о спростовує цю заяву. При розпізнаванні потрібно віднести об'єкт невідомого класу до одного з відомих або видати висновок про те, що цей об'єкт не належить до відомим класам.
Порівняння типу сам зі багатьма
Високі вимоги до помилки першого роду - система розпізнавання повинна знаходити зображення відповідні даній людині, по можливості не пропустивши жодного такого зображення. При цьому припустимо, якщо в результуючій вибірці буде присутній невелике число інших людей.
Зазвичай у великій базі даних (10 квітні - 10 7 зображень) потрібно знайти зображення, найбільш схожі на задане. Пошук повинен бути проведений за розумний час. Одне з рішень полягає в зберіганні базі даних невеликих наборів заздалегідь витягнутих ключових ознак, максимально характеризують зображення. При цьому вимоги до точності не настільки критичні як в задачах контролю доступу та документного контролю.
Порівняння типу одна з декількома
Чи критичні вимоги до помилок другого роду. Система розпізнавання не повинна розпізнавати незнайомих людей як знайомих, можливо навіть за рахунок збільшення помилок першого роду (відмов у доступ знайомим людям).
Є невелика група осіб (5-50 чоловік), яких система повинна розпізнавати по зображенню особи для доступу в деякий місце. Людей, що не входять в цю групу, система не повинна пропускати. Можливі варіанти, коли потрібно встановити конкретну особистість по зображенню особи. При цьому від системи потрібна висока достовірність розпізнавання, можливо навіть за рахунок збільшення числа відмов на знайомі об'єкти.
В якості тренувальних зображень зазвичай для кожної людини доступні кілька зображень особи, отриманих при різних умовах. Наприклад, різні ракурси, освітленість, зачіска, міміка, наявність очок і т.п.
Система повинна працювати в реальному масштабі часу, а процес налаштування може займати більше часу і вироблятися окремо. У процесі експлуатації система повинна дообучаться на знову вступників зображеннях по можливості швидше.
Обмежень на застосовувані методи тут немає, але всі методи сходяться в одному. Мається навчальний набір зображень облич заданої групи людей (можливо при різних умовах зйомки). До цього набору система звертається в процесі розпізнавання, або система налаштовується в процесі навчання на цей набір.
Поширений підхід з використанням нейронних мереж, які після навчання мають гарну узагальнюючої здатністю.
Порівняння типу одне одного
Формулювати вимоги до помилок першого і другого роду тут буде некоректно, оскільки система розпізнавання ніколи не мала справу з вступниками на вхід класами. Але бажано щоб система не скоювала помилок при порівнянні.
Потрібно порівняти зображення обличчя людини, отримане в даний момент з фотографією з якого-небудь документа. Системі треба відповісти чи належать ці особи одній людині чи ні. Даний клас завдань найбільш складний, оскільки, по-перше, система ніколи раніше не стикалася із зображенням обличчя даної людини. С?? стема порівнює завжди відрізняються зображення, облік всіх можливих відмінностей у процесі навчання або налаштування системи скрутний. По друге, тут більший вплив надають вікові й інші зміни особи. У третє, якість і контраст відсканованої фотографії, як правило, гірше, ніж зображення обличчя знятого камерою. Більшість методів для даного класу задач незастосовні без спеціальної адаптації.
У вивченій літературі немає робіт, безпосередньо пов'язаних із застосуванням нейромережевих методів для вирішення даного класу задач. Для цього можна запропонувати застосування нейронних мереж (НС) для вилучення ключових ознак зображень і адаптацію НС для порівняння двох зображень.
інваріантної до зміни масштабу володіють неокогнітроні, модифікації нейронних мереж високого порядку. Тобто ці види мереж не треба спеціально навчати на зображеннях з різними масштабами об'єкта, навчившись деякого зображенню один раз, вони здатні потім розпізнавати об'єкт на зображенні при будь-яких змінах масштабу.
Так само инвариантностью до змін масштабу володіють моменти Лежандра, Зерніке і т.п.
В інших методах інваріантність до змін масштабу досягається на етапі предобработки (приведення до стандартного масштабом), або в навчальну вибірку включаються зображення з різним масштабом.
Більшість методів чутливо до змін освітлення - результат розпізнавання сильно погіршується. Деякого поліпшення можна досягти за рахунок вирівнювання гістограми яркостей, але в загальному випадку зміни у висвітленні передобробці усунути неможливо.
Також використовують...
