以人頭特徵為基礎的人臉偵測定位

(1)

以人頭特徵為基礎的人臉偵測定位

王敬文邱惠琪

國立高雄應用科技大學光電與通訊工程研究所

摘要

在本論文中，我們利用空間領域下人臉前景與景物背景能量差異之特性及頭部輪廓特徵，提出了一個新穎、有效且快速的頭部輪廓偵測法 (Head Corner

Detection, HCD)

。於 BioID、VISIONICS 及 DCL (自行拍攝) 的三種資料庫測試結果，人臉定位正確率分別為 97.96%、92.92%及 93.59%，基於影像大小差異，平均定位偵測需時小於 2 秒。由實驗結果得知，本方法確實可以有效的克服未經控制的環境所造成的偵測困難度，以應用於複雜背景下之單一人臉偵測定位。

關鍵詞：人臉偵測，頭部角偵測，人體測量學。

FACE LOCALIZATION BASED ON HEAD CORNER DETECTION

Jing-Wein Wang Huei-Chi Chiu

Institute of Photonics and Communications National Kaohsiung University of Applied Sciences

Kaohsiung, Taiwan 807, R.O.C.

Key Words: face detection, head corner detection (HCD), anthropometric measure.

ABSTRACT

This paper proposes a novel two-step approach for face detection in complex scenes. As image capturing is strictly related to reflection of lighting, it has been observed that a face in the foreground is more vulnerable to lightness than environment in the background. The framework of the proposed method resolves mainly around the gap based on energy variation between the face and the scene. To speed up the process, this approach adopts energy analysis to face localization strategy.

We present energy image analysis to remove most noise-like regions so as to enhance face localization performance, and then devise the head corner detection (HCD) approach to search for the best combinations of facial sides and head corners with anthropometric measures, and thereafter the facial interest region is located. The experimental results demonstrate that the performance of our proposed method has significant improvement on three head-and-shoulder databases, when compared with related work.

一、前言

在國內的學術領域，應用於人臉偵測與辨識的方法主

要有政治大學資科系的近紅外影像之人臉偵測[1]、臺灣科技大學資工系的應用 HSV 色彩空間來選取膚色區塊[2]、

中國醫學大學與台中技術學院的膚色應用於人臉偵測[3]、

(2)

Input Energy analysis

Binary thresholding

Face detection Output

Image I/O

圖

1

頭部輪廓偵測

(HCD)

系統流程圖

工研院的形態學 (morphology) [4]、中研院資訊科學研究所

(

形態學) [5]及中央大學資工系的膚色分群[6]等。而在國外的學術界則有樣板比對 (template-based approaches) [7]、特徵萃取 (feature-invariant approaches) [8] 、外觀範例

(appearance-based approaches) [8]

及小波分析 (wavelet

analysis approaches) [9]

等數種方法，綜合介紹可參考[10]。

從以上文獻我們知道，人臉偵測之主流皆以膚色為線索，

再進一步發展出各自之演算法以用於偵測。然而，眾所周知膚色對於光線變化非常敏感，於實用場景性能表現起伏頗大且易受影響。由於灰階影像對於光線變化較彩色影像來得小，且目前在複雜背景下，單一人臉的特徵定位偵測技術仍然缺乏一個快速又有效的方法。因此，我們利用在空間領域下人臉前景與景物背景之影像特性差異及頭部輪廓特徵，提出了一個新穎、有效且快速的頭部輪廓偵測法，

在單一人臉的複雜背景下，可有效的克服複雜背景所造成的偵測困難度。本論文結構主要可分為四大節，第一節為研究背景、動機及文獻回顧。第二節為研究方法，包括影像前處理及頭部輪廓偵測之演算法。第三節的內容為實驗的結果與討論。結論與未來方向詳見第四節。

二、研究方法

經由三種不同來源的人臉資料庫之能量分析，我們發現單一人臉影像其在空間領域呈現之能量分佈與複雜背景之特性有著明顯之差異。據此，本研究提出如圖 1 之頭部輪廓偵測 (HCD) 演算法來自動排除背景干擾以正確地偵測出人臉臉部區塊。此系統之流程主要可分成三大部份：

能量分析、二值化處理及人臉偵測定位。

1.

能量分析

因設

I

為輸入之灰階影像，如圖 2，則 I (x, y) 為像素

(x, y)

的灰階值 (gray level)。使用如圖 3 大小為

3

×

3

^的罩子 (mask)，配合方程式(1)及(2)計算出每一個像素之局部 能量 (local energy) E(x, y)。

1 [ ( I x 1, y 1) I x y ( , 1) I x ( 1, y 1)

μ=

N

− − + − + + −

圖

2

輸入影像

I (x

− 1, y − 1)

I (x, y

− 1)

I (x + 1, y

− 1)

I (x

− 1, y)

I (x, y) I (x + 1, y) I (x

− 1, y + 1)

I (x, y + 1) I (x + 1, y + 1)

圖

3 3

×

3

罩子

MOE = 60 14000

11200 8400 5600 2800

0 100 200 300 400 7600

Energy

Number of occurrence

圖

4

以圖

2

繪出影像之能量分佈圖

( 1, ) ( , ) ( 1, ) ( 1, 1)

I x y I x y I x y I x y

+ − + + + + − +

( , 1) ( 1, 1)]

I x y I x y

+ + + + +

(1)

1 1 2

1 1

( , ) 1 ( ( , ) )

i j

E x y I x i y j

N

μ

=− =−

= ∑ ∑ + + −

(2)

其中，μ 為罩子的平均灰階值，N 為罩子的像素數，

I(x, y)

為像素 (x, y) 的灰階值，E(x, y) 為像素 (x, y) 的局 部能量。

計算出每一個像素之局部能量後，我們再利用方程式

(3)

算出整張影像區域能量的全體平均值 (mean of energy,

MOE)

，並畫出圖 2 其整張影像之能量分佈圖 (histogram)，

如圖 4。

1 1

0 0

1

^W_x ^H_y

( , )

MOE E x y

W H

− −

= =

= ∑ ∑

×

(3)

其中，W 為影像的寬度，H 為影像的高度。

(3)

圖

5

二值化處理後之影像

2.

二值化處理

設 B 為二值化處理後之影像，而 B(x, y) 為像素 (x, y) 的灰階值，如圖 5 為圖 2 之二值化處理後之影像。設 T 為 二值化之臨界值 (thresholding value)，我們將影像中區域 能量大於臨界值 T 的像素，令其灰階值為 255，反之為 0，

以下式(4)可表示為：

( , ) Thresholding of ( ( , ))

B x y

=

I x y

255, if ( , ) 0, others

E x y

≥

T

= ⎨⎧

⎩

(4)

其中，T = MOE + σ 為二值化之臨界值，σ 為標準差。另外，Thresholding of (⋅) 為二值化影像處理。由於影像能量之平均值會因影像之背景及光線而隨之改變，故臨界值可自動計算取得。

3.

人臉偵測

(

一) 頭角偵測法

由於人臉前景與週遭景物背景取像在能量影像空間呈現明顯的強度落差，經過二值化處理後，人臉輪廓變得更為明顯尤其是頭部角之圓弧狀非常清晰。接著，我們利用邊緣偵測技術 (edge detection)

[11]

去找出人臉頭部角特有的圓弧輪廓，再藉由臉部側面之組合進而定出真正為人臉的區塊。緣於本方法是作為人臉偵測的依據，因此我們稱此方法為頭部輪廓偵測法。現在我們先來介紹本研究所提出的頭部輪廓偵測法，如何有效找出人臉的輪廓。首 先，把圖 5 之二值化影像 B，分別針對水平及對角 從左到右、從右到左共四個方向作二值化點數的投影。而水平及對角投影範圍的大小取輸入影像寬度最小那一邊的大小，如圖 6 所示。接下來我們再利用邊緣偵測技術分別針對每一張點數投影分佈圖，找出可能為頭部的邊緣。首先是針對點數投影分佈圖的波形的變化程度，找出有明顯變化的局部

(a) (b)

(c) (d)

S11 S12S13 S14 X11 X12 X13

X23 X21 X24 X22 S23 S22 S21

Y

X

Y X Y

X Y

X

圖

6 (a)

對角從左到右點數投影圖

(b)

水平從左到右點數投影圖

(c)

對角從右到左點數投影圖

(d)

水平從右到左點數投影圖

圖

7

選出可能為頭部邊緣的直線

區域，即明顯有波峰與波谷差異的部分，如圖

6(a)

、(b)、(c)及(d) 所示。然後把所有找出來的邊緣都列為可能頭部的邊緣，再作進一步的篩選與確認 (請見下一小節)，如圖 7 選出可能為頭部邊緣的所有直線。

(

二) 人臉偵測之確認

如圖 8，我們建議使用的「邊緣確認法則」針對頭部輪廓可能邊緣所標示出的變數及其相對位置，以 作為方程式 (5)~(15) 運算的參考座標。設 S1 為對 角從左到右點數投影圖所找出可能為頭部的邊

(4)

(0, 0) (W, 0)

(0, H) (W, H)

Y1-Z

Y1-Z Y1

S1

Y2-Z

Y2+Z Y2

S2 S2 S1

Z/2

X1 X2

Z

LD1 LV1

LD2 RD2

RV1

RD1

RV2 LV2

圖

8

頭部可能邊緣之確認法則

緣，S2 為對角從右到左點數投影圖所找出可能為 頭部的邊緣，X1 為水平從左到右點數投影圖所找 出可能為頭部的邊緣，X2 為水平從右到左點數投 影圖所找出可能為頭部的邊緣。Z 為點數計算之區 域，從實驗資料庫分析得知人頭長寬比例約為 6：

4

，故設 Z = H/4。檢驗所有的投影圖可得下列邊緣 直線集合，即

1 { 11, 12, 13, 14, }

S

∈

S S S S ...

2 { 21, 22, 23, 24, ...}

S

∈

S S S S

1 { 11, 12, 13, 14, ...}

X

∈

X X X X

2 { 21, 22, 23, 24, ...}

X

∈

X X X X

利用上述所提之 S1、S2、X1 以及 X2 四條邊線就 可以決定出人臉的區域，不過由於受到背景景物之影響，每個方向都不止只有一個可能的邊緣，因此會產生許多個可能是人臉區域的組合 (人臉候選區塊)。為了達到有效的人臉擷取，我們採用計算

S1

、S2、X1 以及 X2 之可能為人臉邊緣的二值化 點數之和，並利用所算出來的數值作為篩選人臉定位的依據。

首先，我們先針對可能為頭部左邊的邊緣 (S1 及 X1) 作下列的運算：

1 1

# LV 1

= ∑^Y_{i Y}_{= −}⁻1_Z

Nr B x i ( ( , )) (5)

1 1

# LV 2

= ∑^Y_{i Y}₌^{+ −}1^Z

Nr B x i ( ( , )) (6)

2 1

# LD 1

=∑i^Z₌⁻0

Nr B X ( ( 1

−

i Y , 1

+

i )) (7)

2 1

# LD 2

=∑i^Z₌⁻0

Nr B X ( ( 1

+

i Y , 1

−

i )) (8)

# LE

=

# LV 2

+

# LD 2 (9)

其中，

圖

9

人臉偵測之結果

1, if ( , ) 255 ( ( , ))

0, if ( , ) 0 B x y Nr B x y

B x y

⎧ =

= ⎨⎩ =

#LV1

為頭部左邊箭頭朝上之點數，#LV2 為頭部左 邊箭頭朝下之點數，#LD1 為頭部左邊箭頭朝左下 角之點數，#LD2 為頭部左邊箭頭朝右上角之點 數，#LE 為#LV2 及#LD2 之點數總和。

接下來的是針對可能為人臉右邊的邊緣 (S2 及 X2) 作下列的運算：

1 1

# RV 1

= ∑^Y_{i Y}_{= −}⁻1_Z

Nr B x i ( ( , )) (10)

1 1

# RV 2

= ∑^Y_{i Y}₌^{+ −}1^Z

Nr B x i ( ( , )) (11)

2 1

# RD 1

=∑i^Z₌⁻0

Nr B X ( ( 1

+

i Y , 1

+

i )) (12)

2 1

# RD 2

=∑^Zi₌⁻0

Nr B X ( ( 1

−

i Y , 1

−

i )) (13)

# RE

=

# RV 2

+

# RD 2 (14)

其中，#RV1 為頭部右邊箭頭朝上之點數，#RV2 為 頭部右邊箭頭朝下之點數，#RD1 為頭部右邊箭頭 朝右下角之點數，#RD2 為頭部右邊箭頭朝左上角 之點數，#RE 為#RV2 及#RD2 之點數總和。

利用以上運算所得之數據，我們就可篩選出真正為 人臉的區塊，完成人臉定位的偵測。只要 S1、S2、

X1

、X2 這四條可能為頭部的邊線都符合式子 (15) 所設定之條件後，選取#LE 與#RE 各為最大值所圍 成的區域, 即為所要的人臉區塊，如圖 9 黑色框線所示即為 HCD 演算法最後得到之人臉偵測定位結果。

(#LV2 > #LV1) && (#LD2 > #LD1) &&

(#RV2 > #RV1) && (#RD2 > #RD1) &&

(#LV2 > Z/4) && (#LD2 > Z/8) &&

(#RV2 > Z/4) && (#RD2 > Z/8) (15)

(5)

三、實驗結果與討論

為了可以有效測試出我們系統的偵測率與定位效果，我們分別針對 BioID [12]、VISIONICS [13]、DCL [14]

這三個人臉影像資料庫進行測試，實驗數據詳見表一至三

(

偵測率之計算係以正確偵測張數除以資料庫張數而得)。

此外，為進行同儕間之評量，我們特地使用大型資料庫

BioID

來實施與其他研究相關方法之實驗結果比較，如此一來除有助於了解本研究之優劣所在外，更可作為未來繼續改進與更進一步推廣的參考。由於人臉偵測定位之精確與否目前在學術界並無共同一致之標準，亦即人臉區塊要框到何種範圍與大小才算正確並無規範可循。因而在本測試實驗中，我們參酌參考資料[10]分別定義了以下三種可能之結果：

正確：人臉區塊完整擷取出來。

失誤：人臉區塊未完整擷取出來。

失敗：人臉遺失。

1. BioID

資料庫人臉偵測

在學術界上，這是一個非常有名之影像資料庫，共有

1,521

張大小為 384 × 286 像素的影像。由於 BioID 的取像環境、人員表情、及光線變化相當複雜，是頗有難度之資料庫，其測試出來的結果較有公信力適合做同儕間演算法評比。所以我們把本實驗得到的結果與 Garcia 及 Delakis 的 Convolutional Face Finder (CFF) [15]及英特爾 (Intel) 公司研究人員所提出的 BuFaLo (Biometric Base Unit for Face

Localization)

演算法[16]之實驗結果進行比較。值得一提的是CFF演算法以提供世界各國研究人員上傳其測試影像進行線上計算聞名，而 BuFaLo 則是採取人臉偵測研究人員一直奉為基準 (baseline) 比較演算法的 AdaBoost [17]進行改良後所提出的昇級版。如圖 10 及表一為 BioID 資料影像庫的實驗範例影像與偵測率比較，由測試結果得知我們的方法擁有最好的成效。仔細檢視圖 10 之範例影像，我們發現每一種演算法各擅其長、各有其優劣所在；如圖 10(a)-

(c)

，除圖 10(b) 的 CFF 偵測結果外，三個方法都有正確的輸出；圖 10(d) 人臉有明顯的側偏，我們的方法(HCD) 可以正確的把人臉偵測出來，而 CFF 及 BuFaLo 偵測器卻失敗；圖 10(e) 的結果雖類似圖 10(d)，但我們的人臉輸出框架卻有些過大，導致部份非人臉區域也被納入；圖 10(f) 是一個較為極端的例子，但在實際生活場景也有可能會發生。雖然我們的輸出出現框到的非人臉範圍而判為人臉，

但相較之下其他二個方法卻誤以為無人臉存在、即所謂的人臉遺失；圖 10(g) 人臉呈現有平面 (rotation in plane) 及深度 (rotation out of plane) 的旋轉動作，我們的測試結果及 BuFaLo 輸出均失敗，但 CFF 測試器卻正確的把人臉偵測出來。

CFF

是新研究領域迴旋式類神經網路的架構，而

BuFaLo

係以弱勢分類器 (weak classifier) 串接形成前後級

(a)

(b)

(c)

(e) (d)

(f)

(g)

圖

10 BioID

資料庫影像的實驗結果：左邊欄位為我們

的測試結果，中間欄位為

CFF

演算法的測試結果，右邊欄位為

BuFaLo

演算法的測試結果

(

內框用以標示人臉區塊，外框則用以標示整個人頭區塊

)

推進反覆學習的演算法。此兩者組成單元雖有所差異但其基本原理則頗為相似，亦即皆是從已蒐集到的樣本中學習人臉之定義為何。吾人常以為欲區分人臉/非人臉區塊輕而易舉，但對自動化機器而言其實不然，實際生活上人臉會常因化妝、裝飾物、眼鏡、帽子、髮型、鬍鬚、膚色、表情

(6)

表一

HCD

、

BuFaLo

及

CFF

方法於

BioID

資料庫

(1521

張

)

測試比較結果

(

註：失誤與失敗計為同一類

)

方法正確 (張) 失敗 (張) 偵測率 (%)

HCD 1490 31 97.96

BuFaLo 1411 110 92.77

CFF 1477 44 97.11

表二各資料庫之偵測率比較

資料庫名稱張數成功失敗偵測率 (%)

BioID 1521 1490 31 97.96

VISIONICS 113 105 8 92.92

DCL 78 73 5 93.59

總計 1712

1668 44 97.43

表三各資料庫之每張影像平均執行時間比較

資料庫名稱影像大小平均執行時間

BioID 384

× 286

1.4 Sec

VISIONICS 224

× 236 ~ 640 × 480

1.6 Sec

DCL 640

× 480

1.9 Sec

及姿態等因素產生許多變化而使得人臉與非人臉之區隔產生很大的變化 (變異性)。因此，在學習訓練演算法中人臉

/

非人臉的樣本蒐集變的非常棘手，因我們無法取得全世界所有的人臉/非人臉樣本。從以上的解析不難發現以下兩點觀察：

(

一) 在有限的樣本總數下，過多的人臉樣本往往會導致非人臉誤判為人臉之比率偏高 (overfitting)；相反地，過少的人臉樣本則會因推廣 (generalization) 能力不足造成真正的人臉區域無法正確判斷得到。這種現象在 CFF 及 BuFaLo 中均顯現出來，

尤其是 BuFaLo 使用的串接式架構使得前級錯誤往後級傳遞累積所導致的誤判率相形之下更顯嚴重。

(

二) 實用的生活情境常無法事先空出時間進行學習，同時使用者也未必同意進行大量的樣本取樣學習。綜觀言之，不需樣本取樣事先學習的方法，如本研究所提之演算法方是可行之道。

另外，我們也跟先前有使用 BioID 資料庫作為測試資料庫的文獻報告相比較，如後資料所示：Wu 及 Zhou (94.5%) [7]；

BioID

公司本身的研究人員 Kirchberg 等人 (2001 年 91.8%、

2002

年 92.8%) [18]，與 Tan 及 Zhang (92.8%) [19]等；進一步的相較之下，很顯然地我們的方法獲得了優異的結果。

2. VISIONICS

資料庫

這是一家美國專門從事人臉偵測與識別之公司所提供之影像資料庫，共 113 張影像大小不一，從最小為 224 ×

236

到最大為 640 × 480 像素，偵測率為 92.92%、每張影

像平均執行時間為 1.6 秒，如表二及表三。由於此資料庫的影像大小不一造成點數投影範圍難以控制，另外影像亮度亦較暗，以致其偵測率相較於其他兩個資料庫來得低，

如圖 11(a)-(f) 為部份 VISIONICS 資料庫影像的實驗結果。

3. Digital Communication Lab (DCL)

資料庫

這個資料庫是我們實驗室於課餘不同時段所自行拍攝之影像，一共只有 78 張，影像大小固定為 640 × 480 像素、偵測率為 93.59%，平均偵測時間為 1.9 秒，如表二及表三，圖 12(a)-(e) 為部份 DCL 資料庫影像的實驗結果。

由實驗結果研判推論，本資料庫之偵測率較 BioID 資料庫為低的原因，有以下二點：

(

一) DCL 資料庫的影像是日光燈的環境下所攝取，影像會出現光線分佈不均勻及陰影的現象。

(

二) DCL 資料庫影像的灰階值呈現離散之分佈，並非一般影像所呈現的連續分佈，這些現象都與影像攝取的環境有很大的關係。

綜合以上三個資料庫的測試結果，平均偵測率為

97.43%

，如表二。至於執行時間與影像大小有很大的關係，平均執行時間估計約為 2 秒以內，詳細資料請參考表三。以上各資料庫之平均執行時間，係於 Intel Core i7-965

3.2 GHz PC

執行所得。由測試結果得知，雖然本方法可以有效的克服大多數未經控制的環境所造成的偵測困難度，

以達到有效且快速的效果，但是仍有少部份人臉影像由於旋轉角度過大、臉部不完整、或眼鏡反光等問題造成偵測失誤或失敗。

(7)

(a) (b) (c) (d) (e) (f) 圖

11 VISIONICS

資料庫影像的實驗結果

(a) (b) (c) (d) (e)

圖

12 DCL

資料庫影像的實驗結果

四、結論

在本論文研究中，我們利用空間領域下人臉前景與景物背景能量差異之特性及頭部輪廓特徵，提出了一個新穎、有效且快速的頭部輪廓偵測法。由實驗結果得知，本方法確實可以有效的克服未經控制的環境所造成的偵測困難度，以應用於複雜背景下之單一人臉偵測定位。在計算效能較弱的裝置，如手機應用於人臉偵測辨識登入時，其首要條件即是及時、精確的人臉定位且使用者容易上手不需大量樣本訓練。實驗結果證明我們的方法已達到了以上的要求，因此本研究之成果值得進一步推廣。

參考文獻

1. Li, D. -Y. and Liao, W. -H., “Facial Feature Detection in Near-Infrared Images,” CVPRIP2003, Cary, NC, USA (2003).

2.

賴惠英，「基於人臉五官特徵定位技術的即時多人臉追蹤系統」，碩士論文，國立臺灣科技大學，台北 (2008)。

3. Ho, I. J., Chen, T. S., and Cheug, C. Y., “An Efficient Face Detection Method Using Skin-Color Discovering and Chain Code,” Machine Graphics & Vision International Journal, Vol. 11, No. 2/3, pp. 241-256 (2002).

4. http://www.itri.org.tw/index.jsp

5. Han, C. -C., Liao, H. -Y. M., Yu, G. -J., and Chen, L. -H.,

“Fast Face Detection Via Morphology-Based Pre-Process- ing,” Lecture Notes in Computer Science, Vol. 1311, pp.

469-476 (1997).

6.

林群雄，「基於三角幾何學及顏色特徵作人臉偵測、人臉角度分類與人臉辨識」，博士論文，國立中央大學，

桃園 (2001)。

7. Wu, J. and Zhou, Z. -H., “Efficient Face Candidates Selector for Face Detection,” Pattern Recognition, Vol. 36, No. 5, pp. 1175-1186 (2003).

8. Zhang, J., Yan, Y., and Lades, M., “Face Recognition:

Eigenface, Elastic Matching, and Neural Nets,” Procee- ding of the IEEE, Vol. 85, No. 9, pp. 1423-1435 (1997).

9. Garcia, C., Zikos, G., and Tziritas, G., “Wavelet Packet Analysis for Face Recognition,” Image and Vision Com- puting, Vol. 18, No. 4, pp. 289-297 (2000).

10. Yang, M. H., Kriegman, D. J., and Ahuja, N., “Detecting Faces in Images: A Survey,” IEEE Transactions on Pat- tern Analysis and Machine Intelligence, Vol. 24, No. 1, pp.

34-58 (2002).

11. Gonzalez, R. C. and Woods, R. E., Digital Image Processing 2

^nd

ed, Prentice-Hall, USA (2002).

12. http://www.humanscan.de/support/downloads/facedb.php 13. http:/ /www.identix.com/

14. http://140.127.115.192/

15. Garcia, C. and Delakis, M., “Convolutional Face Finder:

A Neural Architecture for Fast and Robust Face Detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26, No. 11, pp. 1408-1423 (2004).

16. Lienhart, R., Kuranov, A., and Pisarevsky, V., “Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection,” 25

^th

Pattern Recognition Symposium (DAGM'03), Madgeburg, Germany, pp.

297-304 (2003).

17. Viola, P. and Jones, M., “Robust Real-Time Face

(8)

Detection,” International Journal of Computer Vision (IJCV), Vol. 57, No. 2, pp. 137-154 (2004).

18. Kirchberg, K. J., Jesorsky, O., and Frischholz, R. W.,

“Genetic Model Optimization for Hausdorff Distance- Based Face Localization,” ECCV 2002 Workshop on Biometric Authentication, Copenhagen, Denmark, Vol.

LNCS-2359, pp. 103-111 (2002).

19. Tan, H. and Zhang, Y. -J., “A Novel Weighted Hausdorff Distance for Face Localization,” Image and Vision Com-

puting, Vol. 24, No. 7, pp. 656-662 (2006).

2009年 02 月 05 日收稿 2009年 02 月 13 日初審 2009年 03 月 18 日複審 2009年 04 月 03 日接受