1， 題目： IR and Visible Light Face Recognition
2， 作者： Xin Chen Patrick J. Flynn Kevin W. Bowyer
3， 單位：Department of Computer Science and Engineering, University of Notre Dame
4， 期刊及年份：Computer Vision and Image Understanding，Volume 99 , Issue 3(September 2005)
2，數據庫來源，包括情緒誘發實驗的具體設計方法以及實驗器材等
（1） 數據庫大小：由488個不同的採集對象提供，每類圖像（紅外/可見光）均爲10916張採集時間爲2002年—2003年；
（2）採集方法：
（3）每週採集一次，大多數採集者在不同的幾周裏參與多次；
（4）實驗環境：光照一個位於採集者面前約8英寸的位置，另一個距左側約4英寸，還有一個具右側約4英寸。所有光照均對着採集者的臉部，三個燈光均大約6、7英寸高（1）側光打開、中間關閉（“FERET style lighting”èLF）（2）三者均打開(“mugshot lighting ”èLM) ；在每種光照條件下，每個採集對象兩種表情（中型表情èFA；微笑表情èFB），並要求全部摘除眼鏡；
（4）採集儀器：紅外圖像使用非製冷的Merlin長波紅外高分辨率攝像機（具有實時性、60HZ，12位的數字數據流、靈敏度在7.0-14.0微米的範圍內、有包含320*240非製冷微量熱探測器的焦平面陣列等性能）
3，特徵抽取/選擇的方法
4，情感的表達以及分類識別方法
5，特色與不足
另外,還請關注每篇文章的引言部分是如何提出問題的,對現狀的描述;
以及結束語部分.
IR and Visible Light Face Recognition
Abstract
This paper presents the results of several large-scale studies of face recognition employing visible light and infra-red (IR) imagery in the context of principal component analysis(PCA). We find that in a scenario involving time lapse between gallery and probe, and relatively controlled lighting, (1) PCA-based recognition using visible light images outperforms PCA-based recognition using infra-red images, (2) the combination of PCA-based recognition using visible light and infra-red imagery substantially outperforms either one individually. In a same session scenario (i.e. nearsimultaneous acquisition of gallery and probe images) neither modality is significantly better than the other. These experimental results reinforce prior research that employed a smaller data set, presenting a convincing argument that, even across a broad experimental spectrum, the behaviors enumerated above are valid and consistent.
重點：數據庫的獲取；分析過程；圖像融合方法；
主要內容：使用PCA 方法對兩種識別方法進行分析，並給出實驗結果。
在考慮時間推移以及光照受控的條件下：（1）使用PCA的可見光人臉識別性能要優於基於PCA的紅外人臉識別。（2）基於兩者（V/IR）融合的人臉識別（PCA）要優於單一的人臉識別性能。（3）在相同時間（採集和測試幾乎在同時進行）下，兩種識別性能差不多；（4）實驗所使用的數據庫要比以前的研究中所使用的數據庫要小，提出一種有說服力的論證；即使涉及到不詳細的實驗波譜，上述特性依然存在。
Introduction
（1） passive infrared sensor technology(無源【被動】紅外傳感器技術)
（2） IR攝像機的分辨率要低於可見光頻譜照相機
原因：
1） the testing set size in these studies is relatively small, the training and gallery are composed of disjoint sets of images of the same subjects, and there is no substantial time lapse between gallery and probe image acquisition.
2） manually locate eye-locations in infrared images;
3） much higher resolution for visible light source images than the infrared images (240 _ 320).
4） Infrared face images could be more insensitive to facial expression change.
5） 室內圖像/室外圖像；眼部精確定位
***********************有關結論及結果***************************
1.）although eyes cannot be detected as reliably in thermal images as in visible ones, some face recognition algorithms can still achieve adequate performance
2.）while recognition with visible-light imagery outperforms that with thermal imagery when both gallery and probe images are acquired indoors, if the probe image or the gallery and probe images are acquired outdoors, then it appears that the performance possible with IR can exceed that with visible light.
（3） Wilder et al. [4] demonstrated that both visible light and IR imageries perform similarly across algorithms
（4） The FRVT 2002 coordinators report that face recognition performance decreases approximately linearly with elapsed time.
*******************************************************************************
一、數據採集處理（試驗儀器、實驗環境、對象分類）
2. 數據庫大小：由488個不同的採集對象提供，每類圖像（紅外/可見光）均爲10916張採集時間爲2002年—2003年；
3. 採集方法：
（1） 每週採集一次，大多數採集者在不同的幾周裏參與多次；
（2） 實驗環境：光照一個位於採集者面前約8英寸的位置，另一個距左側約4英寸，還有一個具右側約4英寸。所有光照均對着採集者的臉部，三個燈光均大約6、7英寸高（1）側光打開、中間關閉（“FERET style lighting”èLF）（2）三者均打開(“mugshot lighting ”èLM) ；在每種光照條件下，每個採集對象兩種表情（中型表情èFA；微笑表情èFB），並要求全部摘除眼鏡；
4. 採集儀器：紅外圖像使用非製冷的Merlin長波紅外高分辨率攝像機（具有實時性、60HZ，12位的數字數據流、靈敏度在7.0-14.0微米的範圍內、有包含320*240非製冷微量熱探測器的焦平面陣列等性能）
5. 圖像分類：
所有圖象分爲四類：（1）FA|LF（2）FA|LM（3）FB|LF（4）FB|LM
另外所有實驗有三類像集（image set）
（1）Training Set è用於構成人臉空間的圖像集合（同以下集合相分離）
（2）Gallery Set è包括所有可以唯一鑑別測試者身份的圖像組成
（3）Probe Setè通過於圖庫（gallery）中圖像匹配得到的圖像集合
6. 試驗任務：
(1)驗證（Am I who I say I am?）è提供驗證者的生物信息和驗證身份
(2)鑑別（Who am I?）è提供未知身份者的圖像，鑑別其身份
(3)監視清單（Are you looking for me?）檢測某個體是否在監視清單內，若是，給出其身份
6、圖像處理：
（1）手工定位人臉 （單擊每隻眼睛的中心位置）
（2）由於背景、臉部變形（縮放、旋轉、變換等）、傳感器變量（自動增益控制等）均會降低識別性能，因此文章使用CSU軟件（由美國Colorado State University研發的PCA軟件è文中有該軟件的功能介紹）對圖像進行了標準化處理
二、實驗中所使用的PCA算法è藉助於CSU軟件
設計目標：
（1） 產生Training Set的圖像分類規則è具有區分不同對象的不同圖像的能力
（2） 將以上規則應用於新圖像，實現不同圖像集間的對應
三、數據處理及其說明
四、在模式識別方面的方面總結了PCA技術並討論了距離測量技術對識別性能的影響
（馬氏距離/歐氏距離/城市街區距離）
五、給出兩個主要實驗（相同階段/時間推移的識別）的實驗結果，並對比兩者的識別性能
1、 Same-session Recognition
實驗一:
（1） 數據庫：82個不同採集對象，每人提供上述四種圖像（同時）
（2） 對圖庫（gallery）和測試庫（Probe）進行匹配。求最高匹配率
採用240個不同個體(不相關)的240副圖像進行測試,下面爲可見光圖像,上面爲紅外圖像 ,得出相關結論: 兩種圖像的整體識別性能都很高,因此這種”上限效應(Celling Effect)”使得很難比較兩者的真正差別
實驗二:
(1) 數據庫:從488位個體中挑選319位,每人提供四種類型的圖像,(注:有一定的時間推遲)
六、研究依時性（Time-Dependence）對識別的影響
七、研究對眼睛中部區域識別的性能靈敏度
八、Since training the subspace in the PCA algorithm is vital to recognition performance, we discuss in Section 11 three important factors: training bias, training set size and eigenvector tuning.
九、研究光照變化和面部表情變化對人臉識別的影響
十、紅外和可見光的融合技術
十一、 比較PCA算法和一種商業化人臉識別算法的性能
