導師佈置了任務，讓我們沒人每週精讀幾篇大牛論文，並且寫ppt。因爲最近研究的主題是人臉識別，剛好看到有人總結了人臉識別那些必看的文章（各位可以直接移步去鏈接），於是就想不如按照這個順序讀，並且寫寫停滯了好久的博客。
下面這篇文章是轉的，不過剛好可以拿來當做我接下來系列博客的目錄。
--------------------------------------------------------------------------------------------------
摘要：人臉識別技術，特指利用分析比較人臉視覺特徵信息進行身份鑑別的計算機技術，主要包括人臉檢測、人臉跟蹤、人臉對比三部分。
人臉檢測、追蹤
其目的主要是在圖像或視頻中找到各個人臉所在的位置和大小，但是對於追蹤而言，還需要確定幀間不同人臉的對應關係。
推薦文章1：（點擊此處下載）
我的閱讀理解：（點擊閱讀）
Robust Real-time Object Detection. Paul Viola, Michael Jones. IJCV 2004.
該篇文章是Viola發表的一系列文章中引用率最高的一篇，該文章使人臉檢測真正變得實際可用。
推薦文章2：（點擊此處下載）
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應用於物體檢測，並且提出了一個比較成熟實用的多姿態人臉檢測框架，其提到的nest結構對cascade結構的改進也有不錯的效果。
推薦文章3：（點擊此處下載）
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模型和跟蹤、離線模型和在線模型進行了很好的結合，且獲得了CVPR 2007 Best Student Paper，是中國大陸學生第一次獲此殊榮的代表之作。
人臉特徵點定位
目的是在人臉檢測、追蹤獲取人臉區域的基礎上，進一步確定人臉特徵點（眼睛、嘴巴中心點、嘴巴輪廓特徵點、器官輪廓特徵點）的位置。其基本思路主要是將人臉局部器官的紋理特徵和器官特徵點之間的位置約束進行整合處理。
推薦文章4：（點擊此處下載）
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.
比較早期的人臉特徵點定位，主要集中在定位眼球中心點和嘴巴中心點等兩三個關鍵點上，但是後來引入了更多的點，且加入了相互約束，提高了定位的精度和穩定性。該文章是數十個臉部特徵點和紋理和位置關係約束一起考慮進行計算的模型，堪稱經典。
推薦文章5：（點擊此處下載）
Boosted Regression Active Shape Models. David Cristinacce and Tim Cootes. BMVC, 2007.
雖然ASM改進的文章比較多，但值得一提的是AMM模型，除此之外的另一個重要思路便是改進原文章基於邊緣紋理的模型。這篇文章所給出的基於迴歸方式表示紋理模型的方式比基於分類表觀模型的方法更好。
推薦文章6：（點擊此處下載）
Face Alignment by Explicit Shape Regression. Xudong Cao, Yichen Wei, Fang Wen, Jian Sun. CVPR 2012.
該文章是ASM改進的另一個方向，是對形狀模型本身的改進。是基於訓練樣本的線性組合來約束形狀的，其在alignment的效果上是目前看到最好的。
人臉表示
根據人臉特徵點的位置，對人臉進行幾何校正並割取人臉區域之後，獲得最具鑑別能力的特徵過程。
推薦文章7：（點擊此處下載）
Eigenfaces for recognition. M. Turk and A. Pentland. Journal of Cognitive Neuroscience. 1991.
基於PCA的特徵臉是人臉識別最經典的算法之一，雖然今天的PCA在實際系統中更多的是用來降維，而不是分類，但是如此經典的方法，值得大家去關注。
推薦文章8：（點擊此處下載）
Local Gabor Binary Pattern Histogram Sequence (LGBPHS):
A Novel Non-Statistical Model for Face Representation and Recognition
該文章較接近於很多成熟商用系統思路，在很多實際系統中，一個提取鑑別信息的框架就是PCA和LDA，用PDA進行降維避免LDA求解的矩陣奇異問題，然後用LDA提取跟適合分類的特徵，更進一步將各種原始特徵進行鑑別提取後決策級融合。
推薦文章9：（點擊此處下載）
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的測試協議有一些不盡合理的地方，但是確實目前最接近實際數據的人臉識別庫。本篇文章，在採用精確定位點作爲參考對人臉進行多尺度、多局部區域的表示思路很值得借鑑，可以和各種表示方法結合。
隨着科技的不斷髮展，人臉識別已經悄然應用於各個領域，包括最近的虛擬現實和昨日小編提到的變臉技術，我們都可以發現人臉識別的身影，未來的人臉識別，看了這些文章，大家細細揣摩~