182.

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

21. Beymer D.J. Face Recognition Under Varying Pose // MIT AI Lab / AI memo 1461 / Technical Report. December 1993.

22. Beymer D.J. Face recognition under varying pose // Center for Biological and Computational Learning, M.I.T. / A.I.Memo 1461.- 1993.

23. Brunelli R., Poggio T. Face recognition: features versus templates // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1993. - vol.15. -№10.-PP. 1042-1052

24. Choudhury T. et al. Multimodal Person Recognition Using Unconstrained Audio and Video // Proceedings 2nd Conf. Audio- and Video-Based Biometric Person Authentication. -1999. Univ. of Maryland. - PP. 176-181

25. Cox I.J., Ghosn J., Yianilos P.N. Feature-based face recognition using mixture distance // NEC Research Institute / Technical Report 95-09. 1995.

26. Esme В., Sankur В., Anarim E. Facial feature extraction using genetic algorithms // 8-th European Signal Processing Conference. 1996. — Trieste. -PP.1511-1514.

27. Essa I., Pentland A. A Vision System for Observing and Extracting Facial Action Parameters // MIT Media Lab / Technical report 247. 1993.

28. Etemad K., Chellapa R. Discriminant Analysis for Recognition of Human Face Images // Journal of the Optical Society of America. 1997. - PP. 1724-1733

29. Fleming M., Cotterell G. Categorization of faces using unsupervised feature extraction // Proceedings of IEEE IJCNN International Joint Conference on Neural Networks. 1990. - PP. 65-70.

30. Graham D.B., Allinson N.M. Face recognition using virtual parametric eigenspace signatures // Image Processing and its Applications.- 1997. PP. 106110.

31. Grudin M. A., Lisboa P. J., Harvey D. M. Compact Multi-Level Representation of Human Faces for Recognition// 6th Int. Conf. on Image Processing and its Applications. 1997. - Trinity College, Dublin. - PP. 111-115.

32. Heisele В., Ho P., Poggio T. Face recognition with support vector machines: global versus component-based approach// Proceedings of 8th International Conference on Computer Vision. 2001. - Vancouver.

33. Hormel M., Konen W., Fuhrmann S., Flugel A. Neural systems for complex identification tasks: the access control system ZN-Face and the alarm identification SENECA // Proceedings of ICANN95. 1995. - Paris.

34. Kirby M., Sirovich L. Application of the Karhunen-Loeve Procedure for Characterization of Human Faces // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. - PP. 103-108.

35. Kohonen T. Self-Organization and Associative Memory, Springer-Verlag, Berlin, 1989

36. Konen W. Comparing facial line-drawings with gray-level images: A case study on PHANTOMAS // Proceedings of ICANN96. 1996. - Bochum.

37. Konen W., Schulze-Kriiger E. ZN-Face: A system for access control using automated face recognition // Proceedings of Int. Workshop on Automated Face and Gesture-Recognition. 1995. - Zurich.

38. Kriiger N. An Algorithm for the Learning of Weights in Discrimination Functions Using a Priori Constraints // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. - vol. 19. - PP. 764-768.

39. Kruger V., Sommer G. Gabor wavelet networks for object representation // Proceedings of the Int. Dagstuhl 2000 Workshop. -2000. LNCS. Springer.

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

41. Lades M., Vorbruggen J. C., Buhmann J., Lange J., Von der Malsburg C., Wurtz R. P., Konen W. Distortion Invariant Object Recognition in the Dynamic Link Architecture // IEEE Transactions on Computers. 1993. - vol.42. - №3.- PP. 300-311.

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

43. Lawrence S, Giles C.L., Tsoi A.C., Back A.D. Face Recognition: A Convolutional Neural Network Approach // IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition. 1997. -vol. 8. - № 1.- PP. 98-113.

44. Lawrence S., Lee Giles C., Tsoi A.C., Back A.D. Face Recognition: A Hybrid Neural Network Approach // IEEE Transactions on Neural Networks. 1996.

45. Lee T.S. Image representation using 2D Gabor wavelets // IEEE Transactions on Pattern Recognition and Machine Intelligence. 1996. - vol. 18. - №10.

46. Lyons M.J., Budynek J., Akamatsu S. Automatic Classification of Single Facial Images // IEEE Transactions on Pattern Analysis and Machine Intelligence. -1999. vol.21. - №12. - PP.1357-1362.

47. Lyons M.J., Budynek J., Plante A., Akamatsu S. Classifying facial attributes using a 2-D Gabor wavelet representation and discriminant analysis // IEEE Conf. on Automatic Face and Gesture Recognition. 2000. - Grenoble, France. - PP.202-207.

48. Moghaddam В., Pentland A. An Automatic System for Model-Based Coding of Faces // IEEE Data Compression Conference. 1995. - Snowbird, Utah.

49. Moghaddam В., Pentland A. Probabilistic Visual Learning for Object Representation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. - vol. 19. - PP. 696-710.

50. Nastar C., Pentland A. Matching and Recognition Using Deformable Intensity Surfaces // IEEE International Symposium on Computer Vision. 1995. - Coral Gables.

51. Nefian A.V., Hayes M.H. An embedded hmm-based approach for face detection and recognition // Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing. 1999. - vol.6. - PP. 3553-3556.

52. O'Toole A.J., Abdi H. Deffenbacher, K.A., Valentin, D. A low dimensional representation of faces in the higher dimensions of the space // Journal of the Optical Society of America. 1993.-№10.-PP. 405-411.

53. Penev P., Tick J.A. Local Feature Analysis: A General Statistical Theory for Object Representation // Network: Computation in Neural Systems. 1996. -PP.477-500.

54. Pentland A. Smart Rooms, Smart Clothes, Scientific American, Apr. 1996, pp.68-76

55. Pentland A. Wearable Intelligence // Scientific American. 1998. - PP. 90-95.

56. Pentland A., Moghaddam В., Starner T. View-Based and Modular Eigenspaces for Face Recognition // MIT Media Lab Vismod /Technical report 245. 1993.

57. Perkins C., Fricke T. Wavelets // Department of Electrical Engineering University of California at Berkeley. 2000, - 18 P.

58. Philippe G. Schyns and Heinrich H. Bulthoff: Conditions for Viewpoint Dependent Face Recognition // MIT AI Lab / AI memo 1432 / Technical Report.- 1993.

59. Phillips P. et al. The Feret Database and Evaluation Procedure for face Recognition Algorithms // Image and Vision Computing. 1998. - PP.295-306.

60. Potzsch M., Kriiger N., Von der Malsburg C. Improving object recognition by transforming Gabor filter responses //Network: Computation in Neural Systems.- 1996. vol.7. - №2.- PP.341-347.

61. Rajesh P. N. Rao and Dana H. Ballard: Natural Basis Functions and Topographic Memory for Face Recognition // Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI). 1995. - PP. 10-17.

62. Rosenblum M., Yacoob Y., Davis L.S. Human Emotion Recognition from Motion Using a Radial Basis Function Network Architecture // IEEE Workshop on Motion of Non-Rigid & Articulated Objects. 1994. - Austin, TX. - PP.4349.

63. Samaria F. Face Segmentation For Identification Using Hidden Markov Models // Proceedings of 4th British Machine Vision Conf. 1993. - Springer-Verlag.

64. Samaria F., Fallside F. Automated Face Identification Using Hidden Markov Models // Proceedings of the Int. Conf. Advanced Mechatronics, The Japan Society of Mechanical Engineers. 1993.

65. Samaria F., Fallside F. Face Identification and Feature Extraction Using Hidden Markov Models // Image Processing: Theory and Applications. 1993. -Elsevier.

66. Sirovitch L., Kirby M. Low-dimensional procedure for the characterization of human faces // Journal of the Optical Society of America. 1987. - №2. - PP. 519-524.

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

68. Turk M., Pentland A. Eigenfaces for Recognition // Journal of Cognitive Neuroscience. 1991. - PP. 71-86.

69. Valentin D., Abdi H. Can a linear autoassociator recognize faces from new orientations //Journal of the Optical Society of America. 1996. - №13.

70. Valentin D., Abdi H., O'Toole A.J. Principal component and neural network analyses of face images: Explorations into the nature of information available for classifying faces by sex // Progress in Mathematical Psychology. 1996. -Hillsdale, Erlbaum.

71. Valentin D., Abdi H., O'Toole A.J., Cottrell G.W. Connectionist models of face processing: A survey // Pattern Recognition. 1994. - №27. - PP. 1208-1230.

72. Valentin D., Abdi H., O'Toole. Categorization and identification of human face images by neural networks: A review of linear auto-associator and principal component approaches // Journal of Biological Systems. 1994. - №2. -PP.413-429.

73. Weiser M. The Computer for the 21st Century // Scientific American. 1991. -PP. 66-76.

74. Wilson C. L., Barnes C.S., Chellappa R., Sirohey S.A. Technical Report NISTIR 5465.- 1994.

75. Wiskott L., Fellous J.M., Kruger N., Von der Malsburg C. Face Recognition and Gender Determination // Proceedings of the International Workshop on Automatic Face and Gesture Recognition. 1995. - Zurich. - PP. 92-97.

76. Wiskott L., Fellous J.M., Kruger N., Von der Malsburg C. Face Recognition by Elastic Bunch Graph Matching // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. - vol.19. - №7. - PP. 775-779.

77. Wiskott L., Von der Malsburg C. A Neural System for the Recognition of Partially Occluded Objects in Cluttered Scenes // Int. Journal of Pattern Recognition and Artificial Intelligence. 1993. - vol.7. - №4. - PP. 935-948.

78. Wurtz R. P. Object Recognition Robust Under Translations, Deformations, and Changes in Background // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. - vol.19. - PP. 769-775.

79. Yacoob Y., Davis L.S. Computing Spatio-Temporal Representations of Human Faces // IEEE Conference on Computer Vision and Pattern Recognition. 1994. - Seattle, WA. - PP. 70-75.

80. Yacoob Y., Davis L.S. Recognizing Facial Expressions by Spatio-Temporal Analysis // 12th International Conference on Pattern Recognition. 1994. -Jerusalem, Israel. - PP. 747-749.

81. Yacoob Y., Lam H., Davis L.S. Recognizing Faces Showing Expressions // International Workshop on Automatic Face- and Gesture-Recognition. 1995. -Zurich.