導(dǎo)師布置了任務(wù)，讓我們沒(méi)人每周精讀幾篇大牛論文，并且寫ppt。因?yàn)樽罱芯康闹黝}是人臉識(shí)別，剛好看到有人總結(jié)了人臉識(shí)別那些必看的文章（各位可以直接移步去鏈接），于是就想不如按照這個(gè)順序讀，并且寫寫停滯了好久的博客。

下面這篇文章是轉(zhuǎn)的，不過(guò)剛好可以拿來(lái)當(dāng)做我接下來(lái)系列博客的目錄。

--------------------------------------------------------------------------------------------------

摘要：人臉識(shí)別技術(shù)，特指利用分析比較人臉視覺(jué)特征信息進(jìn)行身份鑒別的計(jì)算機(jī)技術(shù)，主要包括人臉檢測(cè)、人臉跟蹤、人臉對(duì)比三部分。

人臉檢測(cè)、追蹤

其目的主要是在圖像或視頻中找到各個(gè)人臉?biāo)诘奈恢煤痛笮?#xff0c;但是對(duì)于追蹤而言，還需要確定幀間不同人臉的對(duì)應(yīng)關(guān)系。

推薦文章1：（點(diǎn)擊此處下載）

我的閱讀理解：（點(diǎn)擊閱讀）

Robust Real-time Object Detection.?Paul Viola,?Michael Jones. IJCV 2004.

該篇文章是Viola發(fā)表的一系列文章中引用率最高的一篇，該文章使人臉檢測(cè)真正變得實(shí)際可用。?

推薦文章2：（點(diǎn)擊此處下載）

Fast rotation invariant multi-view face detection based on real Adaboost.?Bo Wu,Haizhou Ai,?Chang Huang,?Shihong Lao. AFGR 2004.

該文章第一次將real adaboost應(yīng)用于物體檢測(cè)，并且提出了一個(gè)比較成熟實(shí)用的多姿態(tài)人臉檢測(cè)框架，其提到的nest結(jié)構(gòu)對(duì)cascade結(jié)構(gòu)的改進(jìn)也有不錯(cuò)的效果。

推薦文章3：（點(diǎn)擊此處下載）

Tracking in Low Frame Rate Video: A Cascade Particle Filter with Discriminative Observers of Different Life Spans.?Yuan Li,?Haizhou Ai,?Yamashita T.,?Shihong Lao. CVPR 2007.

這篇文章很好的將人臉檢測(cè)模型和跟蹤、離線模型和在線模型進(jìn)行了很好的結(jié)合，且獲得了CVPR 2007 Best Student Paper，是中國(guó)大陸學(xué)生第一次獲此殊榮的代表之作。?

人臉特征點(diǎn)定位

目的是在人臉檢測(cè)、追蹤獲取人臉區(qū)域的基礎(chǔ)上，進(jìn)一步確定人臉特征點(diǎn)（眼睛、嘴巴中心點(diǎn)、嘴巴輪廓特征點(diǎn)、器官輪廓特征點(diǎn)）的位置。其基本思路主要是將人臉局部器官的紋理特征和器官特征點(diǎn)之間的位置約束進(jìn)行整合處理。

推薦文章4：（點(diǎn)擊此處下載）

Active Shape Models-Their Training and Application. T. F. COOTES, C. J. TAYLOR, D. H. COOPER, AND J. GRAHA. COMPUTER VISION AND IMAGE UNDERSTANDING. 1995.

比較早期的人臉特征點(diǎn)定位，主要集中在定位眼球中心點(diǎn)和嘴巴中心點(diǎn)等兩三個(gè)關(guān)鍵點(diǎn)上，但是后來(lái)引入了更多的點(diǎn)，且加入了相互約束，提高了定位的精度和穩(wěn)定性。該文章是數(shù)十個(gè)臉部特征點(diǎn)和紋理和位置關(guān)系約束一起考慮進(jìn)行計(jì)算的模型，堪稱經(jīng)典。

推薦文章5：（點(diǎn)擊此處下載）

Boosted Regression Active Shape Models. David Cristinacce and Tim Cootes. BMVC, 2007.

雖然ASM改進(jìn)的文章比較多，但值得一提的是AMM模型，除此之外的另一個(gè)重要思路便是改進(jìn)原文章基于邊緣紋理的模型。這篇文章所給出的基于回歸方式表示紋理模型的方式比基于分類表觀模型的方法更好。

推薦文章6：（點(diǎn)擊此處下載）

Face Alignment by Explicit Shape Regression. Xudong Cao, Yichen Wei, Fang Wen, Jian Sun. CVPR 2012.

該文章是ASM改進(jìn)的另一個(gè)方向，是對(duì)形狀模型本身的改進(jìn)。是基于訓(xùn)練樣本的線性組合來(lái)約束形狀的，其在alignment的效果上是目前看到最好的。?

人臉表示

根據(jù)人臉特征點(diǎn)的位置，對(duì)人臉進(jìn)行幾何校正并割取人臉區(qū)域之后，獲得最具鑒別能力的特征過(guò)程。

推薦文章7：（點(diǎn)擊此處下載）

Eigenfaces for recognition. M. Turk and A. Pentland. Journal of Cognitive Neuroscience. 1991.

基于PCA的特征臉是人臉識(shí)別最經(jīng)典的算法之一，雖然今天的PCA在實(shí)際系統(tǒng)中更多的是用來(lái)降維，而不是分類，但是如此經(jīng)典的方法，值得大家去關(guān)注。

推薦文章8：（點(diǎn)擊此處下載）

Local Gabor Binary Pattern Histogram Sequence (LGBPHS):

A Novel Non-Statistical Model for Face Representation and Recognition

該文章較接近于很多成熟商用系統(tǒng)思路，在很多實(shí)際系統(tǒng)中，一個(gè)提取鑒別信息的框架就是PCA和LDA，用PDA進(jìn)行降維避免LDA求解的矩陣奇異問(wèn)題，然后用LDA提取跟適合分類的特征，更進(jìn)一步將各種原始特征進(jìn)行鑒別提取后決策級(jí)融合。

推薦文章9：（點(diǎn)擊此處下載）

Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification. Dong Chen. Xudong Cao. Fang Wen. Jian Sun.?CVPR 2013.

雖然LFW的測(cè)試協(xié)議有一些不盡合理的地方，但是確實(shí)目前最接近實(shí)際數(shù)據(jù)的人臉識(shí)別庫(kù)。本篇文章，在采用精確定位點(diǎn)作為參考對(duì)人臉進(jìn)行多尺度、多局部區(qū)域的表示思路很值得借鑒，可以和各種表示方法結(jié)合。

隨著科技的不斷發(fā)展，人臉識(shí)別已經(jīng)悄然應(yīng)用于各個(gè)領(lǐng)域，包括最近的虛擬現(xiàn)實(shí)和昨日小編提到的變臉技術(shù)，我們都可以發(fā)現(xiàn)人臉識(shí)別的身影，未來(lái)的人臉識(shí)別，看了這些文章，大家細(xì)細(xì)揣摩~

from:?http://blog.csdn.net/cyh_24/article/details/39755605

總結(jié)

以上是生活随笔為你收集整理的【人脸识别】人脸识别必读论文的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。