Annotation

Face detection or face localization denotes the problem of finding one or several sub regions in images, each subregion containing a face, i.e. determining the position and scale of the respective face regions and sometimes also their rotation angle in the image plane. Face detection algorithms mostly represent their results as bounding boxes covering the regions of the image which are supposed to contain faces, i.e. one bounding box per face. Note that most of the face analysis tasks, e.g. face recognition, facial expression recognition, facial feature detection, require the localization of the face as an initial step.

Распознавание лица или локализации шрифт указывает задачу нахождения одного или нескольких суб регионы в изображениях, каждый суб область, содержащую лицо, т.е. определения положения и масштаба соответствующих лицевых регионов, а иногда и их угол поворота в плоскости изображения. Алгоритмы обнаружения лица в основном представляют свои результаты, как ограничивающие рамки, охватывающие области изображения, которые, как предполагается, содержат лица, т.е. один ограничивающий прямоугольник за лицом. Обратите внимание, что большинство задач анализа лица, например распознавание лица, распознавание лица выражение, функция обнаружения лица, требуют локализации лица в качестве первого шага.

Face detection can imply a pre-processing step conditioning the input image and performing a kind of normalization, e.g. converting the image to gray-scale, equalizing the intensity histogram of the image or image regions. Usually, this pre-processing is considered to be part of the face detection algorithm.

Обнаружение лица может подразумевать стадии предварительной обработки обусловливающее входного изображения и выполнения своего рода нормализации, например, преобразования изображения в оттенки серого, выравнивания гистограммы интенсивности изображения или изображения регионах. Как правило, это предварительной обработки считается частью алгоритма обнаружения лица.

Face detection algorithms are mostly compared in terms of their detection rate (i.e. number of correctly detected faces) vs. their false alarm rate (i.e.number of non-face regions erroneously detected as faces) measured on public face databases, for example the CMU face database [206]. Clearly, one seeks a method that maximizes the detection rate while minimizing the false alarm rate. Usually, the latter is a rather difficult task as the subset of non-face images of a given size is considerably larger and more complex than the subset of images representing faces.

Алгоритмы обнаружения лица, в основном, по сравнению с точки зрения их уровень обнаружения (т.е. количество правильно обнаружены лица) против их ложных тревог (ienumber не-лица регионах ошибочно обнаруженных в лицах), измеренных на публичных баз данных лица, например, лица КМУ базы данных [206]. Очевидно, кто-то ищет метод, который максимизирует скорость обнаружения и минимизации ложных тревог. Как правило, последний является весьма трудной задачей, как подмножество не-изображений лиц заданного размера значительно больше и сложнее, чем подмножество изображений, представляющих лица.

The second method uses Kohonen’s selforganizing maps for clustering, Fisher’s linear discriminant to find an optimal projection for pattern classification and a Gaussian distribution to model the class-conditional density function of the projected samples for each class. Maximum likelihood estimates were used for the parameters of the class-conditional density functions and the decision rule.

Второй метод использует себя Кохонена организующую карты для кластеризации, линейный дискриминантный Фишера найти оптимальное проекцию для классификации образов и гауссовском распределении моделирования функции плотности класса условный проецируемых образцов для каждого класса. Оценок максимального правдоподобия были использованы для параметров функций плотности класса условный и правила принятия решений.

Face detection and

Normalization