При решении этого класса задач распространён подход с использованием нейронных сетей, которые после обучения обладают хорошей обобщающей способностью. 1.2. Анализ существующих методов распознавания человека по изображению лица. В данном разделе приведен обзор современных методов распознавания человека по изображению лица, рассмотрены преимущества и недостатки каждого из методов, дано общее сравнение методов. 1.2.1. Метод анализа главных компонент Метод анализа главных компонент [105,107, 109] (Ргшс1ра1 Сотропеп! Апа1у515, РСА) применяется для сжатия информации без существенных потерь информативности. Используемый в методе подход состоит в линейном ортогональном преобразовании входного вектора X размерности N в выходной вектор У размерности М^/<М. При этом компоненты вектора Г являются некоррелированными и общая дисперсия после преобразования остается неизменной. Матрица X состоит из всех примеров изображений обучающего набора. Решив уравнение А=ФГТ.Ф [105], получаем матрицу собственных векторов Ф (здесь Xковариационная матрица для X, а Лдиагональная матрица, образуемая собственными числами). Выбрав изФ подматрицу Фм, соответствующую М наибольшим собственным числам, получим, что преобразование: у = ф^х,гдох = х х нормализованный вектор с нулевым математическим ожиданием, характеризует большую часть общей дисперсии и отражает наиболее существенные изменения X [105]. Выбор первых М главных компонент разбивает векторное пространство на главное (собственное) пространством = {<&,}" содержащее главные компоненты, и его ортогональное дополнение Р = На Рисунке 1.1. приведена иллюстрация, поясняющая работу по методу РСА.[105] 11 |
1.4. Методы распознавания человека по изображению лица. Сравнительный анализ В данном разделе приводится обзор современных методов распознавания человека по изображению лица, рассматриваются преимущества и недостатки каждого из методов, дается общий сравнительный анализ методов. 1.4.1. Метод главных компонент Метод главных компонент [71, 73, 75] (Рпжлра! СотропеШ Апа1у51$, РСА) применяется для сжатия информации без существенных потерь информативности. Используемый в методе подход состоит в линейном ортогональном преобразовании входного вектора X размерности N в выходной вектор У размерности А/, N<М. При этом компоненты вектора У являются некоррелированными и общая дисперсия после преобразования остаётся неизменной. Матрица Xсостоит из всех примеров изображений обучающего набора. Решив уравнение Л = ФГ ХФ, получаем матрицу собственных векторов Ф (здесь X ковариационная матрица для X, А диагональная матрица, образуемая собственными числами). Выбрав из Ф подматрицу Фд / , соответствующую М наибольшим собственным числам, получим, что преобразование: у = Фд ,х, где х = х-х нормализованный вектор с нулевым математическим ожиданием, характеризует большую часть общей дисперсии и отражает наиболее существенные изменения X. Выбор первых М главных компонент разбивает векторное пространство на главное (собственное) пространство Р = {Ф<}^1, содержащее главные компоненты, и его ортогональное дополнение I7 = {Ф/}* Д/** 25 |