
- •Разработка и макетирование устройства распознавания пользователей бытовой техники
- •Содержание
- •1. Сравнительный анализ и выбор принципов построения сенсорной части устройства
- •2. Разработка интерфейса взаимодействия системы распознавания с пользователями
- •3. Обзор методов биометрической идентификации личности по лицу
- •3.1 Особенности и проблемы распознавания лиц
- •3.2Методыудалениефона
- •3.3. Обзор алгоритмов обнаружения лица человека на изображении
- •3.3.1. Эмпирические методы
- •Распознавание "сверху-вниз".
- •Распознавание "снизу-вверх".
- •3.3.2. Моделирование изображения лица
- •Неадаптивные методы
- •Моделирование класса изображений лиц с помощью метода главных компонент
- •Моделирование класса изображений лиц с помощью Факторного Анализа (Factor Analysis, fa)
- •Адаптивные методы
- •Линейный Дискриминантный Анализ (Linear Discriminant Analysis, lda)
- •Метод Опорных Векторов (Support Vector Machines, svm)
- •Искусственные Нейронные Сети (Neural Networks, nn)
- •Sparse Network of Winnows (sNoW) - «Разреженная сеть просеивающих элементов».
- •Скрытые Марковские Модели (Hidden Markov Models)
- •Active Appearance Models (aam) – «Активные модели внешнего вида»
- •Алгоритм Viola-Jones
- •3.4 Обзор методов распознавания лиц
- •3.4.1. Классификация методов распознавания
- •3.4.2. Методы, основывающиеся на анализе локальных признаков
- •Контурные (эластичные) модели лица (Flexible Appearance Models)
- •Сравнение эластичных графов
- •Методы, основанные на геометрических характеристиках лица
- •Сравнение эталонов
- •Метод наиболее информативных областей (нио)
- •Скрытые марковские модели
- •Морфинговые модели
- •3.4.3. Методы, основывающиеся на анализе глобальных признаков Дискриминантные методы
- •Линейный дискриминантный анализ
- •Анализ главных компонент
- •Анализ независимых компонент
- •Топографический независимый факторный анализ
- •Оптический поток
- •3.4.4. Общие методы Фильтры Габора
- •Моменты
- •Нейронные сети
- •3.4.5. Методы классификации
- •Статистические классификаторы
- •Классификаторы на основе построения разделяющих гиперповерхностей
- •Классификаторы, основанные на принципах потенциалов
- •Классификаторы экземпляров
- •Нейросетевые классификаторы
- •4. Выбор оптимальных методов решения задачи распознавания лиц
- •5. Определение набора тестов для проверки качества работы системы распознавания
- •5.1. Тестирование подсистемы удаления фона
- •5.2. Тестирование подсистемы обнаружения лиц
- •5.3. Тестирование подсистемы распознавания лиц
- •5.4. Face Databases
- •6. Разработка алгоритмического обеспечения комплекса.
Моменты
Для задач связанных с распознаванием лиц на изображениях могут использоваться моменты и псевдомоменты Зернике.
К плюсам моментов относится их инвариантность к положению головы, выражению лица, масштабу. Однако отсутствуют инвариантности к фону, частичному заслонению, освещению.
Нейронные сети
Нейронные сети являются универсальным алгоритмом решения самого широкого класса задач. Поэтому они могут использоваться как для выделения признаков изображения (локальных и глобальных), так и для их последующей классификации. Ниже рассмотрим следующие виды нейронных сетей: модульные; сверточные; волновые; нейронные сети с ассоциативной памятью; обучаемое векторное квантование; сети с радиальными базисными функциями и сети с адаптивными функциями активации.
Нейронные сети можно использовать в качестве классификаторов, выделяя признаки с помощью других методов. Можно, наоборот, выделять признаки с помощью нейронных сетей, а классифицировать их с использованием других методов. Также можно использовать одну сеть (или одну разновидность сети) для выделения признаков, а другую сеть (или разновидность сети) для их классификации. Можно разработать одну нейронную сеть, решающую всю задачу распознавания лица в целом. Короче говоря, исследователям представляется широкое поле для экспериментов. Что касается инвариантностей, то для нейронных сетей все зависит от способа и места их применения в задаче распознавания лиц. В принципе, любой вид нейронной сети можно настроить таким образом, чтобы сеть удовлетворяла всем вышеприведенным инвариантностям.
3.4.5. Методы классификации
Задача классификации признаков распознаваемых лиц относится к так называемым задачам обучения по прецедентам, называемым также задачами «обучения с учителем», или дискриминантного анализа. Суть их состоит в том, чтобы в результате анализа обучающей последовательности конечной длины получить алгоритм классификации объектов, принадлежащих образам из заданного набора.
Существует большое количество методов решения задачи по прецедентам. Все эти методы можно разделить на два класса: статистические и детерминированные. В статистических методах построения решающих правил предполагается, что каждый объект с некоторой вероятностью может принадлежать любому образу из заданного набора. В качестве плотностей вероятностей генеральных совокупностей объектов статистические методы используют их оценки, получаемые из анализа обучающей выборки.
Детерминистские же методы не используют каких-либо предположений о статистических свойствах образов. Предполагается, что каждый объект может принадлежать какому-либо одному образу. Для выделения областей принятия решения непараметрические классификаторы используют дискриминантные функции. Отсутствие необходимости учета законов распределения объектов в заданных классах является важным достоинством детерминистских методов и делает их универсальными а практическом применении.
Можно выделить несколько методов, используемых для решения задачи обучения по прецедентам:
1) статистические методы, строящиеся на базе принципов математической статистики;
2) методы, основанные на построении разделяющих гиперповерхностей;
3) методы, основанные на принципе потенциалов;
4) методы, основанные на определении экземпляров;
5) методы, разработанные на основании изучения биологических нейронных сетей.