2024年3月10日发(作者：伟向荣)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
第
17
卷第
1
期
2005
年
1
月
计算机辅助设计与图形学学报
JOURNALOFCOMPUTER-AIDEDDESIGNSCOMPUTERGRAPHICS
Vol.17
，
No.1
，
Jan.2005
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
张晓华山世光曹波高文周德龙赵德斌
（中国科学院计算技术研究所数字化研究室
（
s
g
shan!
）
北京
100080
）
摘要人脸图像数据库是人脸识别算法研究、开发、评测的基础，具有重要的意义
.
介绍了自行创建并已经部分共
享的
CAS-PEAL
大规模中国人脸图像数据库及其基准测试结果
.CAS-PEAL
人脸图像数据库中包含了
1040
名中国
人共
涵盖了姿态、表情、饰物和光照
4
种主要变化条件，部
99450
幅头肩部图像
.
所有图像在专门的采集环境中采集，
分人脸图像具有背景、距离和时间跨度的变化测试子库已经公开发布
.
目前该人脸图像数据库的标准训练、
.
与其他
图像变化条件等方面具有综合优势，将对已经公开发布的人脸图像数据库相比，
CAS-PEAL
人脸图像数据库在人数、
人脸识别算法的研究、评测产生积极的影响
作为以东方人为主的人脸图像数据库，
.
同时，
CAS-PEAL
人脸图像数据
库也使人脸识别算法在不同人种之间的比较成为可能，利于人脸识别算法在国内的实用化
.
还给出了两种基准人脸
识别算法（
E
和两个著名商业系统在该人脸图像数据库上的测试结果，定量分析了该人脸图像
i
g
enface
和
Correlation
）
数据库对于人脸识别算法的难易程度和人脸识别算法的发展现状
.
关键词人脸识别；人脸图像数据库；性能评测
中图法分类号
TP391
CAS-PEAL
：
ALar
g
e-ScaleChinesefacedatabaseandSomePrimar
y
Evaluations
Zhan
g
XiaohuaShanShi
g
uan
g
CaoBoGaoWenZhouDelon
g
ZhaoDebin
100080
）（
Di
g
itallab
，
Instituteo
f
Com
P
utin
g
Technolo
gy
，
Chineseacadem
y
o
f
Sciences
，
Bei
j
in
g
Asthebasisofresearch
，
develo
p
mentandevaluationoffacereco
g
nitional
g
orithms
，
faceima
g
e
databaseisof
g
reatim
p
p
a
p
er
，
weintroducetheconstructionandbasiccontentoftheCAS-
PEAL
，
lar
g
e-scaleChinesefacedatabaseandsome
p
rimar
y
Abstract
CAS-PEALfacedatabaseconsistsof99450facialima
g
ima
g
esinthe
databasewerecollectedins
p
eciall
y
desi
g
nedenvironmentwithfour
p
rinci
p
alvariationsof
p
ose
，
ex
p
ression
，
accessor
y
andli
g
htin
g
，
aswellasthreeothervariationsintermsofback
g
round
，
distanceanda
g
in
g
.
Currentl
y
，
thestandardtrainin
g
setand
p
robesetofCAS-PEALfacedatabasehavebeenmade
p
ublicl
y
availableforresearch
p
ur
p
oseonl
y
onacase-b
y
-
p
aredwithother
p
ublicfacedatabases
，
CAS-
PEALexcelsinitslar
g
e-scaleandvariationmodesandisex
p
ectedtohave
p
ositiveim
p
actonthe
develo
p
mentandevaluationoffacereco
g
nitional
g
tion
，
asanorientalfaceima
g
edatabase
，
CAS-PEALmakes
p
ossiblethecom
p
arisonofal
g
orithms
’
p
erformancebetweendifferentethnic
g
rou
p
sand
willbenefitthea
pp
licationoffacereco
g
nitiontechnolo
gy
p
a
p
eralso
g
ivestheevaluation
resultsoftwobasicfacereco
g
nitional
g
orithms
（
Ei
g
enfaceandCorrelation
）
andtwocommercials
y
stems
，
ex
p
lainsthedifficult
y
ofthedatabasetothefacereco
g
nitional
g
orithmsandanal
y
sesthecurrent
develo
p
mentstatusoffacereco
g
nitiontechnolo
gy
.
Ke
y
wordsfacereco
g
nition
；
facedatabase
；
p
erformanceevaluation
收稿日期：修回日期：
2004
-
05
-
10
；
2004
-
09
-
06
基金项目：国家“八六三”高技术研究发展计划项目（；国家自然科学基金重点项目（
2001AA114010
）
60332010
）
10
计算机辅助设计与图形学学报
2005
年
于其变化模式较少，多数系统的识别率均可以达到
!
引言
因此进一步利用的价值已经不大
90%
以上，
.
［］
（
7
）
PF01
人脸库
9
.
由韩国浦项科技大学创
姿态、表情的面
建，包含
103
人的
1751
幅不同光照、
部图像，志愿者以韩国人为主
.
［］
（
8
）
AR
人脸库
10
.
由西班牙巴塞罗那计算机
视觉中心建立，包含
116
人的
3288
幅图像
.
采集环
境中的摄像机参数、光照环境、摄像机距离等都是经
人脸识别的研究工作自
20
世纪
60
年代开始以
已成为图像分析和理解来，经历了近
40
年的发展，
［
1
］
目前，领域最热门的研究内容之一人脸识别技
.
术已经从实验室中的原型系统逐渐走向了商用，出
［
1-3
］
然而，现大量的识别算法和若干商业系统人脸
.
识别的研究仍旧面临着巨大的挑战，人脸图像中姿
过严格控制的
.
态、光照、表情、饰物、背景、时间跨度等因素的变化
对人脸识别算法的鲁棒性有着负面的影响，一直是
影响人脸识别技术进一步实用化的主要障碍
［
2-3
］
.
多数人脸识别算法的研究、开发和测试需要更多的
人脸图像来克服上述障碍，主要包括两方面：人脸图
像数据库（简称人脸库）所包含的人数以及人脸库中
每个人所具有的、在不同条件下的人脸图像数
.
目前，人脸识别领域常用的人脸库主要有：
（
1
）
FERET
人脸库
［
2
］
.
由
FERET
项目创建，
包含
14051
幅多姿态、光照的灰度人脸图像，是人脸
识别领域应用最广泛的数据库之一
.
其中的多数人
脸图像是西方人的，每个人所包含的人脸图像的变
化比较单一
.
（
2
）
MIT
人脸库
［
4
］
.
由麻省理工大学媒体实验
室创建，包含
16
位志愿者的
2592
幅不同姿态、光照
和大小的面部图像
.
（
3
）
Yale
人脸库
［
5
］
.
由耶鲁大学计算视觉与控
制中心创建，包含
15
位志愿者的
165
幅图像，包含
光照、表情和姿态的变化
.
（
4
）
Yale
人脸库
B
［
6
］
.
包含了
10
个人的
5850
幅多姿态、多光照的图像
.
其中姿态和光照变化的
图像都是在严格控制的条件下采集的，主要用于光
照和姿态问题的建模与分析
.
由于采集人数较少，
该数据库的进一步应用受到了比较大的限制
.
（
5
）
PIE
人脸库
［
7
］
.
由美国卡耐基梅隆大学创
建，包含
68
位志愿者的
41368
幅多姿态、光照和表
情的面部图像
.
其中的姿态和光照变化图像也是在
严格控制的条件下采集的，目前已经逐渐成为人脸
识别领域的一个重要的测试集合
.
（
6
）
ORL
人脸库
［
8
］
.
由剑桥大学
AT&T
实验
室创建，包含
40
人共
400
幅面部图像，部分志愿者
的图像包括了姿态、表情和面部饰物的变化
.
该人
脸库在人脸识别研究的早期经常被人们采用，但由
（
9
）
BANCA
人脸库
［
11
］
.
它是欧洲
BANCA
计
划的一部分，包含了
208
人、每人
12
幅不同时间段
的面部图像
.
（
10
）
KFDB
人脸库
［
12
］
.
包含了
1000
人，共
52000
幅多姿态、多光照、多表情的面部图像，其中
姿态和光照变化的图像是在严格控制的条件下采集
的
.
其志愿者以韩国人为主
.
（
11
）
MPI
人脸库
［
13
］
.
包含了
200
人的头部
3D
结构数据和
1400
幅多姿态的人脸图像
.
（
12
）
XM2VTS
人脸库
［
14
］
.
包含了
295
人在
4
个不同时间段的图像和语音视频片断
.
在每个时间
段，每人被记录了
2
个头部旋转的视频片断和
6
个
语音视频片断
.
此外，其中的
293
人的
3D
模型也可
得到
.
人脸库在提供标准的人脸图像训练、测试集合
的同时，还应该能对影响人脸识别性能的不同情况
进行模拟，以方便研究人员针对不同的关键问题进
行重点研究
.
但是，现有的人脸库大多存在数据量
较小或者图像变化情况比较单一的缺陷，而且提供
面部图像的志愿者多为西方人；由于东西方人在面
部特征上存在一定的差异，使用西方人的面部图像
进行识别系统的研究可能会给我们所开发的技术在
国内的应用带来不利因素
.
因此，建立一个大规模、
多样化的东方人脸库对国内人脸识别技术的发展将
会有极大的推动作用
.
CAS-PEAL
人脸库正是基于上述考虑而创建的
大规模、多变化的东方人脸库
.
该数据库的建立是
国家“八六三”高技术研究发展计划项目课题———
的一部
分，同时得到国家自然科学基金和国家“八六三”高
技术研究发展计划的资助，由中国科学院计算技术
研究所
-
银晨科技面像识别联合实验室负责建立
.
建
库工作开始于
2002
年
8
月，
2003
年
4
月最终完成，
“中文平台总体技术研究与基础数据库建设”
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
11
共采集并整理了
1040
位志愿者（其中
595
位男性，
的共
445
位女性）
99450
幅人脸图像
.CAS-PEAL
人
脸库中的所有图像分为姿态变化、表情变化、饰物变
化、光照变化、背景变化、距离变化和时间跨度变化
等
7
种变化模式子库，其中又以姿态（
p
ose
）、表情
（、饰物（和光照（
ex
p
ression
）
accessor
y
）
li
g
htin
g
）
4
种
变化为主（故简称为
PEAL
）
.
各个变化模式子库均
可以与姿态变化子库进行组合，以满足研究工作中
的不同要求变化模式两个方
.
本文将从采集环境、
统一的命名规则保存
.
多摄像头同时拍摄获取多角
度图像的方法，与使用单个摄像头拍摄而由被采集
者转动头部获取多角度图像的方法相比，很好地控
制了图像之间的角度变化，能保持角度间隔的一致
性，更有利于研究多视角人脸识别问题
.
（）多光源分布环境
为获得一致均匀的自然环境光，同时也为了便
于控制，我们完全遮挡了室外光线，用太阳灯照射粗
糙的白色墙壁，利用其反射光来模拟自然环境光照，
面介绍
CAS-PEAL
人脸库，并结合几种人脸识别算
法和商业系统在该数据库已经发布的基准训练、测
试子库上的测试结果，进一步说明
CAS-PEAL
人脸
库用于人脸识别系统性能评测的难易程度，并简要
分析了目前最好的人脸识别算法的性能
.
CAS-PEAL
人脸库采集环境
采集环境是建立人脸库所需要的基本硬件条
件，包括摄像头和控制设备的布局、光照环境的建立
等
.
这些硬件的组织和应用将直接影响人脸库的特
性和质量
.
在建立
CAS-PEAL
人脸库之前，我们对
采集环境进行了认真设计，以求在现有的硬件条件
下达到最佳的采集效果
.CAS-PEAL
人脸库的采集
环境主要具有了以下几个特点
.
（
1
）多角度摄像头图像采集系统
为获得多角度的人脸面部图像，我们采用了多
摄像头的采集系统布局
.
编号从
0!
的
9
个摄像
头在半圆形框架上成等角度分布，摄像头分布示意
图如图
1
所示
.
被采集对象位于半圆形摄影架的圆
心位置，调整椅子高度以使被采集人正对
!
4
摄像
头
.9
个摄像头通过
S
连接线连接到
PC
机，由程
序统一控制
9
个摄像头进行拍摄
.
每次拍摄时，
0!
号摄像头依次抓取图像（总耗时小于
s
），并按照
图
1
摄像头在水平面上的排列
模拟自然环境光的光源叫作环境光源
.
为了获取不同光照条件下的面部图像，我们在
个垂直方向（上、中、下）和每个垂直方向的
5
个水
平方向上共布置了
15
个光源，并按照光源所处的垂
直和水平位置分别对每个光源进行了编号
.
由于这
个光源对被拍摄者的面部来说都具有很强的方
向性，因此我们称这
15
个光源为方向光源
.
方向光
源的分布示意图如图
所示
.
图
光照设备布局
在多光照模式的拍摄过程中，首先关闭所有光
源，每次只打开
1
个方向光源进行拍摄
.
每次变换
方向光，
9
个摄像头都同时工作，采集
9
幅不同角度
的面部图像
.
多光源分布环境结合多角度的摄像头
系统，使得我们的光照变化图像更加丰富，有利于研
究者研究多光照条件下的人脸识别问题
.
（
）多饰物选择
我们预备了
种不同样式的眼镜和
种不同样
式的帽子，要求被采集者依次佩戴这
种饰物进行
拍摄
.
每次更换饰物，
9
个摄像头均同时工作拍摄不
同视角的图像
.
15
2
12
计算机辅助设计与图形学学报
2005
年
（
4
）背景变化
很多情况下，进行人脸识别时所用的摄像头被
打开了自动白平衡功能
.
在遇到背景颜色变化的情
况时，由于摄像头的白平衡功能，所摄取的图像会有
较大的色彩变化
我们在采集环境中设置了
5.
因此，
种不同颜色的背景，默认的拍摄背景为蓝色；此外，
在红色、黑色、黄色、白色背景条件下各进行了一次
环境光照模式的图像拍摄
.
在多光照模式的拍摄情
况下，我们也采用了白色背景每次变换背
.
同样地，
景，
9
个摄像头同时拍摄不同视角图像
.
（
1
）姿态子库
在环境光照模式下，要求志愿者变换平视、抬
头、低头
3
种姿态分别进行拍摄，每次变换俯仰姿态
时，多角度摄像头系统一次拍摄，可同时获得同一俯
仰姿态下的、
9
幅水平深度旋转姿态变化的图像
.
因
此，姿态子库中的每个志愿者有
27
幅环境光照模式
下的标准姿态变化图像
.
姿态变化图像示例如图
3
所示
.
（
2
）表情子库
环境光照模式下，要求志愿者做出笑、皱眉、惊
讶、闭眼、张嘴
5
种表情，这
5
种都是造成面部特征
变化比较大的表情，有利于研究人脸识别算法对表
情变化的鲁棒性
.
表情子库的示例如图
4
所示
.
（
3
）饰物子库
环境光照模式下，志愿者佩戴
3
种不同的帽子
和
3
种不同的眼镜，如图
5
所示
.
3CAS-PEAL
人脸库图像变化模式介绍
CAS-PEAL
人脸库中总共包括
1040
人，
99450
幅人脸图像，这些图像可以划分为姿态、表情、背景、
饰物、光照、距离和时间等
7
个子库
.
图
3
每人的
27
幅姿态变化图像
图
4
表情子库中
5
种不同的表情
图
5
饰物子库中的
3
种帽子、
3
种眼镜饰物
（
4
）光照子库
采集光照子库图像时，环境光源关闭，每次打开
一个方向光源进行图像采集，如图
6
所示
.
（
5
）背景子库
红色、黑色、白
5
种不同的背景颜色包括蓝色、
色和黄色由于摄像头的白平衡
.
环境光照模式下，
功能，面部图像的色彩分布在每种背景颜色条件下
均有不同，如图
7
所示
.
（
6
）距离子库
环境光照模式下，改变志愿者与摄像头的相对
距离，获取到距离子库中每个志愿者的
3
种不同距
离的面部图像，其示例如图
8
所示
.
（
7
）时间跨度子库
随着时间的改变，人的面部特征会有一定的变
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
13
化引入了时间跨度子库，子库
.
在我们的人脸库中，
中的志愿者图像距离他们第一次被采集的图像有
6
个月的时间跨度，其图像示例如图
9
所示
.
图
6
光照子库中的
15
种方向光
图
7
背景子库中的蓝、红、黑、白、黄色
5
种背景
面图像子库和姿态图像子库
.
正面图像子库中包含
1040
人的共
9060
幅图像，
其中的所有图像均由编号为
!
4
的摄像头拍摄
.
子
库中涉及的变化条件如表
1
所示，其中，
377
人有
6
图
8
距离子库中
3
种不同的距离下的图像
种表情变化的图像，
438
人有
6
种面部饰物变化的
图像，
233
人有至少
9
种光照变化的图像，
297
人有
2!4
种背景变化的图像，
296
人有
1!2
种距离变化
的图像；此外，还有
66
人有
2
幅时间跨度变化的
图像
.
表
lCAS-PEAL-rl
的正面图像子库和姿态子库的图像情况
变化种类
正面子库标准
表情
1
5
!
"9
6
2!4
1!2
1
!
正面子库图像总数
姿态子库（
213>7
）
1040
人数
1040
377
233
438
297
296
66
图像数目
1040
1884
2450
2646
650
324
66
9060
21840
21840
图
9
时间跨度子库，第二行的图像为第一次
采集
6
个月后再次拍摄的图像
光照
饰物
背景
4CAS-PEAL-rl
共享人脸库
距离
时间
为了方便国内外人脸识别领域的研究者使用
我们提供了
CASCAS-PEAL
人脸库，
-PEAL
人脸库
［］
的共享版本
CAS-PEAL-r1
共
-PEAL-r1
15
.CAS
享库包含分为两个子库：正
1040
人的
30900
幅图像，
姿态子库图像总数
!
中性表情的标准正面图像没有包括在内
14
计算机辅助设计与图形学学报
2005
年
姿态图像子库中包含
1040
人的共
21840
幅图
像，每人
21
幅姿态变化的图像
.
姿态变化包括了
3
种俯仰姿态变化（抬头、平视、低头）和每种俯仰姿态
下的
7
种水平深度旋转姿态变化
.
CAS-PEAL
人脸库中的原图像为
640>480
像
素，
24
位
RGB
色彩的
BMP
位图图像
.
为了方便图
像的发布和共享，
CAS-PEAL-R1
库中的图像全部在
原图像的基础上进行了处理
.
图像大小被裁剪为
并去除了颜色信息转换为灰度图
360>480
像素，
训练集合多
.
除了模板匹配等少数简单算法，
数人脸识别算法都是需要进行训练的
我们
.
因此，
从正面子库中随机选择
300
人，每人随机选择
4
幅
正面图像，共
1200
幅图像构成训练集
.
原型图像集合
.
提供给算法为待识别人员建立
识别原型的图像子集，包含
1040
人，每人
1
幅标准
正面图像（正面平视，环境光照，中性表情，无饰物）；
测试集合
.
提供给算法进行识别测试的图像子
集测试集包括除去训练集和原型
.
对于正面子库，
像，图像格式为
BMP
位图格式
.
这样，整个
CAS-
PEAL-R1
库的数据量为
5GB
左右，其图像示例如
图
10!11
所示
.
图
10CAS-PEAL-R1
正面图像子库中的图像示例
图
11CAS-PEAL-R1
姿态图像子库中的图像示例
5CAS-PEAL-rl
建议评测协议
人脸识别系统的评测工作的目的是为了评价各
个识别系统的性能差距，并指导人脸识别领域未来
的研究方向
.
要达到这个目的，评测方法的设计尤为
重要
.
科学的评测方法应该能够解决著名的“三熊问
题”（
Threebears
p
roblem
）
［
2
］
，即对所有待测算法或系
统来说，评测不能太难，以致超出了现有系统的识别
能力；也不能太简单，使得对所有系统的测试结果都
非常好
.
要解决“三熊问题”，就需要仔细地选择数据
库并合理地制定评测协议
.
本节主要介绍我们建议的
基于
CAS-PEAL-R1
的评测协议，包括标准训练、测试
集合划分和评测性能指标等方面的内容
.
-PEAL-rl
标准训练、测试集合划分
根据待测试算法的特性，我们从
CAS-PEAL-R1
库中整理出了三个大的集合，分别作为训练集合
trainin
g
set
）、原型图像集合（
g
aller
y
）和测试集合
p
robeset
）
.
集以外余下的
6992
幅图像，分为表情变化、光照变
化、饰物变化、背景变化、距离变化和时间跨度变化
个子集；对于姿态子库，测试集包括除去原型集中
图像外的、水平深度姿态旋转在
30
以内的共
840
幅姿态变化图像，分为低头、平视、抬头
3
个
子集
.
考虑到算法泛化能力（也称推广能力）的问题，
严格地讲，训练集合中的图像与测试集合和原型集
合中的图像乃至人物应该是不能有重叠的
.
考虑到
降低问题的难度，参照
FERET
的做法，我们的原型
集合与训练集合中的图像有部分重复
.
而测试集合
中的图像则与训练集合和原型集合中的图像都是严
格没有重复的
.
上述
3
个子集的图像示例如图
12!
所示
.
图
12
训练集中的图像示例
图
13
原型集中的图像示例
图
14
测试集中的正面图像示例
6
21
15
（
（
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
15
图
19
测试集合中姿态图像示例（
32>32
）
对于
C
我们采用归一化的相关量
orrelation
算法，
图
15
测试集中的姿态图像示例
5.2
算法性能测试指标
计算方法来计算图像之间的相似度
.
对于
Ei
g
enface
算法，其
PCA
（
Princi
p
alCom
p
onementAnal
y
sis
）变换
矩阵是对
CAS-PEAL-R1
训练集中所有的
1200
幅图
在
FERET
和
FRVT
测试中，对测试结果的表
示有比较详细说明
［
2-3
］
.
常用的表示不同系统间测试
结果的方法有
CMC
（
ClmllativeMatchCharacteristic
）
曲线和
ROC
（
RecieiverO
p
erationCharacteristic
）
曲线
.
在我们的测试中，为了更方便、直观地表现各
个系统在不同测试集合上的识别性能，仅选择了各
个系统在每个测试集合上的首选识别率进行比较，
并将测试结果综合到一个首选识别率柱状图中进行
直观的对比
.
CAS-PEAL-rl
上的基本评测情况
l
特征脸（
Ei
g
enface
）算法和模板匹配（
Correlation
）
算法的评测设计
Ei
g
enface
算法和
Correlation
算法是人脸识别
领域的两个基准算法，通过对这两个算法的测试，有
助于检验
CAS-PEAL
人脸库的基本难易程度
.
为了有效地去除背景、头发等因素的影响，我们
把测试集中的图像根据双眼中心坐标位置进行了几
何归一化处理，每幅人脸图像被裁剪并缩放到
32>
像素大小
.
此外，为了进一步去除背景信息，我们
在人脸上覆盖了一个掩模，使得每幅图像只包含了
人脸内部特征区域，其最终的效果如图
16!19
所
示
.
本文实验中的
Ei
g
enface
算法和
Correlation
算法
都是在这样的图像基础上进行测试的
.
图
16
训练集合中图像示例（
32>32
）
图
17
原型集合中的图像示例（
32>32
）
图
18
测试集合中正面图像示例（
32>32
）
像进行特征值分解得到的，综合考虑计算速度和识
别效果，我们的测试中所保留的主成分特征维数为
2
对商业系统的测试
我们还同时对两个国外最优秀的商业人脸识别
系统在
CAS-PEAL-R1
上的性能进行了初步评测
我们不能公开这两个商业系统的名
字，仅用系统
!
和系统
"
来分别表示）
.
这两个系
统的性能在已有的人脸识别商业系统中被认为是最
好的，通过对这两个系统的评测，可以知道
CAS-
人脸库和本文的测试方法对现有商业系统的
难易度，同时可以发现更多值得进一步研究的课题
方向和关键问题
.
系统
!
和系统
"
对测试图像的大小并没有特
别要求，因此我们在测试过程中直接使用
CAS-
-R1
库中的
360>480
像素大小的图像
.
两个
系统的工作过程如下：
Ste
p
1.
依次读入原型集中的人脸图像和每个人脸图像
的双眼位置坐标，建立每个人的原型模板
.
Ste
p
2.
读入待识别图像
#
$
，自动地在
#
$
中检测人脸的
位置并建立待识别模板，将待识别模板与原型模板进行比
较，输出
#
$
与每个原型的相似度，并最终通过相似度的排序
来完成整个识别过程
.
3
测试结果及分析
我们将
Ei
g
enface
算法、
Correlation
算法、系统
和系统
"
的测试结果综合到一起，取测试结果的
首选识别率进行比较，结果如图
20
，
21
所示
.
从
i
g
enface
算法和
Correlation
算法的测试结果不难
看出，在正面子库上，
Ei
g
enface
和
Correlation
两种
算法除了在背景和距离两个子集上达到或接近了
%
的识别率之外，在表情子集上，两种算法的识别
率不到
60%
，时间跨度子集上识别率不到
50%
，饰
物子集上识别率不到
40%
，而光照子集上识别率还
不到
10%
；在姿态子库上，两个算法对平视姿态变
化的识别率都不到
40%
，而对俯仰姿态变化的识别
率都不到
10%.
测试结果说明，
Ei
g
enface
算法和
orrelation
两个基准算法均不能很好地解决饰物、
600.
6.
（由于种种原因，
PEAL
PEAL
6
6.
32
6.
!
E
80
C
16
计算机辅助设计与图形学学报
2005
年
表情、光照、时间跨度和姿态变化情况下的识别问
题；对于背景和距离变化的情况，即使对图像事先进
行了几何归一化处理和添加掩模，
Ei
g
enface
算法和
Correlation
算法的识别效果依然不能让人满意
.
中，人脸识别的商业系统对于正面图像的表情、饰
物、背景和距离等变化已经表现出了较强的鲁棒性，
综合性能已经远远超出了基准的识别算法
.
但是，
商业系统在光照和姿态子集上较差的性能也表明，
图
20CAS-PEAL-R1
正面子库上的测试结果
图
21CAS-PEAL-R1
姿态子库上的测试结果
对商业系统的测试结果显示，在我们的
6
个测
试子集中，表现最佳的系统
B
对表情、背景、距离和
时间跨度几种变化的识别率已经接近
100%
，对饰
物变化的识别率也已经超过
80%.
系统
A
尽管在
饰物子集上的表现比较差，但在背景、表情和距离子
集上的性能与系统
B
也差别不大
.
我们也看到，对
正面子库中光照变化图像的识别率，表现最佳的系
统
B
仍然达不到
40%
，系统
A
只有
10%
多一点
.
在姿态子库中，平视状态下水平姿态变化识别率最
高只有
60%
，俯仰状态下的姿态变化识别率最高也
仅
40%
上下
.
这些结果表明，优秀的商业系统尽管
对环境光照模式下的正面图像的饰物、表情、背景、
距离等变化情况已经能够较好地解决识别问题，但
是对复杂光照和较大范围的姿态变化，其识别性能
依然差强人意
.
由测试结果可以看出，在
CAS-PEAL
人脸库
如何提高光照变化条件下的正面图像识别率和姿态
变化条件下的识别率，以及如何进一步提高光照与
姿态组合变化条件下的识别率，这些问题还没有得
到很好的解决，这将是今后人脸识别研究需要重点
关注的问题
.
总结及未来工作
本文介绍了我们建立的
CAS-PEAL
人脸库的
采集平台、创建过程和覆盖的图像变化条件
.
它提
供了一个大型的、多样化的人脸图像数据资源，在一
定程度上弥补了国内在大规模人脸数据库方面的
不足
.
我们测试了
Ei
g
enface
和
Correlation
两种基准
算法，以及两种商业系统在已经共享的
CAS-PEAL-
人脸库上的性能
.
结果表明：
（
1
）
Ei
g
enface
和
Correlation
算法在
CAS-PEAL-
1
人脸库上的识别性能非常差，这说明该人脸库具
备了一定的难度；
（
2
）两个最著名商业系统的识别性能远远高于
基准算法，尤其是对表情、背景、距离变化的情况，取
得了接近
100%
的正确识别率，这说明目前的人脸
识别方法对于这些变化已经具备了良好的适应能
力，而对饰物变化的鲁棒性还需要进一步的加强；
（
3
）两个最著名的商业系统对光照、姿态变化
的识别性能很不理想，这说明光照和姿态变化问题
是人脸识别领域需要进一步研究的关键性问题；
（
4
）光照和姿态两个子集不仅对于基准算法，
而且对于优秀的商业系统也表现出了较大的难度，
提供了一个光照和姿态变化的人脸图像数据平台，
有望在今后对这两个方面的研究中得到进一步的
应用
.
参考文献
［
1
］
Chella
pp
aR
，
WilsonCL
，
Sirohe
y
ndmachine
reco
g
nitionoffaces
：
Asurve
y
［
J
］
.Proceedin
g
softheIEEE
，
1995
，
83
（
5
）：
704!741
［
2
］
Philli
p
sPJohnathon
，
MoonH
，
RiZviS
y
edA
，
GIOI
.The
FERETevaluationmethodolo
gy
forface-reco
g
nitional
g
orithms
［
J
］
.IEEETransactionsonPatternAnal
y
sisandMachine
Intelli
g
ence
，
2000
，
22
（
10
）：
1090!1104
!
R1
R
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
17
［
3
］
Philli
p
sPJ
，
GrotherPJ
，
MichealsRJ
，
!"#$
.Facereco
g
nition
／／
vendortest2002
：
EvaluationRe
p
ort
［
OL
］
.htt
p
：
.
or
g
，
2003
［
4
］
TurkMattheW
，
g
enfacesforreco
g
nition
［
J
］
.
（：
JournalofCo
g
nitiveNeuroscience
，
1991
，
31
）
71!86
［
5
］
BelhumeurPeterN
，
~es
p
anhaJoaoP
，
Krie
g
manDavidJ.
Ei
g
faces
：
Reco
g
nitionusin
g
classs
p
ecific
J
］
.IEEETransactionsonPatternAnal
y
sis
linear
p
ro
j
ection
［
（：
andMachineIntelli
g
ence
，
1997
，
197
）
711!720
［
6
］
Geor
g
hiadesA
，
Krie
g
manD
，
Wto
［
!"#$
.TheCAS-PEAL15
］
GaoWen
，
CaoBo
，
ShanShi
g
uan
g
，
lar
g
e-scaleChinesefacedatabaseandevaluation
p
rotocols
［
R
］
.
Bei
j
in
g
：
JointResearch&Develo
p
mentLaborator
y
，
CAS
，
No.
JDLTR04FR001
，
2004
男，硕士，主要研
1979
年生，
究方向为人机接口技术
.
张晓华
man
y
：
Generativemodelsforreco
g
nitionundervariable
p
oseand
illumination
［
J
］
.IEEETransactionsonPatternAnal
y
sisand
MachineIntelli
g
ence
，
2001
，
23
（
6
）：
643!660
［
7
］
SimTerence
，
BakerSimon
，
p
ose
，
illuminationandex
p
ressiondatabase
［
J
］
.IEEETransactionson
PatternAnal
y
sisandMachineIntelli
g
ence
，
2003
，
25
（
12
）：
1615!1618
［
8
］
SamariaFS
，
~terizationofastochasticmodel
forhumanfaceidentification
［
A
］
.In
：
Proceedin
g
softhe2nd
IEEEWorksho
p
onA
pp
licationsofCom
p
uterVision
，
Sarasoto
，
Florida
，
1994.245!248
［
9
］
Don
g
~
y
o
j
a
，
aceima
g
edatabasePF01
［
OL
］
.
htt
p
：／／
nova.
p
／
archives
／
10
］
MartinezAR
，
acedatabase
［
R
］
.
Barcelona
，
S
p
ain
：
Com
p
uterVisionCenter
（
CVC
），
Technical
Re
p
ort24
，
1998
11
］
Baill
y
-BailliereE
，
Ben
g
ioS
，
BimbotF
，
!"#$
.TheBANCA
databaseandevaluation
p
rotocol
［
A
］
.In
：
Proceedin
g
softhe
4thInternationalConferenceonAudio-andVideo-Based
BiometricPersonAuthentication
（
AVBPA
），
Guildford
，
2003.
625!638
12
］
~Wan
g
B-W
，
B
y
un~
，
RohM-C
，
!"#$
.Performance
evaluationoffacereco
g
nitional
g
orithmsontheAsianface
database
，
KFDB
［
A
］
.In
：
Proceedin
g
softhe4thInternational
ConferenceonAudio-andVideo-BasedBiometricPerson
Authentication
（
AVBPA
），
Guildford
，
2003.557!565
13
］
BlanzV
，
p
hablemodelforthes
y
nthesisof3D
faces
［
A
］
.In
：
Com
p
uterGra
p
hicsProceedin
g
s
，
Annual
ConferenceSeries
，
ACMSIGGRAP~
，
LosAn
g
eles
，
California
，
1999.187!194
14
］
MesserK
，
MatasJ
，
KittlerJ
，
!"#$
.XM2VTSDB
：
The
extendedM2VTSdatabase
［
A
］
.In
：
Proceedin
g
softhe2nd
InternationalConferenceonAudio-andVideo-BasedBiometric
PersonAuthentication
，
Washin
g
tonDC
，
1999.72!77
山世光男，
1975
年生，博士，助理研
究员，主要研究方向为模式分析与机器智
能（
s
g
shan"
j
）
.
曹波男，
1977
年生，博士研究生，
主要研究方向为图像分析与模式识别
bcao"
j
）
.
高文男，
1956
年生，博士，教授，
主要研究方向为多媒体技术、模式分析、机
器智能（
W
g
ao"
j
）
.
周德龙男，
1966
年生，博士，副教
授，主要研究方向为模式识别与图像处理
dlzhou"
j
）
.
赵德斌男，
1963
年生，博士，教授，博
士生导师，主要研究方向为图像／视频编解
码方法、多媒体计算（
dbzhao"
j
）
.
［
［
［
［
［
（
（
CAS-PEAL大规模中国人脸图像数据库及其基本评测介绍
作者：
作者单位：
刊名：
英文刊名：
年，卷(期)：
被引用次数：
张晓华， 山世光， 曹波， 高文， 周德龙， 赵德斌
中国科学院计算技术研究所数字化研究室,北京,100080
计算机辅助设计与图形学学报
JOURNAL OF COMPUTER-AIDED DESIGN & COMPUTER GRAPHICS
2005,17(1)
13次
ps P Johnathon;Moon H;Rizvi Syed A
The FERET evaluation methodology for face-recognition
algorithms[外文期刊] 2000(10)
Wen;Cao Bo;Shan Shiguang
The CAS-PEAL large-scale Chinese face database and evaluation
protocols 2004
-Bailliere E;Bengio S;Bimbot F
The BANCA database and evaluation protocol[外文会议] 2003
ez A R;Benavente R
The AR face database 1998
ppa R;Wilson C L;Sirohey S
Human and machine recognition of faces: A survey[外文期刊]
1995(05)
Hyoja;Gu Nam
Asian face image database PF01
a F S;Harter A C
Parameterization of a stochastic model for human face identification 1994
Terence;Baker Simon;Bsat Maan
The CMU pose, illumination and expression database[外文期刊]
2003(12)
iades A;Kriegman D;Belhumeur P
From few to many: Generative models for recognition under
variable pose and illumination 2001(06)
eur Peter N;Hespanha Joao P;Kriegman David J
Eigenfaces vs. Fisherfaces: Recognition using
class specific linear projection[外文期刊] 1997(07)
Matthew;Pentland Alex
Eigenfaces for recognition 1991(01)
ps P J;Grother P J;Micheals R J
Face recognition vendor test 2002: Evaluation Report 2003
K;Matas J;Kittler J
XM2VTSDB: The extended M2VTS database 1999
V;Vetter T
A morphable model for the synthesis of 3D faces 1999
B -W;Byun H;Roh M -C
Performance evaluation of face recognition algorithms on the Asian
face database,KFDB 2003
1.
童晓阳.张青.刘恒.皮小平
大型中国人人脸库(LCFD)[期刊论文]-计算机应用2003,23(8)
1.孙士明.王芹芹.纪友芳
单样本人脸识别中的虚拟样本扩展方法研究[期刊论文]
-
微计算机应用 2010(9)
2.牛志恒.山世光.陈熙霖
双向层级结构分类器及其在面部特征点定位中的应用[期刊论文]
-
高技术通讯 2010(8)
3.钱艺.童卫青.王基帆
基于多尺度LBP的人脸识别算法[期刊论文]
-
现代计算机（专业版） 2009(8)
4.袁贞明.卢志平
一种基于维度约减的快速人脸检测方法[期刊论文]
-
杭州师范大学学报（自然科学版） 2009(2)
5.张生亮.杨静宇
基于多级分类的大类别人脸识别研究[期刊论文]
-
计算机应用研究 2008(10)
6.唐旭晟.欧宗瑛.苏铁明.胡青泥.华顺刚
人脸识别中基于互信息的特征优选[期刊论文]
-
大连理工大学学报
2008(1)
7.李玉鑑.付翠花
一种基于特征串比较的眉毛识别方法[期刊论文]
-
北京工业大学学报 2008(1)
8.李玉龙.王民.杨全
基于Adaboost与SOFMN的人脸识别[期刊论文]
-
微计算机信息 2007(31)
9.聂祥飞.郭军.杨震
基于小波变换的人脸检测[期刊论文]
-
北京邮电大学学报 2006(3)
10.陈锻生.刘政凯
肤色检测技术综述[期刊论文]
-
计算机学报 2006(2)
11.李全彬
非约束环境下的人脸识别系统的研究[学位论文]硕士 2006
12.梁永涛
基于形状预测模型的多光照人脸识别[学位论文]硕士 2006
13.张生亮
大类别及少量训练样本的人脸识别问题研究[学位论文]博士 2005
本文链接：/Periodical_
2024年3月10日发(作者：伟向荣)
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
第
17
卷第
1
期
2005
年
1
月
计算机辅助设计与图形学学报
JOURNALOFCOMPUTER-AIDEDDESIGNSCOMPUTERGRAPHICS
Vol.17
，
No.1
，
Jan.2005
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
张晓华山世光曹波高文周德龙赵德斌
（中国科学院计算技术研究所数字化研究室
（
s
g
shan!
）
北京
100080
）
摘要人脸图像数据库是人脸识别算法研究、开发、评测的基础，具有重要的意义
.
介绍了自行创建并已经部分共
享的
CAS-PEAL
大规模中国人脸图像数据库及其基准测试结果
.CAS-PEAL
人脸图像数据库中包含了
1040
名中国
人共
涵盖了姿态、表情、饰物和光照
4
种主要变化条件，部
99450
幅头肩部图像
.
所有图像在专门的采集环境中采集，
分人脸图像具有背景、距离和时间跨度的变化测试子库已经公开发布
.
目前该人脸图像数据库的标准训练、
.
与其他
图像变化条件等方面具有综合优势，将对已经公开发布的人脸图像数据库相比，
CAS-PEAL
人脸图像数据库在人数、
人脸识别算法的研究、评测产生积极的影响
作为以东方人为主的人脸图像数据库，
.
同时，
CAS-PEAL
人脸图像数据
库也使人脸识别算法在不同人种之间的比较成为可能，利于人脸识别算法在国内的实用化
.
还给出了两种基准人脸
识别算法（
E
和两个著名商业系统在该人脸图像数据库上的测试结果，定量分析了该人脸图像
i
g
enface
和
Correlation
）
数据库对于人脸识别算法的难易程度和人脸识别算法的发展现状
.
关键词人脸识别；人脸图像数据库；性能评测
中图法分类号
TP391
CAS-PEAL
：
ALar
g
e-ScaleChinesefacedatabaseandSomePrimar
y
Evaluations
Zhan
g
XiaohuaShanShi
g
uan
g
CaoBoGaoWenZhouDelon
g
ZhaoDebin
100080
）（
Di
g
itallab
，
Instituteo
f
Com
P
utin
g
Technolo
gy
，
Chineseacadem
y
o
f
Sciences
，
Bei
j
in
g
Asthebasisofresearch
，
develo
p
mentandevaluationoffacereco
g
nitional
g
orithms
，
faceima
g
e
databaseisof
g
reatim
p
p
a
p
er
，
weintroducetheconstructionandbasiccontentoftheCAS-
PEAL
，
lar
g
e-scaleChinesefacedatabaseandsome
p
rimar
y
Abstract
CAS-PEALfacedatabaseconsistsof99450facialima
g
ima
g
esinthe
databasewerecollectedins
p
eciall
y
desi
g
nedenvironmentwithfour
p
rinci
p
alvariationsof
p
ose
，
ex
p
ression
，
accessor
y
andli
g
htin
g
，
aswellasthreeothervariationsintermsofback
g
round
，
distanceanda
g
in
g
.
Currentl
y
，
thestandardtrainin
g
setand
p
robesetofCAS-PEALfacedatabasehavebeenmade
p
ublicl
y
availableforresearch
p
ur
p
oseonl
y
onacase-b
y
-
p
aredwithother
p
ublicfacedatabases
，
CAS-
PEALexcelsinitslar
g
e-scaleandvariationmodesandisex
p
ectedtohave
p
ositiveim
p
actonthe
develo
p
mentandevaluationoffacereco
g
nitional
g
tion
，
asanorientalfaceima
g
edatabase
，
CAS-PEALmakes
p
ossiblethecom
p
arisonofal
g
orithms
’
p
erformancebetweendifferentethnic
g
rou
p
sand
willbenefitthea
pp
licationoffacereco
g
nitiontechnolo
gy
p
a
p
eralso
g
ivestheevaluation
resultsoftwobasicfacereco
g
nitional
g
orithms
（
Ei
g
enfaceandCorrelation
）
andtwocommercials
y
stems
，
ex
p
lainsthedifficult
y
ofthedatabasetothefacereco
g
nitional
g
orithmsandanal
y
sesthecurrent
develo
p
mentstatusoffacereco
g
nitiontechnolo
gy
.
Ke
y
wordsfacereco
g
nition
；
facedatabase
；
p
erformanceevaluation
收稿日期：修回日期：
2004
-
05
-
10
；
2004
-
09
-
06
基金项目：国家“八六三”高技术研究发展计划项目（；国家自然科学基金重点项目（
2001AA114010
）
60332010
）
10
计算机辅助设计与图形学学报
2005
年
于其变化模式较少，多数系统的识别率均可以达到
!
引言
因此进一步利用的价值已经不大
90%
以上，
.
［］
（
7
）
PF01
人脸库
9
.
由韩国浦项科技大学创
姿态、表情的面
建，包含
103
人的
1751
幅不同光照、
部图像，志愿者以韩国人为主
.
［］
（
8
）
AR
人脸库
10
.
由西班牙巴塞罗那计算机
视觉中心建立，包含
116
人的
3288
幅图像
.
采集环
境中的摄像机参数、光照环境、摄像机距离等都是经
人脸识别的研究工作自
20
世纪
60
年代开始以
已成为图像分析和理解来，经历了近
40
年的发展，
［
1
］
目前，领域最热门的研究内容之一人脸识别技
.
术已经从实验室中的原型系统逐渐走向了商用，出
［
1-3
］
然而，现大量的识别算法和若干商业系统人脸
.
识别的研究仍旧面临着巨大的挑战，人脸图像中姿
过严格控制的
.
态、光照、表情、饰物、背景、时间跨度等因素的变化
对人脸识别算法的鲁棒性有着负面的影响，一直是
影响人脸识别技术进一步实用化的主要障碍
［
2-3
］
.
多数人脸识别算法的研究、开发和测试需要更多的
人脸图像来克服上述障碍，主要包括两方面：人脸图
像数据库（简称人脸库）所包含的人数以及人脸库中
每个人所具有的、在不同条件下的人脸图像数
.
目前，人脸识别领域常用的人脸库主要有：
（
1
）
FERET
人脸库
［
2
］
.
由
FERET
项目创建，
包含
14051
幅多姿态、光照的灰度人脸图像，是人脸
识别领域应用最广泛的数据库之一
.
其中的多数人
脸图像是西方人的，每个人所包含的人脸图像的变
化比较单一
.
（
2
）
MIT
人脸库
［
4
］
.
由麻省理工大学媒体实验
室创建，包含
16
位志愿者的
2592
幅不同姿态、光照
和大小的面部图像
.
（
3
）
Yale
人脸库
［
5
］
.
由耶鲁大学计算视觉与控
制中心创建，包含
15
位志愿者的
165
幅图像，包含
光照、表情和姿态的变化
.
（
4
）
Yale
人脸库
B
［
6
］
.
包含了
10
个人的
5850
幅多姿态、多光照的图像
.
其中姿态和光照变化的
图像都是在严格控制的条件下采集的，主要用于光
照和姿态问题的建模与分析
.
由于采集人数较少，
该数据库的进一步应用受到了比较大的限制
.
（
5
）
PIE
人脸库
［
7
］
.
由美国卡耐基梅隆大学创
建，包含
68
位志愿者的
41368
幅多姿态、光照和表
情的面部图像
.
其中的姿态和光照变化图像也是在
严格控制的条件下采集的，目前已经逐渐成为人脸
识别领域的一个重要的测试集合
.
（
6
）
ORL
人脸库
［
8
］
.
由剑桥大学
AT&T
实验
室创建，包含
40
人共
400
幅面部图像，部分志愿者
的图像包括了姿态、表情和面部饰物的变化
.
该人
脸库在人脸识别研究的早期经常被人们采用，但由
（
9
）
BANCA
人脸库
［
11
］
.
它是欧洲
BANCA
计
划的一部分，包含了
208
人、每人
12
幅不同时间段
的面部图像
.
（
10
）
KFDB
人脸库
［
12
］
.
包含了
1000
人，共
52000
幅多姿态、多光照、多表情的面部图像，其中
姿态和光照变化的图像是在严格控制的条件下采集
的
.
其志愿者以韩国人为主
.
（
11
）
MPI
人脸库
［
13
］
.
包含了
200
人的头部
3D
结构数据和
1400
幅多姿态的人脸图像
.
（
12
）
XM2VTS
人脸库
［
14
］
.
包含了
295
人在
4
个不同时间段的图像和语音视频片断
.
在每个时间
段，每人被记录了
2
个头部旋转的视频片断和
6
个
语音视频片断
.
此外，其中的
293
人的
3D
模型也可
得到
.
人脸库在提供标准的人脸图像训练、测试集合
的同时，还应该能对影响人脸识别性能的不同情况
进行模拟，以方便研究人员针对不同的关键问题进
行重点研究
.
但是，现有的人脸库大多存在数据量
较小或者图像变化情况比较单一的缺陷，而且提供
面部图像的志愿者多为西方人；由于东西方人在面
部特征上存在一定的差异，使用西方人的面部图像
进行识别系统的研究可能会给我们所开发的技术在
国内的应用带来不利因素
.
因此，建立一个大规模、
多样化的东方人脸库对国内人脸识别技术的发展将
会有极大的推动作用
.
CAS-PEAL
人脸库正是基于上述考虑而创建的
大规模、多变化的东方人脸库
.
该数据库的建立是
国家“八六三”高技术研究发展计划项目课题———
的一部
分，同时得到国家自然科学基金和国家“八六三”高
技术研究发展计划的资助，由中国科学院计算技术
研究所
-
银晨科技面像识别联合实验室负责建立
.
建
库工作开始于
2002
年
8
月，
2003
年
4
月最终完成，
“中文平台总体技术研究与基础数据库建设”
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
11
共采集并整理了
1040
位志愿者（其中
595
位男性，
的共
445
位女性）
99450
幅人脸图像
.CAS-PEAL
人
脸库中的所有图像分为姿态变化、表情变化、饰物变
化、光照变化、背景变化、距离变化和时间跨度变化
等
7
种变化模式子库，其中又以姿态（
p
ose
）、表情
（、饰物（和光照（
ex
p
ression
）
accessor
y
）
li
g
htin
g
）
4
种
变化为主（故简称为
PEAL
）
.
各个变化模式子库均
可以与姿态变化子库进行组合，以满足研究工作中
的不同要求变化模式两个方
.
本文将从采集环境、
统一的命名规则保存
.
多摄像头同时拍摄获取多角
度图像的方法，与使用单个摄像头拍摄而由被采集
者转动头部获取多角度图像的方法相比，很好地控
制了图像之间的角度变化，能保持角度间隔的一致
性，更有利于研究多视角人脸识别问题
.
（）多光源分布环境
为获得一致均匀的自然环境光，同时也为了便
于控制，我们完全遮挡了室外光线，用太阳灯照射粗
糙的白色墙壁，利用其反射光来模拟自然环境光照，
面介绍
CAS-PEAL
人脸库，并结合几种人脸识别算
法和商业系统在该数据库已经发布的基准训练、测
试子库上的测试结果，进一步说明
CAS-PEAL
人脸
库用于人脸识别系统性能评测的难易程度，并简要
分析了目前最好的人脸识别算法的性能
.
CAS-PEAL
人脸库采集环境
采集环境是建立人脸库所需要的基本硬件条
件，包括摄像头和控制设备的布局、光照环境的建立
等
.
这些硬件的组织和应用将直接影响人脸库的特
性和质量
.
在建立
CAS-PEAL
人脸库之前，我们对
采集环境进行了认真设计，以求在现有的硬件条件
下达到最佳的采集效果
.CAS-PEAL
人脸库的采集
环境主要具有了以下几个特点
.
（
1
）多角度摄像头图像采集系统
为获得多角度的人脸面部图像，我们采用了多
摄像头的采集系统布局
.
编号从
0!
的
9
个摄像
头在半圆形框架上成等角度分布，摄像头分布示意
图如图
1
所示
.
被采集对象位于半圆形摄影架的圆
心位置，调整椅子高度以使被采集人正对
!
4
摄像
头
.9
个摄像头通过
S
连接线连接到
PC
机，由程
序统一控制
9
个摄像头进行拍摄
.
每次拍摄时，
0!
号摄像头依次抓取图像（总耗时小于
s
），并按照
图
1
摄像头在水平面上的排列
模拟自然环境光的光源叫作环境光源
.
为了获取不同光照条件下的面部图像，我们在
个垂直方向（上、中、下）和每个垂直方向的
5
个水
平方向上共布置了
15
个光源，并按照光源所处的垂
直和水平位置分别对每个光源进行了编号
.
由于这
个光源对被拍摄者的面部来说都具有很强的方
向性，因此我们称这
15
个光源为方向光源
.
方向光
源的分布示意图如图
所示
.
图
光照设备布局
在多光照模式的拍摄过程中，首先关闭所有光
源，每次只打开
1
个方向光源进行拍摄
.
每次变换
方向光，
9
个摄像头都同时工作，采集
9
幅不同角度
的面部图像
.
多光源分布环境结合多角度的摄像头
系统，使得我们的光照变化图像更加丰富，有利于研
究者研究多光照条件下的人脸识别问题
.
（
）多饰物选择
我们预备了
种不同样式的眼镜和
种不同样
式的帽子，要求被采集者依次佩戴这
种饰物进行
拍摄
.
每次更换饰物，
9
个摄像头均同时工作拍摄不
同视角的图像
.
15
2
12
计算机辅助设计与图形学学报
2005
年
（
4
）背景变化
很多情况下，进行人脸识别时所用的摄像头被
打开了自动白平衡功能
.
在遇到背景颜色变化的情
况时，由于摄像头的白平衡功能，所摄取的图像会有
较大的色彩变化
我们在采集环境中设置了
5.
因此，
种不同颜色的背景，默认的拍摄背景为蓝色；此外，
在红色、黑色、黄色、白色背景条件下各进行了一次
环境光照模式的图像拍摄
.
在多光照模式的拍摄情
况下，我们也采用了白色背景每次变换背
.
同样地，
景，
9
个摄像头同时拍摄不同视角图像
.
（
1
）姿态子库
在环境光照模式下，要求志愿者变换平视、抬
头、低头
3
种姿态分别进行拍摄，每次变换俯仰姿态
时，多角度摄像头系统一次拍摄，可同时获得同一俯
仰姿态下的、
9
幅水平深度旋转姿态变化的图像
.
因
此，姿态子库中的每个志愿者有
27
幅环境光照模式
下的标准姿态变化图像
.
姿态变化图像示例如图
3
所示
.
（
2
）表情子库
环境光照模式下，要求志愿者做出笑、皱眉、惊
讶、闭眼、张嘴
5
种表情，这
5
种都是造成面部特征
变化比较大的表情，有利于研究人脸识别算法对表
情变化的鲁棒性
.
表情子库的示例如图
4
所示
.
（
3
）饰物子库
环境光照模式下，志愿者佩戴
3
种不同的帽子
和
3
种不同的眼镜，如图
5
所示
.
3CAS-PEAL
人脸库图像变化模式介绍
CAS-PEAL
人脸库中总共包括
1040
人，
99450
幅人脸图像，这些图像可以划分为姿态、表情、背景、
饰物、光照、距离和时间等
7
个子库
.
图
3
每人的
27
幅姿态变化图像
图
4
表情子库中
5
种不同的表情
图
5
饰物子库中的
3
种帽子、
3
种眼镜饰物
（
4
）光照子库
采集光照子库图像时，环境光源关闭，每次打开
一个方向光源进行图像采集，如图
6
所示
.
（
5
）背景子库
红色、黑色、白
5
种不同的背景颜色包括蓝色、
色和黄色由于摄像头的白平衡
.
环境光照模式下，
功能，面部图像的色彩分布在每种背景颜色条件下
均有不同，如图
7
所示
.
（
6
）距离子库
环境光照模式下，改变志愿者与摄像头的相对
距离，获取到距离子库中每个志愿者的
3
种不同距
离的面部图像，其示例如图
8
所示
.
（
7
）时间跨度子库
随着时间的改变，人的面部特征会有一定的变
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
13
化引入了时间跨度子库，子库
.
在我们的人脸库中，
中的志愿者图像距离他们第一次被采集的图像有
6
个月的时间跨度，其图像示例如图
9
所示
.
图
6
光照子库中的
15
种方向光
图
7
背景子库中的蓝、红、黑、白、黄色
5
种背景
面图像子库和姿态图像子库
.
正面图像子库中包含
1040
人的共
9060
幅图像，
其中的所有图像均由编号为
!
4
的摄像头拍摄
.
子
库中涉及的变化条件如表
1
所示，其中，
377
人有
6
图
8
距离子库中
3
种不同的距离下的图像
种表情变化的图像，
438
人有
6
种面部饰物变化的
图像，
233
人有至少
9
种光照变化的图像，
297
人有
2!4
种背景变化的图像，
296
人有
1!2
种距离变化
的图像；此外，还有
66
人有
2
幅时间跨度变化的
图像
.
表
lCAS-PEAL-rl
的正面图像子库和姿态子库的图像情况
变化种类
正面子库标准
表情
1
5
!
"9
6
2!4
1!2
1
!
正面子库图像总数
姿态子库（
213>7
）
1040
人数
1040
377
233
438
297
296
66
图像数目
1040
1884
2450
2646
650
324
66
9060
21840
21840
图
9
时间跨度子库，第二行的图像为第一次
采集
6
个月后再次拍摄的图像
光照
饰物
背景
4CAS-PEAL-rl
共享人脸库
距离
时间
为了方便国内外人脸识别领域的研究者使用
我们提供了
CASCAS-PEAL
人脸库，
-PEAL
人脸库
［］
的共享版本
CAS-PEAL-r1
共
-PEAL-r1
15
.CAS
享库包含分为两个子库：正
1040
人的
30900
幅图像，
姿态子库图像总数
!
中性表情的标准正面图像没有包括在内
14
计算机辅助设计与图形学学报
2005
年
姿态图像子库中包含
1040
人的共
21840
幅图
像，每人
21
幅姿态变化的图像
.
姿态变化包括了
3
种俯仰姿态变化（抬头、平视、低头）和每种俯仰姿态
下的
7
种水平深度旋转姿态变化
.
CAS-PEAL
人脸库中的原图像为
640>480
像
素，
24
位
RGB
色彩的
BMP
位图图像
.
为了方便图
像的发布和共享，
CAS-PEAL-R1
库中的图像全部在
原图像的基础上进行了处理
.
图像大小被裁剪为
并去除了颜色信息转换为灰度图
360>480
像素，
训练集合多
.
除了模板匹配等少数简单算法，
数人脸识别算法都是需要进行训练的
我们
.
因此，
从正面子库中随机选择
300
人，每人随机选择
4
幅
正面图像，共
1200
幅图像构成训练集
.
原型图像集合
.
提供给算法为待识别人员建立
识别原型的图像子集，包含
1040
人，每人
1
幅标准
正面图像（正面平视，环境光照，中性表情，无饰物）；
测试集合
.
提供给算法进行识别测试的图像子
集测试集包括除去训练集和原型
.
对于正面子库，
像，图像格式为
BMP
位图格式
.
这样，整个
CAS-
PEAL-R1
库的数据量为
5GB
左右，其图像示例如
图
10!11
所示
.
图
10CAS-PEAL-R1
正面图像子库中的图像示例
图
11CAS-PEAL-R1
姿态图像子库中的图像示例
5CAS-PEAL-rl
建议评测协议
人脸识别系统的评测工作的目的是为了评价各
个识别系统的性能差距，并指导人脸识别领域未来
的研究方向
.
要达到这个目的，评测方法的设计尤为
重要
.
科学的评测方法应该能够解决著名的“三熊问
题”（
Threebears
p
roblem
）
［
2
］
，即对所有待测算法或系
统来说，评测不能太难，以致超出了现有系统的识别
能力；也不能太简单，使得对所有系统的测试结果都
非常好
.
要解决“三熊问题”，就需要仔细地选择数据
库并合理地制定评测协议
.
本节主要介绍我们建议的
基于
CAS-PEAL-R1
的评测协议，包括标准训练、测试
集合划分和评测性能指标等方面的内容
.
-PEAL-rl
标准训练、测试集合划分
根据待测试算法的特性，我们从
CAS-PEAL-R1
库中整理出了三个大的集合，分别作为训练集合
trainin
g
set
）、原型图像集合（
g
aller
y
）和测试集合
p
robeset
）
.
集以外余下的
6992
幅图像，分为表情变化、光照变
化、饰物变化、背景变化、距离变化和时间跨度变化
个子集；对于姿态子库，测试集包括除去原型集中
图像外的、水平深度姿态旋转在
30
以内的共
840
幅姿态变化图像，分为低头、平视、抬头
3
个
子集
.
考虑到算法泛化能力（也称推广能力）的问题，
严格地讲，训练集合中的图像与测试集合和原型集
合中的图像乃至人物应该是不能有重叠的
.
考虑到
降低问题的难度，参照
FERET
的做法，我们的原型
集合与训练集合中的图像有部分重复
.
而测试集合
中的图像则与训练集合和原型集合中的图像都是严
格没有重复的
.
上述
3
个子集的图像示例如图
12!
所示
.
图
12
训练集中的图像示例
图
13
原型集中的图像示例
图
14
测试集中的正面图像示例
6
21
15
（
（
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
15
图
19
测试集合中姿态图像示例（
32>32
）
对于
C
我们采用归一化的相关量
orrelation
算法，
图
15
测试集中的姿态图像示例
5.2
算法性能测试指标
计算方法来计算图像之间的相似度
.
对于
Ei
g
enface
算法，其
PCA
（
Princi
p
alCom
p
onementAnal
y
sis
）变换
矩阵是对
CAS-PEAL-R1
训练集中所有的
1200
幅图
在
FERET
和
FRVT
测试中，对测试结果的表
示有比较详细说明
［
2-3
］
.
常用的表示不同系统间测试
结果的方法有
CMC
（
ClmllativeMatchCharacteristic
）
曲线和
ROC
（
RecieiverO
p
erationCharacteristic
）
曲线
.
在我们的测试中，为了更方便、直观地表现各
个系统在不同测试集合上的识别性能，仅选择了各
个系统在每个测试集合上的首选识别率进行比较，
并将测试结果综合到一个首选识别率柱状图中进行
直观的对比
.
CAS-PEAL-rl
上的基本评测情况
l
特征脸（
Ei
g
enface
）算法和模板匹配（
Correlation
）
算法的评测设计
Ei
g
enface
算法和
Correlation
算法是人脸识别
领域的两个基准算法，通过对这两个算法的测试，有
助于检验
CAS-PEAL
人脸库的基本难易程度
.
为了有效地去除背景、头发等因素的影响，我们
把测试集中的图像根据双眼中心坐标位置进行了几
何归一化处理，每幅人脸图像被裁剪并缩放到
32>
像素大小
.
此外，为了进一步去除背景信息，我们
在人脸上覆盖了一个掩模，使得每幅图像只包含了
人脸内部特征区域，其最终的效果如图
16!19
所
示
.
本文实验中的
Ei
g
enface
算法和
Correlation
算法
都是在这样的图像基础上进行测试的
.
图
16
训练集合中图像示例（
32>32
）
图
17
原型集合中的图像示例（
32>32
）
图
18
测试集合中正面图像示例（
32>32
）
像进行特征值分解得到的，综合考虑计算速度和识
别效果，我们的测试中所保留的主成分特征维数为
2
对商业系统的测试
我们还同时对两个国外最优秀的商业人脸识别
系统在
CAS-PEAL-R1
上的性能进行了初步评测
我们不能公开这两个商业系统的名
字，仅用系统
!
和系统
"
来分别表示）
.
这两个系
统的性能在已有的人脸识别商业系统中被认为是最
好的，通过对这两个系统的评测，可以知道
CAS-
人脸库和本文的测试方法对现有商业系统的
难易度，同时可以发现更多值得进一步研究的课题
方向和关键问题
.
系统
!
和系统
"
对测试图像的大小并没有特
别要求，因此我们在测试过程中直接使用
CAS-
-R1
库中的
360>480
像素大小的图像
.
两个
系统的工作过程如下：
Ste
p
1.
依次读入原型集中的人脸图像和每个人脸图像
的双眼位置坐标，建立每个人的原型模板
.
Ste
p
2.
读入待识别图像
#
$
，自动地在
#
$
中检测人脸的
位置并建立待识别模板，将待识别模板与原型模板进行比
较，输出
#
$
与每个原型的相似度，并最终通过相似度的排序
来完成整个识别过程
.
3
测试结果及分析
我们将
Ei
g
enface
算法、
Correlation
算法、系统
和系统
"
的测试结果综合到一起，取测试结果的
首选识别率进行比较，结果如图
20
，
21
所示
.
从
i
g
enface
算法和
Correlation
算法的测试结果不难
看出，在正面子库上，
Ei
g
enface
和
Correlation
两种
算法除了在背景和距离两个子集上达到或接近了
%
的识别率之外，在表情子集上，两种算法的识别
率不到
60%
，时间跨度子集上识别率不到
50%
，饰
物子集上识别率不到
40%
，而光照子集上识别率还
不到
10%
；在姿态子库上，两个算法对平视姿态变
化的识别率都不到
40%
，而对俯仰姿态变化的识别
率都不到
10%.
测试结果说明，
Ei
g
enface
算法和
orrelation
两个基准算法均不能很好地解决饰物、
600.
6.
（由于种种原因，
PEAL
PEAL
6
6.
32
6.
!
E
80
C
16
计算机辅助设计与图形学学报
2005
年
表情、光照、时间跨度和姿态变化情况下的识别问
题；对于背景和距离变化的情况，即使对图像事先进
行了几何归一化处理和添加掩模，
Ei
g
enface
算法和
Correlation
算法的识别效果依然不能让人满意
.
中，人脸识别的商业系统对于正面图像的表情、饰
物、背景和距离等变化已经表现出了较强的鲁棒性，
综合性能已经远远超出了基准的识别算法
.
但是，
商业系统在光照和姿态子集上较差的性能也表明，
图
20CAS-PEAL-R1
正面子库上的测试结果
图
21CAS-PEAL-R1
姿态子库上的测试结果
对商业系统的测试结果显示，在我们的
6
个测
试子集中，表现最佳的系统
B
对表情、背景、距离和
时间跨度几种变化的识别率已经接近
100%
，对饰
物变化的识别率也已经超过
80%.
系统
A
尽管在
饰物子集上的表现比较差，但在背景、表情和距离子
集上的性能与系统
B
也差别不大
.
我们也看到，对
正面子库中光照变化图像的识别率，表现最佳的系
统
B
仍然达不到
40%
，系统
A
只有
10%
多一点
.
在姿态子库中，平视状态下水平姿态变化识别率最
高只有
60%
，俯仰状态下的姿态变化识别率最高也
仅
40%
上下
.
这些结果表明，优秀的商业系统尽管
对环境光照模式下的正面图像的饰物、表情、背景、
距离等变化情况已经能够较好地解决识别问题，但
是对复杂光照和较大范围的姿态变化，其识别性能
依然差强人意
.
由测试结果可以看出，在
CAS-PEAL
人脸库
如何提高光照变化条件下的正面图像识别率和姿态
变化条件下的识别率，以及如何进一步提高光照与
姿态组合变化条件下的识别率，这些问题还没有得
到很好的解决，这将是今后人脸识别研究需要重点
关注的问题
.
总结及未来工作
本文介绍了我们建立的
CAS-PEAL
人脸库的
采集平台、创建过程和覆盖的图像变化条件
.
它提
供了一个大型的、多样化的人脸图像数据资源，在一
定程度上弥补了国内在大规模人脸数据库方面的
不足
.
我们测试了
Ei
g
enface
和
Correlation
两种基准
算法，以及两种商业系统在已经共享的
CAS-PEAL-
人脸库上的性能
.
结果表明：
（
1
）
Ei
g
enface
和
Correlation
算法在
CAS-PEAL-
1
人脸库上的识别性能非常差，这说明该人脸库具
备了一定的难度；
（
2
）两个最著名商业系统的识别性能远远高于
基准算法，尤其是对表情、背景、距离变化的情况，取
得了接近
100%
的正确识别率，这说明目前的人脸
识别方法对于这些变化已经具备了良好的适应能
力，而对饰物变化的鲁棒性还需要进一步的加强；
（
3
）两个最著名的商业系统对光照、姿态变化
的识别性能很不理想，这说明光照和姿态变化问题
是人脸识别领域需要进一步研究的关键性问题；
（
4
）光照和姿态两个子集不仅对于基准算法，
而且对于优秀的商业系统也表现出了较大的难度，
提供了一个光照和姿态变化的人脸图像数据平台，
有望在今后对这两个方面的研究中得到进一步的
应用
.
参考文献
［
1
］
Chella
pp
aR
，
WilsonCL
，
Sirohe
y
ndmachine
reco
g
nitionoffaces
：
Asurve
y
［
J
］
.Proceedin
g
softheIEEE
，
1995
，
83
（
5
）：
704!741
［
2
］
Philli
p
sPJohnathon
，
MoonH
，
RiZviS
y
edA
，
GIOI
.The
FERETevaluationmethodolo
gy
forface-reco
g
nitional
g
orithms
［
J
］
.IEEETransactionsonPatternAnal
y
sisandMachine
Intelli
g
ence
，
2000
，
22
（
10
）：
1090!1104
!
R1
R
1
期张晓华等：
CAS-PEAL
大规模中国人脸图像数据库及其基本评测介绍
17
［
3
］
Philli
p
sPJ
，
GrotherPJ
，
MichealsRJ
，
!"#$
.Facereco
g
nition
／／
vendortest2002
：
EvaluationRe
p
ort
［
OL
］
.htt
p
：
.
or
g
，
2003
［
4
］
TurkMattheW
，
g
enfacesforreco
g
nition
［
J
］
.
（：
JournalofCo
g
nitiveNeuroscience
，
1991
，
31
）
71!86
［
5
］
BelhumeurPeterN
，
~es
p
anhaJoaoP
，
Krie
g
manDavidJ.
Ei
g
faces
：
Reco
g
nitionusin
g
classs
p
ecific
J
］
.IEEETransactionsonPatternAnal
y
sis
linear
p
ro
j
ection
［
（：
andMachineIntelli
g
ence
，
1997
，
197
）
711!720
［
6
］
Geor
g
hiadesA
，
Krie
g
manD
，
Wto
［
!"#$
.TheCAS-PEAL15
］
GaoWen
，
CaoBo
，
ShanShi
g
uan
g
，
lar
g
e-scaleChinesefacedatabaseandevaluation
p
rotocols
［
R
］
.
Bei
j
in
g
：
JointResearch&Develo
p
mentLaborator
y
，
CAS
，
No.
JDLTR04FR001
，
2004
男，硕士，主要研
1979
年生，
究方向为人机接口技术
.
张晓华
man
y
：
Generativemodelsforreco
g
nitionundervariable
p
oseand
illumination
［
J
］
.IEEETransactionsonPatternAnal
y
sisand
MachineIntelli
g
ence
，
2001
，
23
（
6
）：
643!660
［
7
］
SimTerence
，
BakerSimon
，
p
ose
，
illuminationandex
p
ressiondatabase
［
J
］
.IEEETransactionson
PatternAnal
y
sisandMachineIntelli
g
ence
，
2003
，
25
（
12
）：
1615!1618
［
8
］
SamariaFS
，
~terizationofastochasticmodel
forhumanfaceidentification
［
A
］
.In
：
Proceedin
g
softhe2nd
IEEEWorksho
p
onA
pp
licationsofCom
p
uterVision
，
Sarasoto
，
Florida
，
1994.245!248
［
9
］
Don
g
~
y
o
j
a
，
aceima
g
edatabasePF01
［
OL
］
.
htt
p
：／／
nova.
p
／
archives
／
10
］
MartinezAR
，
acedatabase
［
R
］
.
Barcelona
，
S
p
ain
：
Com
p
uterVisionCenter
（
CVC
），
Technical
Re
p
ort24
，
1998
11
］
Baill
y
-BailliereE
，
Ben
g
ioS
，
BimbotF
，
!"#$
.TheBANCA
databaseandevaluation
p
rotocol
［
A
］
.In
：
Proceedin
g
softhe
4thInternationalConferenceonAudio-andVideo-Based
BiometricPersonAuthentication
（
AVBPA
），
Guildford
，
2003.
625!638
12
］
~Wan
g
B-W
，
B
y
un~
，
RohM-C
，
!"#$
.Performance
evaluationoffacereco
g
nitional
g
orithmsontheAsianface
database
，
KFDB
［
A
］
.In
：
Proceedin
g
softhe4thInternational
ConferenceonAudio-andVideo-BasedBiometricPerson
Authentication
（
AVBPA
），
Guildford
，
2003.557!565
13
］
BlanzV
，
p
hablemodelforthes
y
nthesisof3D
faces
［
A
］
.In
：
Com
p
uterGra
p
hicsProceedin
g
s
，
Annual
ConferenceSeries
，
ACMSIGGRAP~
，
LosAn
g
eles
，
California
，
1999.187!194
14
］
MesserK
，
MatasJ
，
KittlerJ
，
!"#$
.XM2VTSDB
：
The
extendedM2VTSdatabase
［
A
］
.In
：
Proceedin
g
softhe2nd
InternationalConferenceonAudio-andVideo-BasedBiometric
PersonAuthentication
，
Washin
g
tonDC
，
1999.72!77
山世光男，
1975
年生，博士，助理研
究员，主要研究方向为模式分析与机器智
能（
s
g
shan"
j
）
.
曹波男，
1977
年生，博士研究生，
主要研究方向为图像分析与模式识别
bcao"
j
）
.
高文男，
1956
年生，博士，教授，
主要研究方向为多媒体技术、模式分析、机
器智能（
W
g
ao"
j
）
.
周德龙男，
1966
年生，博士，副教
授，主要研究方向为模式识别与图像处理
dlzhou"
j
）
.
赵德斌男，
1963
年生，博士，教授，博
士生导师，主要研究方向为图像／视频编解
码方法、多媒体计算（
dbzhao"
j
）
.
［
［
［
［
［
（
（
CAS-PEAL大规模中国人脸图像数据库及其基本评测介绍
作者：
作者单位：
刊名：
英文刊名：
年，卷(期)：
被引用次数：
张晓华， 山世光， 曹波， 高文， 周德龙， 赵德斌
中国科学院计算技术研究所数字化研究室,北京,100080
计算机辅助设计与图形学学报
JOURNAL OF COMPUTER-AIDED DESIGN & COMPUTER GRAPHICS
2005,17(1)
13次
ps P Johnathon;Moon H;Rizvi Syed A
The FERET evaluation methodology for face-recognition
algorithms[外文期刊] 2000(10)
Wen;Cao Bo;Shan Shiguang
The CAS-PEAL large-scale Chinese face database and evaluation
protocols 2004
-Bailliere E;Bengio S;Bimbot F
The BANCA database and evaluation protocol[外文会议] 2003
ez A R;Benavente R
The AR face database 1998
ppa R;Wilson C L;Sirohey S
Human and machine recognition of faces: A survey[外文期刊]
1995(05)
Hyoja;Gu Nam
Asian face image database PF01
a F S;Harter A C
Parameterization of a stochastic model for human face identification 1994
Terence;Baker Simon;Bsat Maan
The CMU pose, illumination and expression database[外文期刊]
2003(12)
iades A;Kriegman D;Belhumeur P
From few to many: Generative models for recognition under
variable pose and illumination 2001(06)
eur Peter N;Hespanha Joao P;Kriegman David J
Eigenfaces vs. Fisherfaces: Recognition using
class specific linear projection[外文期刊] 1997(07)
Matthew;Pentland Alex
Eigenfaces for recognition 1991(01)
ps P J;Grother P J;Micheals R J
Face recognition vendor test 2002: Evaluation Report 2003
K;Matas J;Kittler J
XM2VTSDB: The extended M2VTS database 1999
V;Vetter T
A morphable model for the synthesis of 3D faces 1999
B -W;Byun H;Roh M -C
Performance evaluation of face recognition algorithms on the Asian
face database,KFDB 2003
1.
童晓阳.张青.刘恒.皮小平
大型中国人人脸库(LCFD)[期刊论文]-计算机应用2003,23(8)
1.孙士明.王芹芹.纪友芳
单样本人脸识别中的虚拟样本扩展方法研究[期刊论文]
-
微计算机应用 2010(9)
2.牛志恒.山世光.陈熙霖
双向层级结构分类器及其在面部特征点定位中的应用[期刊论文]
-
高技术通讯 2010(8)
3.钱艺.童卫青.王基帆
基于多尺度LBP的人脸识别算法[期刊论文]
-
现代计算机（专业版） 2009(8)
4.袁贞明.卢志平
一种基于维度约减的快速人脸检测方法[期刊论文]
-
杭州师范大学学报（自然科学版） 2009(2)
5.张生亮.杨静宇
基于多级分类的大类别人脸识别研究[期刊论文]
-
计算机应用研究 2008(10)
6.唐旭晟.欧宗瑛.苏铁明.胡青泥.华顺刚
人脸识别中基于互信息的特征优选[期刊论文]
-
大连理工大学学报
2008(1)
7.李玉鑑.付翠花
一种基于特征串比较的眉毛识别方法[期刊论文]
-
北京工业大学学报 2008(1)
8.李玉龙.王民.杨全
基于Adaboost与SOFMN的人脸识别[期刊论文]
-
微计算机信息 2007(31)
9.聂祥飞.郭军.杨震
基于小波变换的人脸检测[期刊论文]
-
北京邮电大学学报 2006(3)
10.陈锻生.刘政凯
肤色检测技术综述[期刊论文]
-
计算机学报 2006(2)
11.李全彬
非约束环境下的人脸识别系统的研究[学位论文]硕士 2006
12.梁永涛
基于形状预测模型的多光照人脸识别[学位论文]硕士 2006
13.张生亮
大类别及少量训练样本的人脸识别问题研究[学位论文]博士 2005
本文链接：/Periodical_