转至：garfielder007

导师布置了任务，让我们没人每周精读几篇大牛论文，并且写ppt。因为最近研究的主题是人脸识别，刚好看到有人总结了人脸识别那些必看的文章（各位可以直接移步去链接），于是就想不如按照这个顺序读，并且写写停滞了好久的博客。

下面这篇文章是转的，不过刚好可以拿来当做我接下来系列博客的目录。

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

摘要：人脸识别技术，特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，主要包括人脸检测、人脸跟踪、人脸对比三部分。

人脸检测、追踪

其目的主要是在图像或视频中找到各个人脸所在的位置和大小，但是对于追踪而言，还需要确定帧间不同人脸的对应关系。

推荐文章1：（点击此处下载）

我的阅读理解：（点击阅读）

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

该篇文章是Viola发表的一系列文章中引用率最高的一篇，该文章使人脸检测真正变得实际可用。 

推荐文章2：（点击此处下载）

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

该文章第一次将real adaboost应用于物体检测，并且提出了一个比较成熟实用的多姿态人脸检测框架，其提到的nest结构对cascade结构的改进也有不错的效果。

推荐文章3：（点击此处下载）

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.

这篇文章很好的将人脸检测模型和跟踪、离线模型和在线模型进行了很好的结合，且获得了CVPR 2007 Best Student Paper，是中国大陆学生第一次获此殊荣的代表之作。 

人脸特征点定位

目的是在人脸检测、追踪获取人脸区域的基础上，进一步确定人脸特征点（眼睛、嘴巴中心点、嘴巴轮廓特征点、器官轮廓特征点）的位置。其基本思路主要是将人脸局部器官的纹理特征和器官特征点之间的位置约束进行整合处理。

推荐文章4：（点击此处下载）

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.

比较早期的人脸特征点定位，主要集中在定位眼球中心点和嘴巴中心点等两三个关键点上，但是后来引入了更多的点，且加入了相互约束，提高了定位的精度和稳定性。该文章是数十个脸部特征点和纹理和位置关系约束一起考虑进行计算的模型，堪称经典。

推荐文章5：（点击此处下载）

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

虽然ASM改进的文章比较多，但值得一提的是AMM模型，除此之外的另一个重要思路便是改进原文章基于边缘纹理的模型。这篇文章所给出的基于回归方式表示纹理模型的方式比基于分类表观模型的方法更好。

推荐文章6：（点击此处下载）

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

该文章是ASM改进的另一个方向，是对形状模型本身的改进。是基于训练样本的线性组合来约束形状的，其在alignment的效果上是目前看到最好的。 

人脸表示

根据人脸特征点的位置，对人脸进行几何校正并割取人脸区域之后，获得最具鉴别能力的特征过程。

推荐文章7：（点击此处下载）

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

基于PCA的特征脸是人脸识别最经典的算法之一，虽然今天的PCA在实际系统中更多的是用来降维，而不是分类，但是如此经典的方法，值得大家去关注。

推荐文章8：（点击此处下载）

Local Gabor Binary Pattern Histogram Sequence (LGBPHS):

A Novel Non-Statistical Model for Face Representation and Recognition

该文章较接近于很多成熟商用系统思路，在很多实际系统中，一个提取鉴别信息的框架就是PCA和LDA，用PDA进行降维避免LDA求解的矩阵奇异问题，然后用LDA提取跟适合分类的特征，更进一步将各种原始特征进行鉴别提取后决策级融合。

推荐文章9：（点击此处下载）

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

虽然LFW的测试协议有一些不尽合理的地方，但是确实目前最接近实际数据的人脸识别库。本篇文章，在采用精确定位点作为参考对人脸进行多尺度、多局部区域的表示思路很值得借鉴，可以和各种表示方法结合。

随着科技的不断发展，人脸识别已经悄然应用于各个领域，包括最近的虚拟现实和昨日小编提到的变脸技术，我们都可以发现人脸识别的身影，未来的人脸识别，看了这些文章，大家细细揣摩~

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