ільш трудомісткі і їх розвиток стало можливим зі зростанням мощі обчислювальної техніки. Це метод головних компонент, лінійні дискримінантні методи, метод порівняння еластичних графів. Однак у них основний упор зроблений на автоматизоване вилучення ознак, але не відносин між ними і визначення їх важливості (зважування). У роботі зроблена спроба обчислити вагові параметри для еластичного порівняння графів. Лінійний дискримінантний аналіз використовується для аналізу ознак і перетворення їх такому виду, щоб вони максимізувати міжкласові і мінімізували внутріклассовие відмінності.
Одні з найбільш досконалих методів, в яких витяг ознак і побудова системи їх взаємовідносин відбувається в процесі навчання - це приховані Марківські моделі і нейронні мережі.
Для нейронних мереж на даний момент часу розроблені ефективні комбіновані методи навчання, які дозволяють повністю автоматизувати процес вибору параметрів архітектури та навчання мережі. При цьому досягається результати, що перевершують інші методи. Але обчислювально ці методи трудомісткі.
Методи розпізнавання по зображенню особи можна розділити на три класи.
Перший клас використовує вихідне зображення тільки для початкового виділення яких-небудь ключових точок, відстаней між такими точками, співвідношення відстаней або інших геометричних характеристик і надалі до вихідного зображення (наприклад, напівтонові) не звертався. Така інформація досить вірогідно характеризує конкретної людини, і використовується в криміналістиці для впізнання людей. Однак показано, що в цілому геометричної інформації недостатньо для розпізнавання людини по зображенню особи.
Другий клас методів використовує все вихідне зображення. Наприклад, метод аналізу головних компонент, лінійний дискримінантний аналіз оперують вихідним напівтоновим зображенням як багатовимірним вектором. До цього класу так само відносяться різні нейронні мережі, що приймають на вхід зображення цілком. Багато джерел сходяться на думці, що для загальних випадків розпізнавання потрібно аналізувати всю інформацію, надану на зображенні (наприклад, все напівтонове зображення).
Третій клас являє собою поєднання двох попередніх. Тут використовуються як геометричні характеристики, так і елементи, наприклад, напівтонового зображення. Наприклад, метод порівняння еластичних графів. Вершини графа характеризують деякі особливі точки зображення, дуги - відстані між цими точками, крім цього кожній вершині приписаний набір локальних характеристик зображення (джет). Іншим прикладом є метод порівняння еталонів. На зображенні обличчя виділяються особливі області, такі як очі, ніс, рот, і зображення порівнюється по цих областях.
Методи розпізнавання характеризуються так само різним співвідношенням в них аналітичних і емпіричних способів вирішення задачі розпізнавання. Метод головних компонент і лінійні дискримінанти, наприклад, засновані на вирішенні систем матричних рівнянь і знаходжень відстаней між образами в різних метриках. У методі порівняння еластичних графів ключові точки відзначаються на навчальному наборі зображень облич виходячи з емпіричних міркувань.
Особливе місце займають нейромережеві методи. В процесі настройки мережі використовуються аналітичні методи градієнтного спуску. Але така настройка не дає, ні гарантії досягнення мінімуму помилки, ні оцінки відхилення отриманої помилки від оптимальної. На відміну від статистичних методів, рішення, одержувані за допомогою НС, носять не імовірнісний, а правдоподібний характер, який визначається навчальним набором.
Схожа ситуація з прихованими Марківському моделями. Налаштування параметрів кожної моделі здійснюється математичними оптимізаційними методами, але вони не дають точного рішення.
Методи поділяються на два класи за способом порівняння невідомого зображення з тренувальним набором (або базою зображень).
Перший клас методів використовує тренувальний набір для побудови узагальненої моделі кожного класу особи (або всіх класів відразу). Це різні нейронні мережі, лінійні дискримінанти, приховані Марківські моделі.
Другий клас методів безпосередньо порівнює невідоме зображення з кожним зображенням з тренувальної вибірки. Це метод власних облич (метод головних компонент), порівняння еталонів, методи порівняння еластичних графів, аналіз оптичного потоку.
Використання послідовності кадрів для задач, зв'язаністьих з аналізом зображення обличчя є більш кращим (але не завжди можливим), ніж використання одиничного статичного зображення, оскільки дає додаткову інформацію.
По-перше, це дозволяє вибрати найбільш репрезентативні кадри з послідовності. По-друге, навчання системи на динамічно мінливому зображ...
