ченні параметрів для кожного з рухомих об'єктів. Алгоритми, трасуючі рухомі об'єкти, не повинні плутати один об'єкт з іншим, втрачати об'єкт, якщо він зупинився на невеликий проміжок часу або зник за якою-небудь перешкодою (наприклад, людина, що сховався за деревом), а потім з'явився знову. Для цих цілей чудово підходить застосування нормалізованої функції взаємної кореляції. Функція взаємної кореляції двох зображень - функція, що показує ступінь кореляції двох зображень. Зазвичай вона використовується для обчислення ступеня схожості областей на різних кадрах. Ця функція повинна давати єдиний максимум тільки для випадку двох однакових зображень. Дуже часто використовується нормалізована функція взаємної кореляції. Максимальним значенням функції при повному збігу перших растра з прямокутником на другому растрі буде одиниця. Алгоритми, що використовують функцію кореляції, працюють таким чином. Спочатку вони знаходять кілька значень функції, різним чином накладаючи на один растр прямокутник, взятий з іншого растру. Потім з отриманих значень вибирають максимальне. Якщо найкраще значення досить близько до одиниці, значить, на першому растрі виявлений саме той об'єкт, який потрапив у «коррелирующий» прямокутник, взятий на другому растрі. Ступінь близькості значення функції кореляції до одиниці - параметр, вибираючи значення якого, можна домогтися оптимального співвідношення кількості помилок помилкового виявлення і невиявлення взагалі. Вона допомагає порівняти об'єкт з одного з попередніх кадрів з об'єктом, виявленим на знову отриманому кадрі і зробити висновок про їх схожості. Навіть якщо об'єкт, який можна було порахувати зниклим після того, як він пропав за якою-небудь перешкодою, перестав виявлятися, застосовуючи алгоритм обчислення функції кореляції можна виявити його знову на одному з наступних кадрів і продовжити трасування, взявши параметри об'єкта в момент його останнього виявлення і скорегувавши їх за поточним кадру. Це дуже важливо для побудови нерозривному траєкторії руху. При обчисленні функції кореляції з метою виявлення на поточному кадрі об'єкта, виявленого раніше, використовуються тільки ті пікселі зображення, яким в масці руху відповідають одиниці. В іншому випадку в формулу для обчислення функції кореляції можуть потрапити значення кольорів пікселів, що лежать всередині прямокутної області, але за межами об'єкта, а ці пікселі зовсім не обов'язково повинні корелювати один з одним, отже, значення функції кореляції в цьому випадку зменшиться. А якщо воно стане менше обраного порога схожості, алгоритм може помилково порахувати дану прямокутну область растру несхожою на об'єкт, з яким проводиться порівняння, навіть якщо насправді це не так. Очевидно, що обчислювати функцію кореляції для двох об'єктів не має сенсу, якщо лінійні розміри відповідних їм прямокутників істотно розрізняються, оскільки і так очевидно, що це різні об'єкти. Також безглуздо, наприклад, шукати в правому нижньому кутку поточного кадру об'єкт, виявлений в лівому верхньому кутку попереднього кадру, оскільки ніякої цікавить нас об'єкт не може за такий короткий час так суттєво змінити своє місце розташування. Такі припущення можуть істотно скоротити витрати на трасування, в загальному випадку включають обчислення функції кореляція кожного об'єкта з кожним. Крім того, для об'єкта, що зазнав вкрай мале зміщення на сусідніх кадрах можна взагалі не обчислювати значення функції кореляції. Адже ще до виконання даної операції стає очевидним, що два відбитки в одній і тій же області маски руху на сусідніх кадрах належать одному і тому ж об'єкту.
Рис. 1.2 Послідовність обробки двох наступних один за одним кадрів
Зображення віднімається з базового кадру, а потім пошуком в глибину знаходяться області, що складаються з небілих пікселів. Області на різних кадрах, соответсствующіе футболістам, обводятся в різнокольорові прямокутники. [4]
1.2.3 Алгоритми і методи розпізнавання облич
Завдання розпізнавання людини по зображенню особи діляться на трьох великі класи: пошук у великих базах даних, контроль доступу і контроль фотографій в документах. Вони розрізняються як за вимогами, що надаються до систем розпізнавання, так і щодо способів вирішення, і тому являють собою окремі класи.
Різні і вимоги, що пред'являються до помилок першого і другого роду для таких класів. Помилкою першого роду (type I error, misdetection) називається ситуація, коли об'єкт заданого класу не розпізнається (пропускається) системою. Помилка другого роду (type II error, false alarm) відбувається, коли об'єкт заданого класу приймається за об'єкт іншого класу.
Слід також зазначити відмінність понять верифікації та розпізнавання (ідентифікації). У задачі верифікації невідомий об'єкт заявляє, що він належить до деякого відомому системі класу. Система підтверджує аб...
