|
Рис. 1.2. Примеры изображений собственных векторов(собствснные лица) С помощью вычисленных ранее матриц входное изображение разлагается на набор линейных коэффициентов, называемых главными компонентами. Сумма главных компонент, умноженных на соответствующие собственные вектора, является реконструкцией изображения (Рис. 1.3).[4,25] (а) (б) (в) Рис. 1.3. Примеры реконструкции изображений а) выровненное изображение лица, б) реконструкция по 85-и главным компонентам, в) ЗРЕО-рсконструкция (530 байт) Для каждого изображения лица вычисляются его главные компоненты. Обычно берётся от 5 до 200 главных компонент. Остальные компоненты кодируют мелкие различия между лицами и шум. Процесс распознавания заключается в сравнении главных компонент неизвестного изображения с компонентами всех остальных изображений. Для этого обычно применяют какую-либо метрику (простейший случай евклидово расстояние). При этом предполагается, что изображения лиц, соответствующих одному человеку, Сфуппированы в кластеры в собственном пространстве. Из базы данных (или тренировочного набора) выбираются изображения-кандидаты, имеющие наименьшее расстояние от входного (неизвестного) изображения. Дальнейшее совершенствование алгоритма распознавания изображений заключалось в использовании метрики Махаланобиса и гауссовского распреде13 |
27 С помощью вычисленных ранее матриц входное изображение разлагается на набор линейных коэффициентов, называемых главными компонентами. Сумма главных компонент, умноженных на соответствующие собственные вектора, является реконструкцией изображения (рис. 1.4). (а) (Ь) (с) Рис. 1.4. Примеры реконструкции изображений а) выровненное изображение лица, б) реконструкция по 85-и главным компонентам, в) .1РЕС-реконструкция (530 байт) Для каждого изображения лица вычисляются его главные компоненты. Обычно берётся от 5 до 200 главных компонент. Остальные компоненты кодируют мелкие различия между лицами и шум. Процесс распознавания заключается в сравнении главных компонент неизвестного изображения с компонентами всех остальных изображений. Для этого обычно применяют какую-либо метрику (простейший случай евклидово расстояние). При этом предполагается что изображения лиц, соответствующих одному человеку, сгруппированы в кластеры в собственном пространстве. Из базы данных (или тренировочного набора) выбираются изображения-кандидаты, имеющие наименьшее расстояние от входного (неизвестного) изображения. Дальнейшее совершенствование алгоритма распознавания изображений заключалось в использовании метрики Махаланобиса и гауссовского распределения для оценки близости изображений [52]. Для учёта различных ракурсов изображений в этой же работе использовалось многомодальное распределение изображений в собственном пространстве. Повышение надёжности алгоритма |