Yüz tanıma hardcore popüler bilim: kalabalığın içinde kendine bak, yüzünü asla unutma
Xiao Bian doğal olarak tembel bir kişidir ama aynı zamanda sabırsızdır.Böyle bir insan en çok teknolojinin hizmetinden yararlanmanın zevkini yaşar.
Örneğin, on yıldan daha uzun bir süre önce, insanlar genellikle nakit kullanırken, editör mağazada kontrol etmek için sıraya girdi.Kasiyerin değişiklik aradığını gördüğümde, endişeleniyor ve eşyaları alıp hemen gidebilmeyi diliyordum. insanlar. O sırada genç editör yumruklarını sıktı ve parayı değiştirmekten kaçınmanın bir yolunu bulmayı hayal etti.
Daha sonra yıllardır kalbimde filizlenen bu rüya başkaları tarafından gerçekleştirildi ve hayal kırıklığına uğradığımda bile keyif aldım. Nakitten çok daha kolay ve hızlı olan QR kodunu cep telefonunuzla tarayarak ödeme yapabilirsiniz. Ama Allah bilir "tembel kanser + akut kanser" editörünün geç aşamada olduğunu ... Zamanla kodu taramak ve şifreyi girmek için elimi kaldırmanın da çok zahmetli olduğunu hissediyorum. Böylece daha sonra ortaya çıkan parmak izi ödemesi editörü kurtardı.
Daha sonra parmaklarımı hareket ettirmeme bile gerek kalmadı çünkü bir "tokatlamak surat ödemesi" vardı, elimde iPhone'un mükemmel deneyimi ile bu özelliği sevdiğimi söylemeliyim.
Yüz ödemesi, editörü parayı öderken uzun süre beklemenin endişesinden ve huzursuzluğundan kurtardı, bu nedenle, IT House yazı işleri departmanının teknolojik atmosferine yıllarca girdikten sonra, editör herkese bunu söylemenin gerekli olduğunu düşünüyor " Ne tür bir şey "fırçalamak", akıllıca bir rapor olarak kabul edilebilir!
Adından da anlaşılacağı gibi "yüz fırçalama" anahtar bir teknolojinin arkasında: yüz tanıma.
Yüz tanıma teknolojisi üzerine yapılan en eski araştırmanın 1950'lere dayandığına bakmayın. O zamanlar, bilim adamları zaten yüz hatlarının ayıklama yöntemlerini inceliyorlardı, ancak Teknik düzeyde, bu teknolojinin ilgili araştırmaları bir zamanlar durguntu. 1980'lere kadar yüz tanıma yönteminde yeni atılımlar yapıldı. Nörofizyoloji, beyin nörolojisi, görme ve diğer ilgili bilgiler tanıtıldı ve yüz tanıma yeni bir döneme girdi. Geliştirme aşaması.
Bu nedenle, şu anki aşamadaki yüz tanıma tek bir teknoloji değil, nörofizyoloji, nöroloji, bilgisayar görüşü ve diğer disiplinleri bütünleştiren bir teknolojidir. Ancak, esasen bir bilgisayarla görme teknolojisidir.
Elbette, bu makalenin odak noktası yüz tanıma tarihini gözden geçirmek değil, size yüz tanımanın arkasındaki bazı temel ilkeleri anlatmaktır.
Yüz tanıma teknolojisi sisteminin temel mantıksal mimarisi
Cep telefonlarının kilidini açmak ve ödemeleri her gün kontrol etmek için yüz tanıma teknolojisini kullanıyoruz. Bu çok doğal, ancak çok az öğrencinin bu teknolojinin arkasındaki süreç hakkında derinlemesine düşündüğüne inanıyorum.
Bilgisayarla görmenin yüz tanıma için en yakından ilişkili teknoloji olduğunu daha önce söylemiştik. Yani bu noktadan başlıyoruz.
Genel olarak, bilgisayarla görme, görüntüleri elde etmek için insan gözünün yerini alacak kameralar ve diğer ekipmanı kullanmak, görüntü bilgilerini işlemek için bilgisayarları kullanmak ve insan görüşü ile ilgili hesaplamalı bir teori oluşturmak için insan bilişsel modellerini entegre etmektir.
Bunların arasında en zoru şüphesiz görüntü bilgisinin nasıl işleneceği ve insan bilişsel modellerinin nasıl simüle edileceğidir.
Bu sorunları çözmek için, bilgisayarla görme aynı zamanda görüntü işleme, örüntü tanıma, görüntü anlama, görüntü oluşturma ve diğer disiplinler hakkındaki bilgileri de tanıttı.
Görüntü işleme, orijinal görüntüyü bilgisayarın tanıması daha kolay olan bir görüntüye dönüştürmektir; örüntü tanıma, bilgisayarın neyi tanımak istediğine ve onu nasıl tanıyacağına karar verdiği süreçtir; görüntüyü anlama, görüntüde açıklanan sahneyi analiz etmektir; örneğin görüntü oluşturma Başka bir deyişle, görsel bilgilerinin bir kısmı eksik olduğunda, eksik bilgiler eklenebilir ...
Bunların hepsi bilgisayarla görmenin kullanması gereken konu teknolojileridir. Burada odaklanmak istediğimiz şey, bilgisayarla görme uygulamasına özgü bağımsız bir teorik sistem olan örüntü tanımadır, bilgisayarın temsil ettiği görüntünün aynı kategoriyle eşleştirilmesi sürecini temsil eder.
Biraz anladın mı IT House size genel olarak açıklayacaktır, sözde "tanıma" önce bilmek ve sonra ayırt etmek demektir. Biliyor musun? Görüntüden özetlenen görüntünün ve hedef nesnenin özelliklerini tanır. Nasıl söylesem? Özetlenmiş unsurları, ustalaştığınız unsur kitaplığı ile karşılaştırmaktır ve ardından tanımlamayı gerçekleştirebilirsiniz.
Biz insanlar da aynı nesneyi tanıdığımızda bu mantığı izliyoruz, önce özellikleri özetliyor ve sonra karşılaştırıyoruz. Önceki "mod" a gelince, biraz soyut, onu özellik ve tip karşılaştırmasının sonucunu etkileyen bir tür yasa olarak anlayabilirsiniz.
Doğru, yüz tanıma aslında bu süreçtir.
Öyleyse, genel örüntü tanıma sürecine bir göz atalım: ön işleme, özellik çıkarma ve sınıflandırma. Aşağıdaki akış şemasını çiziyoruz:
Ön işleme ilk adımdır, ancak işin bu kısmı, görüntüdeki parazit parazitini azaltmak, netliği artırmak, ayrıca görüntü filtreleme, dönüştürme, kod dönüştürme ve analogdan dijitale dönüştürme gibi çok karmaşık olabilir.
Özellik çıkarma, önceden işlenmiş görüntüde tanıma üzerinde belirgin etkileri olan özellikleri ayıklamak ve bu süreçte, işlenmelerini kolaylaştırmak için desen özelliklerinin boyutsallığını azaltmaktır. Bu karmaşık bir süreçtir ve daha sonra belirli yöntemler hakkında konuştuğumuzda yansıtılacaktır;
Sınıflandırma, karar vermeyi kolaylaştırmak için çıkarılan özellik değerlerini belirli kriterlere göre sınıflandırmaktır.
Örneğin bilgisayar bu fotoğraftaki adamı teşhis etmek istiyor.Fotoğrafı aldığında resmin çok karanlık olduğunu hissedebilir.Önce parlaklığı artırın, sonra çok fazla gürültü olduğunu bulun, sonra gürültü azaltma yapın ... İyi hissettikten sonra fotoğraf dijital bilgiye dönüştürülür Bu süreç ön işlemedir.
Çıkarılan özellik değeri ayrı bir özellik alanına girecektir çünkü daha iyi tanınabilir ve sınıflandırılabilir. Daha sonra, özellik uzayındaki verileri sınıflandırmalı, gözleri göze, burnu buruna, saç saça ait olsun ... Bu sınıflandırılmış verilere dayanarak, bilgisayar kimlik yargıları yapabilir ve karar verebilir.
Tabii ki, herkesin bu mantıksal süreci anlamasını kolaylaştırmak için, IT House burada sadece kaba bir açıklamadır ve bu yanlış olabilir. Asıl adımlar da oldukça karmaşıktır. Net olmayan görüntü kalitesi ve arka plan gibi çeşitli girişim faktörleri dikkate alınmalıdır. Karmaşıklık, görüntü aydınlatmasının eşit olmayan dağılımı, hedef duruş açısının bozulması veya başlık, gözlük, sakal, makyaj vb.
Açıklanması gereken bir diğer nokta da bu örüntü tanıma sisteminin bir kendi kendine eğitim ve öğrenme sürecini gerektirmesidir.En önemli şey önceki sınıflandırma hata oranının (sınıflandırıcı eğitimi) eğitimidir, çünkü önceki sınıflandırmada biz Sınıflandırma sonucunun% 100 doğru olduğuna dair bir garanti yoktur, ancak belirli bir hata oranında kontrol edilmelidir, vb. Hata oranının gereksinimleri karşılaması için çok sayıda eğitim numunesi aracılığıyla bu sürekli olarak düzeltilmelidir.
Yukarıdaki bilgisayarla görme örüntü tanıma tartışmasına dayanarak, yüz tanıma sisteminin ana işlevsel modüllerini verebiliriz:
Bazı arkadaşlar yukarıda listelenen işlevsel modüllerin çok basit olduğunu düşünebilir, bu nedenle daha kesin olabilir ve aşağıdaki mantıksal mimari şemasını verebiliriz.Anlaşmanın zor olmadığına inanıyorum:
Genel yüz tanıma yöntemleri
Yukarıdaki bölümde, esas olarak yüz tanımanın temel mantık akışını tanıttık. Aslında, yüz tanımanın temel fikri nispeten benzerdir. Görüntüdeki özellikleri çıkarmak, onu uygun bir alt uzaya dönüştürmek ve sonra Bu alt uzayda benzerlik veya sınıflandırma öğrenmesi ölçülür. Ama asıl soru, objektif dünyanın koordineli ve etkili bir temsilinin nasıl kullanılacağıdır? Uygun alt uzayları nasıl buluruz ve farklı kategorileri ayırt edebilmek ve benzer kategorileri toplamak için onları nasıl sınıflandırabiliriz? Bu sorunları çözmek için birçok yöntem ve çözüm türetilmiştir.
Dolayısıyla bahsettiğimiz yüz tanıma teknolojisi geneldir, aslında pek çok teknoloji ve yöntemin bir araya toplanmasıdır.
Yukarıdaki mantıksal yapı şemasına göre adım adım açıklayabiliriz.
1. Ön işlem
Yüz görüntüsünün ön işlemesi hakkında söylenecek çok şey yoktur, esas olarak gürültü giderme, gri ölçekli normalleştirme, geometrik düzeltme vb. İçerir. Bu işlemler genellikle mevcut algoritmalar tarafından gerçekleştirilir ve nispeten basit işlemlerdir. Ancak burada esas olanın statik yüz görüntülerinin ön işlemesi olduğu unutulmamalıdır.Dinamik yüz görüntülerinin ön işlemesi ise daha karmaşıktır.Genel olarak dinamik yüz görüntüsünün bir grup statik yüz görüntüsüne bölünmesi gerekir. , Sonra yüz üzerinde kenar algılama ve konumlandırma gerçekleştirin ve burada genişletilmeyecek bir dizi işleme yapın.
2. Özellik çıkarma
Görüntü özelliklerinin çıkarılması daha kritik bir adımdır (yukarıda bahsedilen desen uzayından özellik uzayına geçiş), ancak aynı zamanda görüntü işleme için nispeten ilkel bir adımdır. Görüntü özelliği çıkarmanın birçok yöntemi vardır, ancak aslında bunu düşünüyoruz.Genel olarak renk özelliği, doku özelliği, uzamsal ilişki özelliği, şekil özelliği gibi görüntü özellikleri kategorize edilebilir, her bir özelliğin HOG özellik yöntemi, LBP özellik yöntemi, Haar özellik yöntemi gibi bazı klasik ve kullanımı kolay eşleştirme yöntemleri vardır. Elbette editörün tek tek açıklaması imkansızdır, işte bunlardan biri - HOG özellik yöntemi.
HOG özelliği aynı zamanda, Navneet Dalal ve Bill Triggs tarafından 2005 yılında doktora tezinde önerilen yönlü gradyan histogramı olarak da adlandırılır. Nasıl çalıştığına kısaca bakalım.
Bu fotoğrafı örnek alalım, ilk adım onu siyah beyaz bir fotoğrafa çevirmek çünkü buradaki renk bilgileri tanımaya yardımcı olmuyor.
Bu siyah beyaz fotoğrafta tek bir piksele bakıyoruz, etrafındaki pikselleri gözlemliyoruz ve yavaş yavaş hangi yönde koyulaştığını görüyoruz ve ardından bu pikselin koyulaştığı yönü belirtmek için bir ok kullanıyoruz.
Bu işlemi her bir piksel üzerinde gerçekleştirirseniz, tüm pikseller, pikselin açık ve koyu değişimlerinin yönünü gösteren bu tür oklarla değiştirilecektir. Bu tür her ok, açık-koyu bir gradyanı temsil eder.
Aslında, koordinat sistemi verildiğinde her piksel için gradyan yön değerini bulabiliriz. Hesaplama yöntemi daha karmaşıktır, anlamamız gerekmez, sadece bu adımın hedefin kontur bilgisini yakalamak ve ışığın girişimini daha da zayıflatmak olduğunu bilmemiz gerekir.
Çıkarma bu şekilde yapılırsa hesaplama miktarı çok büyük olacaktır. Bu nedenle, görüntüyü Hücre adı verilen küçük 8x8 piksel karelere böleceğiz ve ardından degradenin boyutu ve yönü dahil olmak üzere her Hücre için gradyan bilgisini hesaplayacağız. Sonuç, bu Hücrenin 9 boyutlu özellik vektörüdür.
Sanırım burada herkesin kafası biraz karışık. IT Home arkadaşlar için biraz açıklayacak. Aslında, bu adımın amacı her hücre için bir gradyan yön histogramı oluşturmaktır.Histogram, hepimizin iyi bildiği çubuk grafiktir. Bu histogramda, X ekseni yöndür Aralığın bölünmesi, Navneet Dalal ve arkadaşlarının çalışması, 9 aralığı bölmenin etkisinin en iyi olduğunu, 180 ° yön ise, her aralığın 20 ° 'yi temsil ettiğini göstermektedir. Y ekseni, belirli bir yön aralığındaki gradyanı temsil eder. Bu, her Hücrenin özellik tanımlayıcısına eşdeğerdir.
Kabaca anlamı budur (resim kaynağı: Kaliforniya Üniversitesi, San Francisco'nun görüntü işleme kağıdı)
Burada başka bir adım daha var, yani görüntünüz ışıktan büyük ölçüde etkileniyorsa, o zaman belirli bir hücreyi 2x2 hücre gibi bir bloğa dönüştürebilirsiniz, böylece her bir blok 36 boyutlu bir özellik vektörü ve ardından 36 boyutlu Özvektörler normalleştirilmiştir (özel olarak nasıl düzenleneceği, ileri matematik bilgisini içerir ve herkesin bilmesine gerek yoktur).
Girdiğimiz görüntünün boyutu 256x512 piksel ise 32x64 = 2048 hücre, 31x63 = 1953 blok ve her bloğun 36 boyutlu vektörleri var ve bu görüntünün 1953x36 = 70308 boyutlu vektörleri var. Bu 70308 boyutlu vektör, bu görüntünün HOG özellik vektörüdür.
Elbette yukarıdaki adımları anlamıyorsunuz. Yalnızca orijinal görüntünün aşağıda gösterildiği gibi HOG biçiminde temsil edildiğini bilmeniz gerekir:
Daha sonra, bu HOG formatına göre, kütüphanemizde bilinen bazı HOG stillerinin en benzer kısmını buluyoruz.
3. Görüntü tanıma
Bilim adamları tarafından yıllarca süren araştırma ve geliştirmeden sonra, yüz tanıma teknolojisi çeşitli araştırma yönleri ve daha fazla araştırma yöntemi oluşturdu. Eğer sıralarsak, esas olarak geometrik özellik tabanlı yöntemler, şablon tabanlı yöntemler, model tabanlı yöntemler ve Diğer yöntemler.
Geometrik özelliklere dayalı yöntem nispeten erken ve geleneksel bir yöntemdir ve esas olarak yüz tanımanın önemli bir özelliği olarak insan yüzünün gözleri, burnu ve diğer organlarının şeklinin ve yapısal ilişkisinin geometrik tanımını inceler.
Şablon tabanlı yöntemin temel fikri, korelasyon eşleştirmeye dayalı yöntem, özyüz yöntemi, doğrusal diskriminant analiz yöntemi, sinir ağı yöntemi vb. Dahil olmak üzere mevcut şablonu görüntüdeki aynı boyut alanıyla karşılaştırmaktır.
Model tabanlı yöntemin yönü, yüzün göze çarpan özelliklerini bulmak, ardından yüzü kodlamak ve daha sonra, gizli Markov modeli, aktif şekil modeli ve aktif görünüm gibi yüz tanıma elde etmek için işleme için ilgili modeli kullanmaktır. Model yöntemi vb.
Farklı yüz tanıma algoritmaları
Yüz tanıma alanında, Eigenface, Local Binary Mode, Fisherface, vb. Gibi bazı klasik algoritmalar vardır. Ancak, IT House hala zamana ayak uydurmanın daha iyi olduğunu düşünmektedir, bu yüzden mevcut olanı seçin. Örnek olarak, yaygın olarak kullanılan ve popüler bir yöntem OpenFace olarak adlandırılır. Elbette gerçek bir test yapmıyoruz, sadece tanıma ilkesini anlamak için kullanıyoruz.
OpenFace, model tabanlı bir yöntemdir. Dönüm noktası, baş pozu, Actionunions, göz bakışı ve diğer işlevlerin yanı sıra tüm kaynak kodlarını eğitmek ve algılamak için açık kaynaklı bir yüz çerçevesi içeren açık kaynaklı bir kitaplıktır.
Önceki adımlarda, IT House, görüntüdeki yüzün özellik verilerinin HOG yöntemi ile nasıl çıkarılacağını, yani yüzün başarılı bir şekilde tespit edilmesini tanıttı.
Şu anda başka bir sorun daha var, yani yüzün duruşu o kadar "dik" görünmüyor Aynı kişi için, duruşu ve yüz yönelimi farklıysa, insanlar onu yine de tanıyabilir, ancak bilgisayar onu tanımayabilir. .
Bu sorunu çözmenin bir yolu, yüzün ana özelliklerinin özellik noktalarını tespit etmek ve ardından yüzü bu özellik noktalarına göre hizalamaktır. Bu, Vahid Kazemi ve Josephine Sullivan tarafından 2014 yılında icat edilen bir yöntemdir. Yüzün önemli kısımları için 68 yer işareti seçerler.Bu 68 noktanın konumları sabittir, bu nedenle sadece sistemi eğitmeleri gerekir. Bu 68 nokta herhangi bir yüzde bulunabilir.
Resim kaynağı: OpenFace API okuma belgesi (buraya tıklayın)
Bu 68 nokta ile yüz, esas olarak orijinal çarpık yüzü düzeltmek ve hataları ortadan kaldırmaya çalışmak için afin dönüşüm ile düzeltilebilir. Buradaki afin dönüşüm, görülememesi için abartılı distorsiyondan ziyade esas olarak bir miktar döndürme, genişleme ve küçültme veya hafif deformasyon içindir.
İşlem yaklaşık olarak şu şekildedir, orijinal yüz bir dereceye kadar düzeltilmiştir (resim kaynağı: OpenFace github açıklama sayfası)
Böylelikle orijinal yüz görüntüsünü ve HOG'un özellik vektörünü girerek sadece yüzü içeren doğru duruşa sahip bir görüntü elde edebiliyoruz.
Bu adımda, bu yüz görüntüsünü doğrudan karşılaştıramayacağımızı unutmayın, çünkü iş yükü çok büyüktür, bu yüzden yapmamız gereken, özellikleri çıkarmaya devam etmek.
Daha sonra, bu yüz görüntüsünü bir sinir ağı sistemine girip bu yüz için 128 boyutlu bir vektör oluşturmasına izin veriyoruz, bu yüzün 128 ölçüsü olduğu da söylenebilir, bunlar gözler arasındaki mesafeyi temsil edebilirler. Kaşlara olan uzaklık, kulakların boyutu vb. Bu sadece size kolaylık sağlamak için bir örnek aslında, 128 boyutlu vektörün hangi özellikleri temsil ettiğini bilmiyoruz.
Tabii ki, bu adımı söylemek basit, ancak zorluk böyle bir evrişimli sinir ağının nasıl eğitileceğinde yatıyor. Spesifik eğitim yöntemi, anlamamız gereken bir şey değildir, ancak düşünce zincirini anlayabiliriz. Eğitim sırasında, bir yüz görüntüsünün vektör temsilini, aynı yüzün farklı pozlarla vektör temsilini ve başka bir yüzün vektör temsilini girebilir, benzer işlemleri tekrarlayabilir ve sürekli ayarlayabiliriz, ayarlamanın amacı aynı türde karşılık gelen vektör temsilini yapmaktır. Mümkün olduğu kadar yakın, aslında, aynı kişinin vektörü, olabildiğince yakın mesafe anlamına gelir.Aynı şekilde, farklı kategorilerin vektörü, mümkün olduğunca uzaklığı ifade eder. Yapay zeka sinir ağı eğitiminin temel ilkelerine gelince, IT House tarafından yayınlanan "AI, bilim kurgu filmlerinde bir bela değil, yavaş yavaş değişen bir yaşam tarzıdır" makalesine göz atabilirsiniz.
Aslında eğitim fikrinin anlaşılması da kolaydır çünkü bir kişinin yüzü duruşunu nasıl değiştirirse değiştirsin, gözler arasındaki mesafe, kulakların boyutu ve burnun uzunluğu gibi bazı şeyler bir süre için sabitlenir.
Bu 128 ölçümü aldıktan sonra son adım basit, yani bu 128 ölçümü eğittiğimiz ve test ettiğimiz tüm yüz verileriyle karşılaştırın.En yakın ölçüm, tanımlamak istediğimiz kişidir. .
Bu şekilde yüz tanıma işlemi tamamlanabilir.
sonuç olarak
Yüz tanıma teknolojisi, 70 yılı aşkın bir süredir geliştirilmesinin ardından, bilgi güvenliği, dilbilim, nöroloji, fizik, yapay zeka ve diğer çoklu disiplinleri birleştiren, bilgisayarla görme ve dijital bilgi işlemeye odaklanan kapsamlı bir teknik konu haline geldi. , Bu çağrışım son derece zengin ve gelişme hızlı. IT House'un bu makalede size açıklamaya çalıştığı şey, yüz tanımanın yalnızca en temel ve popüler ilkeleri ve nispeten tek kullanımlık bir vaka analizidir. Açıkçası, yüz tanıma alanındaki tüm içeriği kapsayamaz. Sadece bugün anlamayı ve anlamayı umuyor. Alışkın olduğumuz yüz tanıma işlevi yardımcı oluyor.
Uluslararası araştırma kuruluşu Gen Market Insights tarafından yayınlanan verilere göre, yüz tanıma ekipmanının küresel pazar değeri 2025'in sonunda 7,17 milyar ABD dolarına ulaşacak. Yüz tanıma teknolojisinin akıllı telefonlarda yaygın olarak uygulanması, bize bu teknolojiyi anlamamız için sadece bir fırsat sunuyor. Gelecekte, 5G Her Şeyin İnterneti çağının ortaya çıkmasıyla, akıllı donanım pazarı büyük ölçüde genişleyecek ve yüz tanıma teknolojisinin yeteneklerini gerçekten gösterebileceği yer burasıdır.
Evet, bu müreffeh güzelliğin editörü nihayet anlamlı bir şey yapabildiğinde ve ebeveynlere layık sayılabilecek en kısa zamanda bu dönemin gelişini dört gözle bekliyorum.
Bu makale için referanslar:
Shen Li, Liu Yiguang, Xiong Zhiyong, 2015-11-16, "Yüz Tanıma İlkeleri ve Algoritmaları: Dinamik Yüz Tanıma Sistemi Araştırması"
CSU985, CSDN, 2018-10-06, "Görüntü Özelliği Çıkarma Özeti"
Yapay Zihinsel Engellilik v, Kısa Kitap, 2018-07-30, "HOG Özellikleri-Yaya Tanıma"
laolaonuonuo, CSDN, 2018-03-10, "Yüz Tanıma için Ana Algoritmalar"
Büyük veri v, CSDN, 2018-08-23, "Derinlemesine kuru mallar! Yüz tanıma teknolojisini anlamak için bir makale (önerilen koleksiyon) "
leon1741, CSDN, 2018-08-02, "Basit bir şekilde yüz tanımanın ilkeleri"
zouxy09, CSDN, 2015-04-25, "Özyüz yüz tanıma yöntemi (Eigenface)"
csdn araştırma ve geliştirme teknolojisi, CSDN, 2018-01-26, "OpenFace'in nasıl doğru yüz tanıma sağladığını görün"
