Первая страница
Наша команда
Контакты
О нас

    Головна сторінка



Пояснювальна записка до магістерської кваліфікаційної роботи магістра

Пояснювальна записка до магістерської кваліфікаційної роботи магістра




Сторінка2/9
Дата конвертації13.03.2017
Розмір1.59 Mb.
ТипПояснювальна записка
1   2   3   4   5   6   7   8   9

1.3 Необхідність розпізнавання обличчя людини
У всіх біометричних технологій існують загальні підходи до вирішення задачі ідентифікації, хоча всі методи відрізняються зручністю застосування, точністю результатів.

Будь-яка біометрична технологія застосовується поетапно:



  1. сканування об’єкта;

  2. витяг індивідуальної інформації;

  3. формування шаблону;

  4. порівняння поточного шаблона з базою даних.

Біометрична система розпізнавання встановлює відповідність конкретних фізіологічних або поведінкових характеристик користувача деяким заданим шаблоном. Зазвичай біометрична система складається з двох модулів: модуль реєстрації та модуль ідентифікації.

Модуль реєстрації «навчає» систему ідентифікувати конкретну людину. На етапі реєстрації відеокамера або інші датчики сканують людину для того, щоб створити цифрове представлення її зовнішності. Сканування обличчя триває до 30 секунд, в результаті чого формуються кілька зображень. В ідеальному випадку, ці зображення будуть мати злегка різні ракурси й вирази обличчя, що дозволить отримати більш точні дані. Спеціальний програмний модуль обробляє це подання і визначає характерні особливості особистості, потім створює шаблон. Існують деякі частини обличчя, які практично не змінюються з плином часу, це, наприклад, верхні обриси очниць, області навколишніх вилиць і краю рота. Більшість алгоритмів, розроблених для біометричних технологій, дозволяють враховувати можливі зміни у зачісці людини, так як вони не використовують для аналізу області обличчя вище межі росту волосся. Шаблон зображення кожного користувача зберігається в базі даних біометричної системи або на чіпі картки.

Модуль ідентифікації отримує від відеокамери зображення людини і перетворює його в той же цифровий формат, в якому зберігається шаблон. Отримані дані порівнюються з збереженим в базі даних шаблоном для того, щоб визначити, чи відповідають ці зображення один одному. Ступінь подібності, необхідний для перевірки, являє собою якийсь поріг, який може бути відрегульований для різного типу персоналу, потужності системи розпізнавання, часу доби і ряду інших чинників.

Ідентифікація може виконуватися у вигляді верифікації, аутентифікації або розпізнавання. При верифікації підтверджується ідентичність отриманих даних і шаблона, що зберігається в базі даних. Аутентифікація – підтверджує відповідність зображення, одержуваного від відеокамери одному з шаблонів, що зберігаються в базі даних. При розпізнаванні, якщо отримані характеристики і один зі збережених шаблонів виявляються однаковими, то система ідентифікує людину з відповідним шаблоном.

При використанні біометричних систем, особливо системи розпізнавання облич, навіть при введенні коректних біометричних характеристик не завжди рішення про аутентифікації вірно. Це пов’язано з рядом особливостей і, в першу чергу, з тим, що багато біометричних характеристик можуть змінюватися. Існує певна ступінь ймовірності помилки системи. Причому при використанні різних технологій помилка може істотно відрізнятися. Для систем контролю доступу при використанні біометричних технологій необхідно визначити, що важливіше не пропустити «чужого» або пропустити всіх «своїх» [19].

Важливим фактором для користувачів біометричних технологій в системах безпеки є простота використання. Людина, характеристики якої скануються, не повинна при цьому відчувати ніяких незручностей. У цьому плані найбільш цікавим методом є, безумовно, технологія розпізнавання облич. Правда, в цьому випадку виникають інші проблеми, пов’язані в першу чергу, з точністю роботи системи.

Незважаючи на очевидні переваги, існує ряд негативних упереджень проти біометрії, які часто викликають питання про те, чи не будуть біометричні дані використовуватися для стеження за людьми і порушення їх права на приватне життя. Через сенсаційні заяви та необгрунтований галас сприйняття біометричних технологій різко відрізняється від реального стану справ.

Для ідентифікації особистості найкраще підходять технології розпізнавання по обличчю. Вони ненав’язливі (розпізнавання людини відбувається на відстані, без затримок і відволікання уваги), як правило, пасивні (не вимагають яких-небудь дій з боку людини), не обмежують користувача у волі переміщень і відносно недорогі. Крім того, люди звичайно легко впізнають один одного по обличчях, а значить і автоматизовані системи не повинні створювати труднощі (на практиці все інакше).

Виявлення та розпізнавання облич – один із напрямків, що найдинамічніше розвиваються у біометричній індустрії. Привабливість даного методу заснована на тім, що він найбільш близький до того, як люди звичайно ідентифікують один одного. Розповсюдження мультимедійних технологій, завдяки яким можна побачити усе більше відеокамер, установлених на міських вулицях і площах, аеропортах, вокзалах і інших місцях скупчення людей, визначили розвиток цього напрямку.

Технічна реалізація методу – більш складне (з математичної точки зору) завдання, чим розпізнавання відбитків пальців, і, крім того, вимагає більш дорогої апаратури (потрібна цифрова відео- або фотокамера й плата захвата відеозображення). У цього методу є один істотний плюс: для зберігання даних про один зразок ідентифікаційного шаблона потрібно зовсім небагато пам’яті, тому що людське обличчя можна «розібрати» на відносно невелику кількість ділянок, незмінних у всіх людей. Наприклад, для обчислення унікального шаблона, що відповідає конкретній людині, потрібно всього від 12 до 40 характерних ділянок.

Звичайно камера встановлюється на деякій відстані від об’єкта. Одержавши зображення, система аналізує різні параметри обличчя (наприклад, відстань між очами й носом). Більшість алгоритмів дозволяє компенсувати наявність у досліджуваного індивіда окулярів, капелюха й бороди. Для цієї мети звичайно використовується сканування обличчя в інфрачервоному діапазоні, але поки системи такого типу не дають стійких і дуже точних результатів.

Розпізнавання людини по зображенню обличчя виділяється серед біометричних систем тим, що, по-перше, не вимагає спеціального дорогого устаткування. Для більшості додатків досить тільки персонального комп’ютера й звичайної відеокамери. По-друге, відсутній фізичний контакт людини із пристроями. Не треба ні до чого доторкатися або спеціально зупинятися й чекати спрацьовування системи. У більшості випадків досить просто пройти мимо або затриматися перед камерою на кілька секунд. Розпізнавання зображень аналогічно розпізнаванню образів.

Такі завдання не мають точного аналітичного рішення. При цьому потрібне виділення ключових ознак, що характеризують зоровий образ, визначення відносної важливості ознак шляхом вибору їхніх вагових коефіцієнтів і облік взаємозв’язків між ознаками.

Завдання виявлення обличчя на зображенні (face detection) часто є «першим кроком», передобробці в процесі рішення задачі «вищого рівня» (наприклад впізнавання особи, розпізнавання виразу обличчя). Однак і сама інформація про присутність і, можливо, кількості осіб на зображенні або в відеопотоці може бути корисна для таких додатків, як охоронні системи та змістовна індексація бази даних зображень або відеофрагментів [5, 15, 26].

У контексті побудови природного інтерфейсу людина-комп'ютер завдання локалізації особи знаходить своє застосування в підсистемі відстеження особи та її характерних рис у відеопотоці для розпізнавання виразу обличчя, визначення його положення в 3D просторі для генерації команд комп'ютера. Задачу відстеження переміщення особи в відеопотоці можна сформулювати як завдання локалізації особи на поточному кадрі, спираючись на інформацію про його положення на попередніх кадрах.

Завдання виявлення обличчя на зображенні є більш ніж простим для людського зору, однак при спробі побудови автоматичної системи виявлення осіб припадає зіткнутися з такими труднощами:



  1. Сильно варіюється зовнішній вигляд обличчя у різних людей;

  2. Навіть відносно невелика зміна орієнтації особи щодо камери тягне за собою серйозну зміна зображення особи;

  3. Можлива присутність індивідуальних особливостей (вуса, бороди, окуляри, зморшки і т.д.) істотно ускладнює автоматичне розпізнавання;

  4. Зміна виразу обличчя може сильно позначитися на те, як обличчя виглядає на зображенні;

  5. Частина особи може бути невидима (закрита іншими предметами) на зображенні;

  6. Умови зйомки (освітлення, колірний баланс камери, спотворення зображення, що привносяться оптикою системи, якість зображення) в значній мірі впливають на що виходить зображення особи;

Існуючі алгоритми виявлення осіб можна розбити на дві широкі категорії. До першої категорії належать методи, що відштовхуються від досвіду людини в розпізнаванні осіб і які роблять спробу формалізувати і алгоритмізувати цей досвід, побудувавши на його основі автоматичну систему розпізнавання. Друга категорія спирається на інструментарій розпізнавання образів, розглядаючи завдання виявлення особи, як окремий випадок задачі розпізнавання [14, 21, 22].

Людський мозок справляється із завданням виявлення осіб на зображеннях більш ніж успішно. Природно було б спробувати визначити і використовувати принципи, якими керується мозок при вирішенні задачі розпізнавання. Серед методів, що роблять таку спробу, можна виділити два напрямки: методи розпізнавання «зверху-вниз» засновані на знаннях і методи розпізнавання «знизу-вверх» засновані на особливостях.

Розпізнавання «зверху-вниз» означає побудову деякого набору правил, яким повинен відповідати фрагмент зображення, для того щоб бути визнаним людським обличчям. Цей набір правил є спробою формалізувати емпіричні знання про те, як саме виглядає обличчя на зображеннях і чим керується людина при прийнятті рішення особа він бачить чи ні. Досить легко побудувати набір простих і очевидних (як здається) властивостей зображення особи, наприклад: особа зазвичай симетрично, риси обличчя (очі, носа, рот) відрізняються від шкіри по яскравості (зазвичай їм також відповідають області різкої зміни яскравості), риси обличчя розташовані цілком певним чином. Спираючись на перераховані властивості, можна побудувати алгоритм, що перевіряє їх наявність на фрагменті зображення. До цього ж сімейства методик можна також віднести розпізнавання за допомогою шаблонів, заданих розробником (predefined template matching). Шаблони задають якийсь стандартний образ зображення особи, наприклад, шляхом опису властивостей окремих областей особи та їх можливого взаємного розташування. Виявлення обличчя за допомогою шаблону полягає у перевірці кожної з областей зображення на відповідність заданим шаблоном.

Принципи шаблонів та інші методи розпізнавання «зверху-вниз» використовувалися, в основному, в ранніх роботах з виявлення особи [5, 14, 22]. Це були перші спроби формалізації ознак зображень особи, до того ж обчислювальні потужності комп'ютерів в ті роки не дозволяли ефективно використовувати більш складні методи розпізнавання зображень. Незважаючи на деяку наївність алгоритмів, не варто недооцінювати значення цих робіт, оскільки багато методик, що успішно застосовуються в даний час, були розроблені або адаптовані до даної конкретної проблеми саме в них.

Розпізнавання «знизу-вверх» використовує інваріантні властивості (invariant features) зображень облич, спираючись на припущення, що раз людина може без зусиль розпізнати обличчя на зображенні незалежно від його орієнтації, умов освітлення і індивідуальних особливостей, то повинні існувати деякі ознаки присутності осіб на зображень, інваріантні щодо умов зйомки. Послідовність роботи методів розпізнавання «знизу-вверх» може бути коротко описаний наступним чином [5, 21]: 1. Виявлення елементів і особливостей (features), які характерні для зображення обличчя; 2. Аналіз виявлених особливостей, винесення рішення про кількість і розташування осіб.
1.4 Основні положення розпізнавання облич
Розпізнавання облич − один з підрозділів більш широкої категорії − розпізнавання образів. Теорія розпізнавання образів − розділ кібернетики, що розвиває теоретичні основи й методи класифікації і ідентифікації предметів, явищ, процесів, сигналів, ситуацій і об'єктів, які характеризуються кінцевим набором деяких властивостей і ознак. Такі задачі вирішуються досить часто, наприклад, при переході або проїзді вулиці за сигналами світлофора. Розпізнавання кольору лампи світлофора, що засвітилася, і знання правил дорожнього руху дозволяє прийняти правильне рішення про те, можна, чи не можна переходити вулицю в цей момент.

Задача розпізнавання образів − це задача віднесення вихідних даних до певного класу за допомогою виділення істотних ознак, що характеризують ці дані, із загальної маси несуттєвих даних.

У класичній постановці завдання розпізнавання універсальна множина розбивається на частини-образи. Кожне відображення якого-небудь об'єкта на сприймаючі органи системи, що розпізнає, незалежно від його положення щодо цих органів, прийнято називати зображенням об'єкта, а безлічі таких зображень, об'єднані якими-небудь загальними властивостями, являють собою образи.

Найчастіше в задачах розпізнавання образів розглядаються монохромні зображення, що дає можливість розглядати зображення як функцію на площині. Якщо розглянути множину точок на площині T, де функція Х(x, y) виражає в кожній точці зображення його характеристику − яскравість, прозорість, оптичну щільність, то така функція є формальним записом зображення.

Множина усіх можливих функцій Х(x, y) на площині T − є моделлю множини всіх зображень X. Вводячи поняття подібності між образами можна поставити задачі розпізнавання. Конкретний вид такої постановки залежить від наступних етапів при розпізнаванні відповідно до того або іншого підходу.

Основними областями, в яких використовується розпізнавання облич, є[1, 5, 10, 15]:



  1. Охоронні системи.

  2. Криміналістика.

  3. Віртуальна реальність, комп'ютерні ігри.

  4. Взаємодія комп’ютер – людина.

  5. Доступ до інформаційних баз.

  6. Контроль над імміграцією.

  7. Персоналізація побутових пристроїв.

  8. Електронна комерція.

  9. Соціальні сервіси.

Яскравим прикладом останнього пункту є інтеграція алгоритмів автоматичного розпізнавання облич на фотографіях в популярних соціальних сервісах Yandex Фотки та Google Picassa[27].

Надзвичайно важливою є задача ефективного і якісного розпізнавання зображень в реальному часі. Більше 80% всієї інформації людина отримує через зір. Тому обробка та розпізнавання зображень широко використовуються в різних галузях науки та техніки. Проблема розпізнавання зображень носить явно виражений комплексний ієрархічний характер і включає ряд основних етапів:



  1. Сприйняття поля зору.

  2. Попередня обробка вхідної інформації.

  3. Сегментацію вхідної інформації.

  4. Нормалізацію виділених об'єктів.

  5. Безпосередній опис та класифікацію об'єктів розпізнавання.

Такий обов'язковий етап, як розуміння (інтерпретація) зображень включається частково в етап сегментації й остаточно вирішується на етапі розпізнавання. Особливо важливого значення при розпізнаванні зображень набуває сегментація зображень, що полягає в автоматичному розбитті зображення на визначені області[28].

Не менш важливою задачею при загальному аналізі зображення є вибір інформативних ознак зображень. Формування оптимальної системи ознак, що в подальшому дозволить провести чітку класифікацію об’єкта, впливає як на алгоритм розпізнавання, так і на конкретну його апаратну реалізацію.

В галузі комп'ютерного зору і обробки зображень під терміном виділення ознак (feature detection) мають на увазі методи, які спрямовані на обчислення абстракцій графічної інформації і дозволяють встановити для кожної точки зображення чи присутня ознака зображення конкретного типу в цій точці чи ні.

Однак, незважаючи на високу важливість задачі вибору ознак та велику кількість розробок у цій сфері, єдиного оптимального вирішення цієї задачі розпізнавання досі не знайдено. Перш за все це пов’язано з фізичною різноманітністю існуючих в природі ознак зображення. Через складність об’єктів розпізнавання та класифікаційну неоднорідність їх характеристик існує і велика кількість груп ознак – однозначно невизначених і наповнених одночасно кількісно-якісною суттю. Враховуючи те, що під ознакою розуміють «цікаву» частину зображення, і ці ознаки використовуються в якості вхідних даних до багатьох алгоритмів комп’ютерного зору, тому такі алгоритми мають такі можливості, як ті детектори ознак, які він використовує.


1.5 Аналіз методів розпізнавання обличчя людини
Існує багато методів розпізнавання обличчя людини, які характеризуються своїми перевагами та недоліками:

  1. Метод головних компонент.

Одним з найбільш відомих та опрацьованих є метод головних компонент (principal component analysis, PCA), заснований на перетворенні Карунена-Лоєва[29].

Спочатку метод головних компонент почав застосовуватися в статистиці для зниження простору ознак без істотної втрати інформації. У задачі розпізнавання осіб його застосовують головним чином для представлення зображення особи вектором малої розмірності (головних компонент), який порівнюється потім з еталонними векторами, закладеними в базу даних.

Головною метою методу головних компонент є значне зменшення розмірності простору ознак таким чином, щоб воно якомога краще описувало «типові» образи, належать множині осіб. Використовуючи цей метод можна виявити різні мінливості в навчальній вибірці зображень облич і описати цю мінливість в базисі декількох ортогональних векторів, які називаються власними (eigenface) [14].

Отриманий один раз на навчальній вибірці зображень облич набір власних векторів використовується для кодування всіх інших зображень облич, які представляються зваженої комбінацією цих власних векторів. Використовуючи обмежену кількість власних векторів можна отримати стислу апроксимацію вхідному зображенню особи, яку потім можна зберігати в базі даних у вигляді вектора коефіцієнтів, службовця одночасно ключем пошуку в базі даних осіб[5, 14].

Суть методу головних компонент зводиться до наступного. Спочатку весь навчальний набір осіб перетвориться в одну загальну матрицю даних, де кожен рядок являє собою один примірник зображення обличчя, розкладеного в рядок. Всі особи навчального набору повинні бути приведені до одного розміру і з нормованими гістограмами.

Метод головних компонент добре зарекомендував себе в практичних додатках. Однак, у тих випадках, коли на зображенні обличчя присутні значні зміни в освітленості або виразі обличчя, ефективність методу значно падає. Вся справа в тому, що PCA вибирає підпростір з такою метою, щоб максимально апроксимувати вхідний набір даних, а не виконати дискримінацію між класами осіб.

2. Метод ключових точок[5, 22].

Першим ключовим моментом, який визначає якість роботи алгоритму в цілому, є попередня обробка або нормування зображення з метою поліпшення яскравісно-контрастних характеристик. Витягнуті характеристичні точки повинні бути унормовані для забезпечення інваріантності по відношенню до позиції (розташуванням) особи, масштабом і куту повороту. Іншим ключовим моментом є процедура визначення набору характеристичних точок. Метод спирається на властивість білатеральної симетрії особи. Використовується множина відносин відстаней між такими характеристичними точками особи як очі, кінчик носа, центр рота. Алгоритм визначення характеристичних точок базується на інтегральній проекції зображення. Проекційний аналіз проводиться над бінарним зображенням, отриманим шляхом застосування оператора Лапласа. Відбирається приблизно k1 зображень, близьких за геометричними характеристиками до заданої особи, k1 визначається:


, (1.2)
- де N - кількість портретів, що містяться в базі даних. Після цього виконується етап нормалізації зображення для подальшого обчислення кореляції між центральними лицьовими частинами k1 зображень і лицьовою частиною зображення, що ідентифікується. Результатом буде отримання k2 зображень з k1 відібраних:
, (1.3)
Ключові точки визначаються автоматично, але для проведення більш точної ідентифікації можливий також ручний відбір точок як зображено на рисунку 1.1.
http://www.bestreferat.ru/images/paper/91/27/9272791.png

Рисунок 1.1 – Ключові точки обличчя


Відстань від кожного пікселя одного зображення до найближчих пікселів іншого зображення відображає так звану локальну відмінність. Обчислюючи різноманіття локальних відмінностей і акумулюючи їх в глобальне значення відмінності, формується остаточна оцінка схожості зображень.

Якість бази даних визначається на основі наступних ознак:



  1. Репрезентативність.

  2. Спосіб структурування даних.

  3. Якість образа.

  4. Розмір кожного образа в пікселях.

  5. Контраст і промальовування деталей обличчя.

  6. Тло, на якому перебуває обличчя.

  7. Відсутність перешкод на обличчі.

Бажано, щоб у базі даних були образи з різним поворотом голови, присутністю або відсутністю додаткових предметів (окуляри, серги й т.д.) і з різними виразами обличчя.

Для оцінки системи розпізнавання звичайно використовується спеціальна база даних ORL Database of Faces. Вона відповідає всім цим ознакам і доступна багатьом розроблювачам. Ця база даних містить 400 образів по 10 у кожному класі (тобто всього 40 різних людей). Кожний образ має розмір 112х92 пікселя й 256 рівнів яскравості. Всі обличчя представлені на темному тлі. Репрезентативність даних забезпечується деякими змінами масштабу обличчя, кута спостереження й умов освітлення.

3. Геометричний метод – в основі цього методу лежить поняття образу і відповідних йому ознак. Об’єктивною характеристикою образу є його ознаки. Принцип розпізнавання покладений в тому, що системі висувається реалізація окремих класів (навчаюча послідовність) і система сама виробляє правило вирішення, обираючи його з деякого класу правил, закладених в неї при створенні. Основним недоліком такого підходу є значні похибки при визначенні мір близькості компактних множин [5, 30].

4. Розпізнавання за допомогою штучних нейронних мереж. Нейро-мережеві методи – це методи, що базуються на застосуванні різних типів нейронних мереж [31]. Найпростіше застосування одношарової нейронної мережі (авто-асоціативна пам’ять) полягає в навчанні мережі відновлювати зображення, зображено на рисунку 1.2.


http://www.bestreferat.ru/images/paper/33/87/8938733.png

Рисунок 1.2 - Одношарова нейронна мережа


Подаючи на вхід тестове зображення й обчислюючи якість реконструйованого зображення, можна оцінити загальну якість розпізнавання мережі. Позитивні властивості цього методу полягають у тому, що мережа може відновлювати перекручені і зашумлені зображення, але для більш серйозних цілей він не підходить.

Багатошарова нейронна мережа у деякій мірі може визначити приналежність образів до певного класу, її можна спеціально навчити надійному детектуванню визначених класів. У цьому випадку вихідними будуть класи приналежні і не приналежні до заданого типу образів. Нейронні мережі Хопфілда є одношаровими і повнозв’язними (зв’язки нейронів на самих себе відсутні, виходи зв’язані з входами). На відміну від автоасоціативної пам’яті нейронна мережа Хопфілда ідеально точно відновлює образ, «згадуючи» найбільш близький. Самоорганізуючі нейронні мережі Кохонена забезпечують топологічне впорядкування вхідного простору образів і дозволяють безупинно відображати вхідний n-мірний у m-мірний [32,33].

Недоліки нейронних мереж: додавання нової еталонної особи в базу даних вимагає повного перенавчання мережі на всій наявній наборі і є досить тривалою процедурою. Проблеми математичного характеру, пов'язані з навчанням: попадання в локальний оптимум, вибір оптимального кроку оптимізації, перенавчання. Важко формалізується етап вибору архітектури мережі (кількість нейронів, верств, характер зв'язків).

5. Метод гнучкого порівняння на графах з використанням фільтрів Габора.

Суть методу зводиться до еластичного порівнянні графів, що описують зображення осіб. Особи представлені у вигляді графів зі зваженими вершинами і ребрами. На етапі розпізнавання один з графів - еталонний - залишається незмінним, в той час як інший деформується з метою найкращої підгонки до першого. У подібних системах розпізнавання графи можуть являти собою як прямокутну решітку, так і структуру, утворену характерними (антропометричними) точками особи [23].

У вершинах графа обчислюються значення ознак, найчастіше використовують комплексні значення фільтрів Габора або їх впорядкованих наборів - Габоровських вейвлет (строї Габора), які обчислюються в деякій локальній області вершини графа локально шляхом згортки значень яскравості пікселів з фільтрами Габора.

Ребра графа зважуються відстанями між суміжними вершинами. Різниця (відстань, дискримінаційна характеристика) між двома графами обчислюється за допомогою деякої цінової функції деформації, що враховує як відмінність між значеннями ознак, обчисленими в вершинах, так і ступінь деформації ребер графа.

Деформація графа відбувається шляхом зміщення кожної з його вершин на деяку відстань в певних напрямах щодо її вихідного місця розташування і вибору такої її позиції, при якій різниця між значеннями ознак (відгуків фільтрів Габора) у вершині деформівного графа та відповідної їй вершині еталонного графа буде мінімальною. Дана операція виконується по черзі для всіх вершин графа до тих пір, поки не буде досягнуто найменше сумарне відмінність між ознаками деформівного і еталонного графів. Значення цінової функції деформації при такому положенні деформівного графа і буде мірою відмінності між вхідним зображенням обличчя і еталонним графом. Дана «релаксационная» процедура деформації повинна виконуватися для всіх еталонних осіб, закладених в базу даних системи. Результат розпізнавання системи - еталон з найкращим значенням цінової функції деформації.

Однак розробники систем еластичного порівняння на графах посилаються на високу обчислювальну вартість даного підходу. Недоліки: висока обчислювальна складність процедури розпізнавання. Низька технологічність при запам'ятовуванні нових еталонів. Лінійна залежність часу роботи від розміру бази даних осіб.

6. Приховані Марківські моделі.

Одним зі статистичних методів розпізнавання осіб є приховані Марківські моделі (ММ) з дискретним часом [34,35]. ММ використовують статистичні властивості сигналів і враховують безпосередньо їх просторові характеристики. Елементами моделі є: множина прихованих станів, множина спостережуваних станів, матриця перехідних ймовірностей, початкова ймовірність станів. Кожному відповідає своя Марковська модель. При розпізнаванні об'єкта перевіряються згенеровані для заданої бази об'єктів Марківські моделі і шукається максимальна із спостережуваних ймовірність того, що послідовність спостережень для даного об'єкта сгенерирована відповідною моделлю.

Недоліки: Необхідно підбирати параметри моделі для кожної бази даних; ММ не володіє розрізняючою здатністю, тобто алгоритм навчання тільки максимізує відгук кожного зображення на свою модель, але не мінімізує відгук на інші моделі.

В загальному випадку спеціалізовані методи розпізнавання, хоча і прості за своїм змістом, але не достатньо гнучкі і універсальні. Для інших методів необхідні наперед визначені обмежені критерії розпізнавання, деякі мають дуже вузьку галузь застосування, інші можуть розпізнавати лише чисте зображення.

1   2   3   4   5   6   7   8   9



  • 1.4 Основні положення розпізнавання облич
  • 1.5 Аналіз методів розпізнавання обличчя людини