|
наиболее соответствующие друг другу блоки. Поиск осуществлялся иерархически, начиная с наибольших блоков, а затем разбивая их на все меньшие блоки. Таким образом строилась пирамида соответствия изображений. Используя векторное поле оптического потока, строятся различные меры соответствия, с помощью которых в базе данных находилось изображение, ближайшее по определенным критериям к неизвестному. База данных изображений при этом представляет собой 76 изображений 36-ти человек с различиями в ракурсе и выражении лица. Распознавание осуществлялось несколькими способами. При первом способе блоки из 8x8 элементов неизвестного изображения заменялись на наиболее соответствующие блоки сравниваемого изображения (Рис. 1.9 и 1.10). Затем вычислялось евклидово расстояние между неизвестным и полученным изображением. Было достигнуто 92% точности распознавания. Учитывая то, что в базе находилось только одно изображение нужного человека и по два на всех остальных, это хороший результат. Рис. 1.9. Соответствие неизвестного изображения с известным [54] На Рис. 1.9 слева приведено неизвестное изображение, в середине известное изображение из базы данных, а справа неизвестное изображение, в котором блоки заменены блоками известного изображения. 25 |
40 Недостаток этого метода заключается в том, что он требует много ресурсов как для хранения эталонных участков изображений, так и для процедуры их сравнения. Принимая во внимание, что при поиске используется простейший алгоритм сравнения, изображения должны быть сняты в строго установленных условиях: не допускается заметных изменений ракурса, освещения, эмоционального выражения и пр. 1.4.7. Оптический ноток Алгоритмы оптического потока используются, в основном, для анализа движения. Используя два или более последовательных кадра изображения, можно рассчитать двумерное векторное поле, называемое оптическим потоком (ОрНса! Р1о\у), которое отражает актуальное или наиболее вероятное смещение точек изображения от кадра к кадру [42]. В работе [42] рассмотрен порядок расчета оптического потока для двух произвольных изображений лица с целью получения меры соответствия этих изображений. Эти два изображения считались последовательными кадрами. В процессе сравнения вычислялось векторное поле, наилучшим образом отображающее одно изображение в другое в смысле минимизации расстояния между изображениями и с учётом геометрических ограничений, таких, например, как относительное расположение точек изображения. Алгоритм обнаруживал наиболее соответствующие друг другу блоки. Поиск осуществлялся иерархически, начиная с наибольших блоков, а затем разбивая их на все меньшие блоки. Таким образом строилась пирамида соответствия изображений. Используя векторное поле оптического потока, строились различные меры соответствия, с помощью которых в базе данных находилось изображение, ближайшее по определенным критериям к неизвестному. База данных изображений при этом представляла собой 76 изображений 36-ти человек с различиями в ракурсе и выражении лица. Распознавание осу ществлялось несколькими способами. При первом способе блоки из 8x8 элементов неизвестного изображения заменялись на наиболее соответствующие блоки сравниваемого изображения (рис. 1.10 и 1.11). Затем вычислялось евклидово расстояние между неизвестным и полученным изображением. Было достигнуто 92% точности распознавания. Учитывая то, что в базе находилось только одно изображение нужного человека и по два на всех остальных, это хороший результат. 41 Рис. 1.10. Отображение неизвестного изображения на известное (один и тот же человек) Па рис. 1.10 слева приведено неизвестное изображение, в середине известное изображение из базы данных, а справа неизвестное изображение, в котором блоки заменены блоками известного изображения. Рис. 1.11. Отображение неизвестного изображения на известное (изображения разных людей) |