دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 130 صفحه
چکیده:
در این روش یک الگوریتم اولیه برای تشخیص صورت انسان در تصاویر دیجیتالی به صورت اتوماتیک بیان شده و می تواند به عنوان مقدمه ای برای تحقیقات آتی در زمینه تشخیص صورت در تصاویر باشد. سیستم های زیادی به منظور تشخیص صورت توسط گروههای تحقیقاتی زیادی طراحی و پیشنهاد شده اند. تعدادی از این برنامه ها مانند Rawley , Raluja و Kanade بر مبنای آموزش شبکه های عصبی و محاسبه اندازه فاصله بین مجموعه های آموزشی برای تشخیص صورت می باشد. بقیه بسته های نرم افزاری که در این زمینه وجود دارند، می توانند ویژگی های مربوط به صورت را در تصا ویری تشخیص دهند که در آن ها وجود چهره انسان در جائی از تصویر محرز شده باشد. اما در روشی که در ادامه ارائه می شود تشخیص صورت بر روی عکس های رنگی دلخواه متمرکز شده و با سیستم های نوع اول که بر مبنای ترکیب اطلاعات در مقیاس خاکستری و رنگی می باشند تفاوت دارد.
علاوه بر موارد فوق، این روش نیاز به صرف زمان برای آموزش شبکه های عصبی یا محاسبه اندازه های فاصله بین هر ناحیه احتمالی پوست در تصویر را ندارد. همچنین این سیستم با بسته های نرم افزاری که ویژگی های مربوط به صورت را تشخیص می دهند تفاوت دارند زیرا در این سیستم هدف تشخیص ناحیه احتمالی در هر عکس اختیاری و دلخواه در صورت وجود می باشد، نه آنالیز تصاویری که وجود یک صورت در آن ها از قبل محرز شده اند. این پروسه برمبنای دو گام می باشد؛ گام اول: در تصاویر فیلتر شده نواحی احتمالی شامل پوست انسان مشخص و علامت گذاری می شوند. این فیلتر با استفاده از توابع ریاضی ساده و توابع پردازش تصویر در متلب طراحی شده است و برمبنای فیلتر پوستی که برای The Berkeley-Iowa Naked People Finder طراحی شده می باشد. تغییرات اعمال شده در الگوریتم به منظور دست یابی به نتایج بهتر صورت گرفته شده است. در مرحله دوم نواحی پوستی مشخص شده را جدا نموده و تاریکترین و روشن ترین ناحیه ها از نقشه برداشته می شوند. روی این نواحی تاریک و روشن تست ها ی عملی و تجربی انجام می شود تا تطابق آن ها با نواحی مثل چشم و ابرو و سوراخ بینی و دهان معین شود. در نهایت نواحی که پس از انجام چند مرحله آنالیز حاوی سوراخ می باشند به عنوان نواحی احتمالی برای انجام مراحل فوق از ترکیبی از توابع متلب و برنامه Khoros استفاده می شود. در آخر، سیستم نهائی به صورت اتوماتیک در می آید و نیازی به مداخله کاربر ندارد. مرحله سوم این روش که در این پروژه بیان نشده و باید تکمیل شود شامل بررسی تمایز اندازه های سوراخ ها و فاصله ی آن ها برای دست یابی به سیستم تشخیص صورت قوی تر می باشد.
مقدمه:
پردازش تصویر دیجیتال دانش جدیدی است که سابقه آن به پس از اختراع رایانه های دیجیتال باز می گردد. با این حال این علم نوپا در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است. سرعت این پیشرفت به اندازه ای بوده است که هم اکنون و پس از این مدت نسبتاً کوتاه ، به راحتی می توان رد پای پردازش تصویر دیجیتال را در بسیاری از علوم و صنایع مشاهده نمود. علاقه به روش های پردازش تصویر دیجیتال از دو محدوده کاربردی اصلی نشات می گیرد که آن محدوده ها عبارتند از: بهبود اطلاعات تصویری به منظور تعبیر انسانی و پردازش داده های صحنه برای ادراک ماشینی مستقل.
چند دسته مهم از کاربرد های پردازش تصویر به شرح زیر می باشد [ 1 ]:
الف ) کاربردهای عکاسی مانند ارتقاء ، بازسازی تصاویر قدیمی ، بازسازی تصاویر خراب شده با نویز و بهبود ظاهر تصاویر معمولی.
ب ) کاربرد های پزشکی مانند ارتقاء ویژگی های تصاویر اشعه ایکس ، تولید تصاویر MRI و
CT-scan.
ج ) کاربرد های امنیتی مانند تشخیص حرکت ( در دزد گیر ها ) ، تشخیص اثر انگشت ، تشخیص چهره و تشخیص امضاء.
د ) کاربرد های نظامی مانند تشخیص و رهگیری خودکار اهداف متحرک یا ثابت از هوا یا از زمین.
ه ) کاربرد های سنجش از راه دور مانند ارتقاء و تحلیل تصاویر هوایی و ماهواره ای (برداشته شده از مناطق مختلف جغرافیایی) که در کاربرد های نقشه برداری ، کشاورزی ، هوا شناسی و موارد دیگر مفید هستند.
و ) کاربرد های صنعتی مرتبط با خودکار سازی صنایع مانند تفکیک محصولات مختلف بر اساس شکل یا اندازه ، آشکارسازی نواقص و شکستگی های موجود در محصولات ، تعیین محل اشیاء و اجرای فرایند تولید با استفاده از روبات ها و بینایی ماشینی.
ز ) کاربرد های فشرده سازی تصویر مانند ذخیره سازی ، ارسال تصاویر تلویزیون با کیفیت بالا و ارسال تصاویر متحرک و زنده از روی شبکه اینترنت و یا خط تلفن.
ح ) موارد متفرقه دیگری نیز مانند تصویر برداری از اسناد و ارسال آنها توسط دور نگار و تشخیص خودکار نویسه در ردیف کاربرد های پردازش تصویر قرار دارند.
فهرست مطالب:
فصل اول:
مقدمه ای بر پردازش تصویر دیجیتال
مقدمه
مراحل اساسی پردازش تصویر
شکل 1-1: مراحل اساسی پردازش تصویر دیجیتال
یک مدل ساده تصویر
4-1: تشخیص صورت
تشخیص و تعبیر
فصل دوم
بررسی دقیق تر برخی از روش های معرفی شده توسط سایر محققین در زمینه تشخیص صورت
2-1: تشخیص صورت در تصاویر رنگی با استفاده از فیلتر پوست
1-1-2: چکیده
2-1-2: فیلتر پوست
2-1-3: تشخیص صورت در نواحی پوست
2-2: الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت
مقدمه
2-2-1: چکیده
2-2-2: الگوریتم تشخیص صورت
2-2-3: جبران سازی نور و تشخیص رنگ و تن پوست
(ج) نواحی پوست تصویر الف؛ (د) واحی پوست تصویر ب.
2-2-4: مکان یابی ویژگی های مربوط به صورت
5-2-2: نتایج
2-3: یک متد آماری برای تشخیص اجسام سه بعدی
مقدمه
2-3-1: چکیده
2-3-2: تشخیص بر مبنای ظاهر
2-3-3: قانون تصمیم آماری
2-3-3-1: احتمال بر اساس نتایج آماری
2-3-3-2: تجزیۀ ظاهر به فضا،فراوانی و جهت
2-3-3-3: نمایش نمونه ها با زیر مجموعۀ ضریب موج
2-3-3-4: فرم نهایی تشخیص دهنده
2-3-4: جمع آوری آمار
2-3-5: کاربرد تشخص دهنده ها
2-3-6: صحت تشخیص صورت با چرخش خارج از محدوده
2-4: تشخیص صورت با استفاده از روش مسافت هاسدورف
مقدمه:
2-4-1: چکیده
2-4-2: تشخیص جسم با روش هاسدورف
2-4-2-2: تشخیص بر پایۀ مدل
2-4-3: توضیح سیستم
2-4-3-1: دوره تشخیص
2-4-3-2: پالایش
2-4-3-3: انتخاب مدل
2-4-4: صحت
2-4-5: نتایج
2-5: مدل ژنتیک بهینه سازی مکان یابی چهره به روش هاسدورف بر پایه مسافت
2-5-1: مقدمه
2-5-2: چکیده
2-5-3: تشخیص صورت با روش هاسدورف بر پایه مسافت
2-5-4: مدل ژنتیک
-5-24-1: کد های مدل
2-5-4-2: توابع تناسب
2-5-4-3: پارامتر های مورد نیاز
2-5-4-4: مقداردهی اولیه
2-5-5: نتایج آزمایشات
2-5-6: نتیجه گیری
فصل سوم:
تشخیص صورت بر مبنای رنگ پوست
3-1: استفاده از رنگ به عنوان ابزار پردازش تصاویر رنگی
3-1-1: مبانی رنگ
تشخیص پوست
مدل های رنگ
3-3-1: مدل رنگ RGB
3-3-2: مدل رنگ CMY
3-3-3: مدل رنگ YIQ
3-3-4: مدل رنگ HSI
3-3-5: مدل رنگ YCbCr
3-3-5-1: تبدیلات بین RGB و YCbCr
3-3-6: مدل های رنگ دیگر
3-3-7: نتیجه گیری از فضاهای رنگ
ساختن مدل برای پوست
فصل چهارم:
شناسایی صورت در یک پایگاه داده اختیاری
4-1: شناسائی صورت
4-1-1: مقدمه
4-1-2: تاریخچه
4-1-3: روش های برجسته
principle component analysis: 1-3-1-4
2-3-1-4 Linear discriminant analysis
-3-1-43: Elastic Bunch Graph Matching
4-1-4: ارزیابی دولت ایالات متحده امریکا
4-1-5: نظر اجمالی به استاندارد ها
:6-1-4 نتیجه گیری
4-2: قرارداد فرت برای الگوریتم شناسایی صورت
4-2-1: مقدمه
4-2-2: چکیده
4-2-3: تست سپتامبر 96 فرت
4-2-4: مدل تحقیق
4-2-5: نتایج تحقیق
4-2-6: نتیجه گیری
فصل پنجم:
روش انجام کار
5-1: مقدمه
5-2: مدل کردن رنگ پوست
5-3: جداسازی پوست
5-4: نواحی پوست
5-4-1: یافتن تعداد سوراخ های یک ناحیه
5-4-2: مرکز حجم
5-4-3: جهت
5-4-4: عرض و ارتفاع ناحیه
از چپ، راست، بالا و پایین تصویر.
5-4-5: نسبت ناحیه
5-4-6: الگوی صورت
5-5: تطبیق الگو
5-6 راهکارهای پیشرفت این پروژه
5-7 نتایج
فهرست منابع
فهرست نمودار:
نمودار سه: نتایج پراب FB. (a) الگوریتم ها در سپتامبر 1996 مورد آزمایش قرار گرفته اند. (b) الگوریتم ها در مارس 1997 مورد آزمایش قرار
گرفته اند.
نمودار چهار: نتایج پراب المثنی Ι.. (a) الگوریتم ها در سپتامبر 1996 مورد آزمایش قرار گرفته اند. (b) الگوریتم ها در مارس 1997 مورد
آزمایش قرار گرفته اند.
نمودار پنج: نتایج پراب fc. (a) الگوریتم ها در سپتامبر 1996 مورد آزمایش قرار گرفته اند. (b) الگوریتم ها در مارس 1997 مورد آزمایش قرار
گرفته اند.
نمودار شش: نتایج پراب المثنی. (a) الگوریتم ها در سپتامبر 1996 مورد آزمایش قرار گرفته اند. (b) الگوریتم ها در مارس 1997 مورد
آزمایش قرار گرفته اند.
نمودار هفت: نتایج اجرای الگوریتم ها روی هر دسته از پراب ها.
فهرست اشکال:
شکل2-1: تصویر اصلی RGB
شکل2-2: نقشه بافت
شکل2-3: تصویر رنگمایه
شکل2-4: تصویر اشباع
شکل2-5: نقشه پوست
شکل2-6: ادغام نقشه پوست با تصویر خاکستری
شکل 2-7: تصویر مثبت برچسب گذاری شده
شکل2-8: تصویر منفی
شکل 2-9: نتیجه نهایی
شکل2-10: الگوریتم تشخیص صورت بر مبنای مکان یابی ویژگی های صورت
شکل2-11: (الف) تصویر با تن زرد؛ (ب) تصویر جبران سازی شده اثر نور؛
شکل 2-12: پیاده سازی مکان یابی چشم برای دو نمونه
شکل2-13: پیاده سازی مکان یابی دهان برای دو نمونه
شکل2-14: مرز صورت و مثلث دهان- چشم
شکل2-15: نمونه های آموزشی جهت
شکل 2-16: نمونه های آموزشی جهت
جدول 2: تشخیص صورت با چرخش خارج از محدوده
شکل 2-17: نمونه هایی از نتایج
شکل 2-18: ویرایش تصویر
شکل 2-19: گامهای قطعه بندی و موضعی کردن در تشخیص صورت. بالا: دوره تشخیص با مدل صورت؛ پایین: پالایش اولیه با مدل چشم.
شکل 2-20: خطای نسبی؛ (الف): نشان دادن رابطه بین موقعیت انتظاری (Cl و Cr) و مکان تخمینی چشم ها ( ). (ب): نمایش خطای نسبی
شکل 2-21: پروسه پیدا کردن صورت
شکل 2-23: عملگر تقاطع برای مدل دو بعدی
شکل 2-24: نمونه هایی برای مقداردهی تصادفی الگوریتم ژنتیک
شکل 2-25: نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش لبه متوسط
شکل 2-26: نمونه هایی برای مقداردهی الگوریتم ژنتیک به روش دستی
شکل 2-27: مدل حاصله
شکل 3-1: مکعب رنگی RGB ، نقاط در طول قطر اصلی، مقادیر خاکستری از سیاه در مبدأ تا سفید در نقطه (1 , 1 ,1) دارند
شکل 3-2: (الف) مثلث رنگی HSI ، (ب) هرم گونه رنگی HSI
شکل 3-3: مکعب رنگ YCbCr
شکل 4-1: نمونه هایی از شش کلاس در LDA
شکل 4-2: Elastic Bunch Graph Matching
شکل 4-3:مثال هایی از پروسه های مختلف پراب ها. المثنی Ι و f_a در طول یک سال گرفته شده ولی المثنی ΙΙ وf_a حداقل به فاصله یک سال گرفته
شده اند.
شکل 5-1: نقاب عمومی 3×3
شکل5-2: نقاب حاصله
شکل 5-3: توزیع گاوسی
شکل 5-4: (الف): تصویر رنگی اصلی. (ب) تصویر احتمالی پوست
شکل 5-5: حاصله از آستانه گیری
شگل 5-6: نمونه ای از اجرای روش فوق
شکل 5-7: (الف) نواحی قسمت بندی شده. (ب) ناحیه احتمالی صورت
شکل 5-8: نمونه انتخابی
شکل 5-9 )الف) ناحیه احتمالی صورت. (ب) ناحیه بدون سوراخ. (ج)نتیجه ادغام تصویر مقیاس خاکستری با (ب)
شکل 5-10: (الف) الگوی اصلی. (ب) الگوی تغییر سایز یافته
شکل 5-11: (الف) الگوی دوران داده شده. (ب) تصویر حاصل از حذف نواحی اضافی در لبه های (الف)
شکل 5-12: تصویر در مقیاس خاکستری هم سایز با تصویر اصلی شامل الگوی ویرایش یافته
شکل 5-13: نمونه ای از روند کار
منابع ومأخذ:
[1]رافائل سی. گونزالس، ریچارد ای. وودز، ترجمه دکتر مرتضی خادمی و مهندس داوود جعفری، پردازش تصویر رقمی، چاپ سوم، موسسه چاپ و انتشارات دانشگاه فردوسی مشهد، بهار 1385
http://www.cs.uiowa.edu/~mfleck/vision-html/naked-skin.html [2]
[3] Kapur , Jay P. , " Face Detection in Color Images " , University of Washington Department of Electrical Engineering , EE499 Capstone Design Project Spring 1997
[4] D. Maio and D. Maltoni, “Real-time face location on grayscale static images,’’ Pattern Recognition, vol.33, no. 9, pp. 1525-1539, Sept. 2000
[5] H. A. Rowley, S. Baluja, and T. Kanade, “Neural Network-Based Face Detection,” IEEE Trans. PAMI, vol. 20, pp. 23-38, Jan. 1998
[6] K. K. Sung and T. Poggio, “Example-Based Learning for View-Based Human Face Detection,” IEEE Trans. PAMI, vol. 20, pp. 39-51, Jan. 1998
[7] H. Schneiderman and T. Kanade, “A Statistical Method for 3D Object Detection Applied to Faces and Cars,” IEEE CVPR, June 2000
[8] M. Abdel-Mottaleb and A. Elgammal, “Face Detection in complex environments from color images,’’ IEEE ICIP, pp. 622-626, Oct. 1999
[9] J.C. Terrillon, M. N. Shirazi, H. Fukamachi, and S. Akamatsu, “Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images,’’ Proc. IEEE Int’l Conf. on Face and Gesture Recognition, pp. 54-61, 2000
[10] T. Horprasert, Y. Yacoob, and L. S. Davis, “Computing 3-D Head Orientation from a Monocular Image,” Proc. Int’l Conf. Automatic Face and Gesture Recognition, pp. 242-247, Oct. 1996
[11] F. Smeraldi, O. Carmona, and J. Bign, “Saccadic search with Gabor features applied to eye detection and real-time head tracking,’’ Image and Vision Computing, vol. 18, no. 4, pp. 323-329, 2000.
[12] W. Huang, Q. Sun, C.-P. Lam, and J.-K. Wu, “A Robust Approach to Face and Eyes Detection from Images with Cluttered Background,’’ ICPR, vol. 1 , pp. 110-114, Aug. 1998
[13] P. T. Jackway and M. Deriche, “Scale-space properties of the multiscale morphological dilation-erosion,’’ IEEE Trans. PAMI, vol. 18, pp. 38-51, Jan. 1996
[14] C. Kotropoulos, A. Tefas, and I. Pitas, “Frontal face authentication using morphological elastic graph matching,’’ IEEE Trans. Image Processing, vol. 9, pp. 555-560, April 2000.
[15] R. L. Hsu, M. Abdel-Mottaleb, and A. K. Jain, “Managing personal photo collection based on human faces,’’ Tech. Report, Michigan State Univ., Jan. 2001
[16] Heinrich-Hertz-Institut (HHI) http://www.hhi.de/
[17] The Champion dataset http://www.libfind.unl.edu/alumni/events/champions/
[18] Hsu,Rein-Lien, Abdel-Mottaleb, Mohamed , Jain , Anil K." FACE DETECTION IN COLOR IMAGES" , Dept. of Computer Science & Engineering, Michigan State University, MI 48824 * Philips Research, 345 Scarborough Rd., Briarcliff Manor, NY 10510
Email: {hsureinl, jain}@cse.msu.edu, mohamed.abdel-mottaleb@philips.com
[19] P.C. Cosman, R.M. Gray, M. Vetterli. “Vector Quantization of Image Subbands: A Survey.” IEEE Trans. on Image Processing. 5:2. pp. 202-225. Feb., 1996
[20] 4]B. D. Ripley. Pattern Recognition and Neural Networks. Cambridge University Press. 1996
[21] V. N. Vapnik. The Nature of Statistical Learning Theory. Springer, 1995
[22] Y. Freund, R. E. Shapire. “A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting.” Journal of Computer and System Sciences. 55:1, pp. 119-139. 1997
[23] R. E. Shapire, Y. Singer. “Improving Boosting Algorithms Using Confidence-rated Predictions.” Machine Learning 37:3, pp. 297-336. December, 1999
[24] H. Schneiderman and T. Kanade. “Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Recognition.” CVPR ‘98. pp. 45-51
[25] K-K Sung, T. Poggio. “Example-based Learning of View-Based Human Face Detection.” ACCV ‘95 and AI Memo #1521, 1572, MIT
[26] H. Rowley, S. Baluja, T. Kanade. “Neural Network-Based Face Detection.” PAMI 20(1), January, 1998
[27] Schneiderman , Henry , Kanade , Takeo , " A Statistical Method for 3D Object Detection Applied to Faces and Cars ", Robotics Institute , Carnegie Mellon University , Pittsburgh , PA 15213
[28] J. Terrillon, M. David, and S. Akamatsu. Automatic detection of human faces in natural scene images by use of a skin color model and of invariant moments. In Proc. of the Third International Conference on Automatic Face and Gesture Recognition, pages 112–117, Nara, Japan, 1998
[29] H. Rowley, S. Baluja, and T. Kanade. Neural network-based face detection. In Proc. IEEE Conf. on Computer Vision and Pattern Recognition, pages 203–207, San Francisco, CA, 1996
[30] M.P. Dubuisson and A.K. Jain. A modified Hausdorff distance for object matching. In ICPR94, pages A:566–568, Jerusalem, Israel, 1994
[31] W. Rucklidge. Efficient Visual Recognition Using the Hausdorff Distance, volume 1173 of Lecture notes in computer science. Springer, 1996
[32] Jesorsky , Oliver , Kirchberg , Klaus J. , Frischholz , Robert W. , " Robust Face Detection Using the Hausdorff Distance " , BioID AG , Berlin , Germany , In proc.Third International Conference on Audio- and video-based Biometric Person Authentication, Springer ,Lecture Notes in Computer Science , LNCS-2091, pp. 90-95 ,Halmstad, Sweden, 6-8 June 2001
[33] Oliver Jesorsky, Klaus J. Kirchberg, and Robert W. Frischholz. Robust Face Detection Using the Hausdor® Distance. In Josef Bigun and Fabrizio Smeraldi, editors, Audio- and Video-Based Person Authentication - AVBPA 2001, volume 2091 of Lecture Notes in Computer Science, pages 90{95, Halmstad, Sweden, 2001. Springer
[34] W. Rucklidge. E±cient Visual Recognition Using the Hausdor® Distance, volume 1173 of Lecture notes in computer science. Springer, 1996
[35] M.P. Dubuisson and A.K. Jain. A modi¯ed Hausdor® distance for object matching. In ICPR94, pages A:566{568, Jerusalem, Israel, 1994
[36] John H. Holland. Adaption in Natural and Arti¯cial Systems. The University of Michigan Press, Ann Arbor, 1975
[37] David E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989
[38] K. Messer, J. Matas, J. Kittler, J. Luettin, and G. Maitre. XM2VTSDB: The
extended M2VTS database. In Second International Conference on Audio and Video-based Biometric Person Authentication, pages 72{77, March 1999
[39] BioID face database. http://www.bioid.com/research/index.html
[40] F. Smeraldi, N. Capdevielle, and J. Bigun. Facial features detection by saccadic exploration of the Gabor decomposition and Support Vector Machines. In Proceedings of the 11th Scandinavian Conference on Image Analysis - SCIA 99, Kangerlussuaq, Greenland, volume I, pages 39{44, June 1999
[41] Kirchberg , Klaus J. , Jesorsky , Oliver , Frischholz , Robert W. , BioID AG, Germany, in Proc. International ECCV 2002 Workshop on Biometric Authentication, Springer, Lecture Notes in Computer Science ,LNCS-2359, pp. 103-11, Copenhagen ,Denmark, June 2002
[42] Belongie , S, Carson, C, Greenspan, H, and Malik, J, "Color- and texture- based image segmentation using EM and its application to content-based image retrieval, " Proc. 6th IEEE Int. Conf. Computer Vision , Gan. 1998
[43] Vezhnevets, Vladimir, Sazonov, Vassili, Andreeva, Alla, " A Survey on Pixel-Based Skin Color detection Techniques" , submitted, 2003
[44] Zarit, B. D., Super, B. J., and Quek, F. K. H., "Comparison of five color models in skin pixel classification " , In ICCV,99 Int'l Workshop on Recognition , Analysis and Tracking of Faces and Gestures in Real-time Systems, 58-63, 1999
[45] Terrilon, J. C., Shirazi, M. N., Fukamachi, H., and Akamatsu, S., "Comparative performance of different skin chrominance model and chrominance spaces for the automatic detection of human faces in color images", In Proc. Of the International Conference on Face and Gesture Recognition, 54-61, 2000
[46] Brand, J., and Mason, J., "A comparative assessment of three approaches to pixellevel human skin-detection", In Proc. Of the International Conference on Pattern Recognition, vol. 1, 1056-1059, 2000
[47] Lee, J. Y., and Yoo, S. I. , "An elliptical boundary model for skin color detection", In Proc. Of the 2002 International Conference on Imaging Science Systems, and Technology ,2002
[48] Shin, M.C, Chang, K.I, and Tsap, L.V, "Does Colorspace Transformation Make Any Difference on Skin Detection?" , IEEE Workshop on Application of Computer Vision , Orlando, FL, Dec 2002
[49] Yang, J, and Waibel, A, "Tracking human faces in real-time ," Proc. IEEE Workshop on Application of Computer Vision,1996
[50] Jones, M. J., and Rehg, J. M, "Statistical color models with application to skin detection " , In Proc. Submitted, vol. 1, 274-280, 2000
[51] Albiol, A., Torres, L., Bouman, C.A., and Delp, E. J. , " A simple and efficient face detection algorithm for video database application," on Proceedings of the IEEE International Conference on Image Processing, Vacouver, Canada, vol. 2, pp. 239-242, September 2000
[52] Wang, H. and Chang, S-F., " A highly efficient system for automatic face region detection in mpeg video, "IEEE Transaction on circuits and system for video technology , vol. 7, no. 4, pp. 615-628, August 1997
[53] Hsu, R.L, Abdel-Mottaleb, N., and Jain, A.K, " Face Detection in Color Images," IEEE Trans. On Pattern Analysis and Machine Intelligence Vol. 24, No. 5, pp. 696-706, 2002
[54] Poynton, C.A. Frequently asked questions about colour. In ftp://www.inforamp.net/pub/users/poynton/doc/colour/ColorFAQ.ps.gz. 1995
[55] Fritsch, J, Lang, S, Kleinehagenbrock. M, Fink, G. A, and Sagerer, G," Improving Adaptive Skin Color Segmentation by Incorporation Results from Face Detection", Submitted, 2003
[56] Phung, S. L., Bouzerdoum, A., and Chai, D, "A novel skin color model in ycbcr color space and its application to human face detection" , in IEEE International Conference on Image Processing (ICIP, 2002), vol. 1, 289-292, 2002
[57] Menser, B., and Wien, M., "Segmentation and tracking of facial region in color image sequences", In Proc. SPIE Visual Communication and Image Processing, 731-740, 2000
[58] Ahlberg, J., "A system for face localization and facial feature extraction" , Tech. Rep. LiTH-ISY-R-2172, Linkoping University, 1999.
[59] Chai, D., and Bouzerdoum, A, "A Bayesian approach to skin color classification in ycbcr color space ", In proceedings IEEE Region Ten Conference (TENCON,2000), vol. 2, 421-424, 2000
[60] www.jdl.ac.an/peal/image/grey-image
[61] Saber, E. and Tekalp, A.M. , "Frontal-view Face Detection and Facial Feature Extraction using Color " , shape and Symmetry Based Cost Function" Pattern Recog Letters , vol. 19, no. 8, pp. 669-680, 1998
[62] Marques, F., and Vilaplana, V, " A morphological approach for segmentation and tracking of human faces" , In International Conference on Pattern Recognition (ICPR,00), Vol. 1, 5064-5068, 2000
[63] Brown, D., Craw, I., and Lewthwaite, J., " A som based approach to skin detection with application in real time system", In Proc. Of the British Machine Vision Conference , 2001
[64] Alboil, A., Torres, L., and Delp, E. J. " Optimum color space for skin detection", In Proceedings of the International Conference on Image Processing, vol. 1, 122-124, 2001
[65] Yang, M.,and Ahuja, N., " Gaussian mixture model for human skin color and its application in image and video database ", In Proc. Of the SPIE: Conf. on Storage and Retrieval for image and video Databases (SPIE 99), vol. 3656, 458-466, 1999
[66] Goldstein, A. J., Harmon, L.D., and Lesk, A. B., "Identification of Human Faces," Proc. IEEE, May 1971, vol. 59, No. 5, 748-760
[67] Sirovich, L., and Kirby , M., " A Low-Dimensional Procedure for the characterization of Human Faces," J. Optical Soc. Am. A, 1987, Vol. 4, No. 3, 519-524
[68] Turk, M. A., and Pentland, A. P., " Face Recognition Using Eigenfaces," Proc. IEEE, 1991, 586-591
[69] Bolme, D., Beveridge, R., Teixeria, M., and Draper, B., " The CSU Face Identification Evaluation System: Its Purpose , Feature and Structure," International Conference on Vision Systems, Graz, Austria, April 1-3, 2003. (Springer-Verlag) 304-311
[70] "Eigenfaces Recognition"
http://et.wcu.edu/aids/BioWebPages/eigenfaces.html.
[71] Plataniotis, J. Lu, K. N., and Venetsanopoulos, A. N., " Regularized Discriminant Analysis for the Small Samole Size Problem in Face Recognition, " Pattern Recognition Letters, December 2003, Vol. 24, Issue 16: 3079-3087
[72] Phillips, P. J., Moon, H., Risvi, S. A., and Raus
