Проверяемый текст
Долгов Сергей Викторович. Разработка методов распознавания и построение информационно-поисковых систем идентификации человека по его фотопортрету (Диссертация 2003)
[стр. 14]

ления для оценки близости изображений [86].
Для учёта различных ракурсов изображений в этой же работе использовалось много модальное распределение изображений в собственном пространстве.
Повышение надёжности алгоритма
достигалось за счет дополнительного применения метода главных компонент к анализу отдельных участков лица, таких, например, как глаза, нос, рот.
Метод главных компонент применяется также для обнаружения лица на изображении
[104].
Для лиц значения компонент в собственном пространстве имеют большие значения, а в дополнении собственного пространства близки к нулю.
По этому факту можно обнаружить, является ли входное изображение лицом.
Для этого проверяется величина ошибки реконструкции: чем больше ошибка, тем больше вероятности, что это не лицо.
Исследователями указанного метода отмечается тот факт, что при наличии в наборе изображений лиц определенных вариаций (таких, например, как раса, пол, эмоция, освещенность объекта и пр.) будут появляться компоненты, величина которых, в основном, определяется этими факторами.
Поэтому по значениям соответствующих главных компонент можно определить, например, расу или пол человека
[32, 55,86].
При изменении ракурса изображения, наступает момент, когда этот метод при распознавании начинает реагировать больше на ракурс изображения, чем на межклассовые отличия.
Классы при этом больше не являются кластерами в собственном пространстве.
Эта проблема решается добавлением в обучающую выборку изображений в различных ракурсах.
При этом собственные вектора теряют
лицеиодобную форму.
В работе [66], развивающей эту идею, показано, что при изменении угла поворота головы, главные компоненты вычерчивают кривые в собственном пространстве, которые однозначно идентифицируют лицо человека и по которым можно провести распознавание.
Эти кривые
названы собственными сигнатурами {ещетг^пашгез).
Отмечается, что в сочетании с методами генерации изображений в новых ракурсах по одному примеру изображения этот метод имеет неплохие перспективы.
По максимумам собст14
[стр. 27]

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


[стр.,28]

достигалось за счёт дополнительного применения метода главных компонент к анализу отдельных участков лица, таких, например, как глаза, нос, рот.
Метод главных компонент применяется также для обнаружения лица на изображении
[70].
Для лиц значения компонент в собственном пространстве имеют большие значения, а в дополнении собственного пространства близки к нулю.
По этому факту можно обнаружить, является ли входное изображение лицом.
Для этого проверяется величина ошибки реконструкции: чем больше ошибка, тем больше вероятности, что это не лицо.
Исследователями указанного метода отмечается тот факт, что при наличии в наборе изображений лиц определенных вариаций (таких, например, как раса, пол, эмоция, освещенность объекта и пр.) будут появляться компоненты, величина которых, в основном, определяется этими факторами.
Поэтому по значениям соответствующих главных компонент можно определить, например, расу или пол человека
[20, 21, 52].
При изменении ракурса изображения, наступает момент, когда этот метод при распознавании начинает реагировать больше на ракурс изображения, чем на межклассовые отличия.
Классы при этом больше не являются кластерами в собственном пространстве.
Эта проблема решается добавлением в обучающую выборку изображений в различных ракурсах.
При этом собственные вектора теряют
лицеподобную форму.
В работе [32], развивающей эту идею, показано, что при изменении угла поворота головы, главные компоненты вычерчивают кривые в собственном пространстве, которые однозначно идентифицируют лицо человека и по которым можно провести распознавание.
Эти кривые
были названы собственными сигнатурами (е1§еп$1&пашгез).
Отмечалось, что в сочетании с методами генерации изображений в новых ракурсах по одному примеру изображения этот метод имеет неплохие перспе1стивы.
По максимумам собственных сигнатур было также отмечено, что наибольшую информативность имеет изображение лица в полупрофиль.
28

[Back]