алгоритм виділення лінійних підпросторів, який надійно класифікує людини по зображенню особи при досить широкому діапазоні умов освітленості. При цьому навчальна вибірка формувалася з використанням зображень за різних умов освітлення. Існують так само різні евристичні підходи. Наприклад, в модифікації методу головних компонент, перші 2-3 компоненти відображають в основному відмінності в освітленні, і тому при порівнянні не враховуються.
Специфічний підхід - використання зображення особи, взяте в інфрачервоному спектрі. Це забезпечує незалежність від умов освітлення, але вимагає спеціального обладнання. У більшості методів потрібно предобработка, що приводить становище особи на зображенні до стандартної орієнтації (горизонтальна лінія очей, вертикальна вісь симетрії голови).
інваріантної до змін орієнтації володіють неокогнітроні і модифікації нейронних мереж високого порядку, котрим достатньо одного пред'явлення зображення для того, щоб дізнатися об'єкт на зображенні при будь-якій зміні орієнтації об'єкта. Так само инвариантностью до змін орієнтації володіють моменти Лежандра, Зерніке і т.п. Инвариантностью до зрушення володіють неокогнітроні, нейронні мережі високого порядку, автокорреляторние нейронні мережі Хопфілда, а так само деякі моменти. В інших випадках інваріантність до зрушення досягається передобробці чи навчанням. Не існує методів розпізнавання зображень, інваріантних до великих змін ракурсу (тривимірним поворотам особи). Потрібно попереднє навчання на зображеннях особи в різних ракурсах.
Методи засновані на синтезі зображення в нових ракурсах по одному прикладу зображення в довільному ракурсі, і знаходяться в стадії розробки.
Інше рішення цієї проблеми полягає у використанні тривимірного уявлення. Однак це вимагає або використання декількох зображень при різних умовах зйомки або побудови складних тривимірних моделей особи.
Кожна особа окремої людини являє собою клас для системи розпізнавання. Особа однієї людини може відрізнятися зачіскою, бородою, окулярами, емоційним вираженням, схильне віковим змінам. Такі відмінності називаються внутриклассовую і створюють проблеми для систем розпізнавання. Частково ця проблема може бути подолана виділенням областей особи, несхильних таким змінам. Так само це може вирішуватися в процесі навчання. Наприклад, в лінійних дискримінанти і нейромережевих методах. Неокогнітроні можуть розпізнавати спотворене зображення. Під перешкодами тут розуміється як різного виду шум на зображенні, так і інші перешкоди, що перекривають або спотворюють частини об'єктів на зображенні.
Властивістю відновлювати зображення, найбільш близьке до вихідного, володіють нейронні мережі Хопфілда, автоасоціативна пам'ять і реконструкція зображення по головним компонентам.
У будь-якому методі після перетворення зображення і виділення ключових ознак потрібно порівняти отримані ознаки, для того щоб зробити розпізнавання. І, незважаючи на різноманіття різних алгоритмів і методів розпізнавання, серед них можна виділити три групи методів, що розрізняються способами порівняння зображень, рис. 1.3.
У першій групі методів набір ознак (у простому випадку вихідне зображення) являє собою точку в просторі ознак, де значення кожної ознаки (наприклад, яскравість окремого пікселя, значення головної компоненти, коефіцієнт частотного перетворення і т.п.) являє собою координату уздовж деякої осі простору ознак. Процедура порівняння грунтується на поділі простору ознак на області, що відносяться до однакових класам.
Для цього, наприклад, може бути обчислено відстань від невідомого способу до всіх інших образів за допомогою якої-небудь метрики. Клас може бути представлений центром кластера, тоді відстань від невідомого способу обчислюється до центрів всіх кластерів, як це робиться в методі головних компонент. У мультимодальному аналізі головних компонент і в радіально-базисних нейронних мережах одного класу може відповідати кілька кластерів, рис. 1.4. Лінійний дискримінант будує набір лінійних розділяють поверхонь, вважаючи, що класи лінійно разделіми в просторі ознак. Різновид нейронних мереж - багатошарові персептрони дозволяють будувати розділяють поверхні будь-якої складності, рис. 1.4. Нейронні мережі Хопфілда перетворюють зображення, подане на вхід до найближчого в просторі зображень.
Рис. 1.3 Схема способів порівняння зображень
Рис. 1.4 Зліва - кластеризація, праворуч - розділяють поверхні в просторі ознак
Незважаючи на те, що найдосконаліші методи можуть кращим способом розбити початковий простір на області, цього недостатньо, оскільки для реальних об'єктів потрібна величезна кількість розділяють областей (і навчальних прикладів), щоб врахув...
