ати всілякі способи зміни зображень об'єктів. Це пов'язано з тим, що навіть незначне, з людської точки зору, зміна зображення (наприклад, ракурс, освітлення або наявність бороди), може дати положення в просторі ознак, дуже далеко лежаче від початкового. І система в цьому випадку може зреагувати не так на однакового людини, а, наприклад, на однаковий ракурс, порахувавши зображення іншого людини в тому ж ракурсі найбільш схожим на невідоме. Ні застосування різних перетворень для початкового представлення зображення, ні предобработка не може вирішити цю проблему для загального випадку.
Наступна група методів частково долає даний недолік. На зображенні знаходяться важливі області особи (наприклад, області очей, брів, носа, губ). Потім за допомогою першого способу проводиться порівняння кожній області, і результат кожного такого порівняння вносить вклад в остаточний результат. До таких методів відноситься, наприклад, порівняння з стандартам, різні способи аналізу головних компонент по блоках зображень.
У третій групі враховується топологічне спотворення зображення, рис. 1.5. Методи, що використовують спотворення зображення для порівняння, дозволяють домогтися кращих результатів.
Рис. 1.5 Приклад спотворення решітки вихідного зображення
У методі порівняння еластичних графів на зображення накладається набір ключових точок, пов'язаних між собою дугами. На невідомому зображенні знаходяться точки, відповідні вихідним і потім вимірюється сумарна зміна розмірів дуг. У гнучких контурних моделях витягується контур обрисів особи, і потім порівнюються форми контурів для різних зображень. Робота використовує нейронні мережі і приховані Марківські моделі для аналізу співвідношень відстаней між областями очей, носа і рота.
У вищеописаних методах після знаходження ключових областей або контурів інша інформація не враховується, що знижує точність. Наступні методи порівнюють все зображення.
Спочатку обчислюється оптичний потік між двома порівнюваними зображеннями. Потім на основі оптичного потоку обчислюється міра спотворення від невідомого зображення до вихідного. За величиною цього спотворення визначається ступінь схожості зображень. Робота використовує генетичний алгоритм для спотворення невідомого зображення в сторону порівнюваних, ступінь схожості зображень так само визначається величиною спотворення. У даному випадку використовуються еластичні деформації для зіставлення двох зображень цілком, рис. 1.6.
Піксел зазначений квадратом зсувається в позицію пікселя зазначеного окружністю, три результату з різними праметри деформації.
Рис. 1.6 Еластичні деформації: вихідне зображення (ліворуч)
Вищенаведені методи порівнюють тільки сумарне спотворення, не намагаючись врахувати його характер, і в цьому полягає їх недолік. Характер спотворення зображення несе важливу інформацію для розпізнавання зображення, і тому ніжепріводімие методи мають кращу точність розпізнавання.
До таких методів належать псевдодвумерние приховані Марківські моделі, свёрточние нейронні мережі, когнітроні і неокогнітроні. Потенційні поля, одержувані по спотворень зображення, використовуються для розпізнавання емоцій. В алгоритмах технології FaceIt? корпорації Visionics зображення розбивається на блоки і аналізується взаємне розташування таких блоків. Ці методи для порівняння використовують як характеристики ділянок (блоків) зображень (набір яркостей пікселів, коефіцієнтів частотних перетворень, головні компоненти блоків зображення тощо), так і взаємне розташування таких ділянок. Причому як характер спотворень, так і вміст ділянок засвоюється в процесі навчання. У процесі розпізнавання спотворення проводиться не до кожному прикладу тренувального набору, а до узагальненої моделі класу.
За характером використання навчального набору методи розпізнавання облич можна розділити на два великі класи. У методах першого класу в процесі настройки не використовують навчальні приклади. У таких методах усі параметри задаються вручну і, як правило, підбираються шляхом різних експериментів. Наприклад, криміналістична ідентифікація людини по обличчю із застосуванням ключових точок. У цій роботі наведені результати експериментального вибору ключових точок і відносин між ними, найбільш придатних для задачі розпізнавання. Такий підхід трудомісткий, вимагає апріорних знань про предметну область (в даному випадку про антропометричних характеристиках особи) і великої кількості настроювальних експериментів.
На противагу цьому другий клас методів у різного ступеня для вилучення ознак використовує аналіз навчальної вибірки, що представляє собою набір типових об'єктів потрібних класів. Тому такі методи обчислювально б...
