Mundarija kirish i-bob. Yuz tasvirni biometrik identifikatsiyalash usullarini nazariy jihatlarni ko‘rib chiqish

Modellar orasidagi xususiyatlar va farqlar
Bir o‘lchovli modellarda yuz yuqoridan pastgacha (ko‘pincha) yoki chapdan o‘ngga (kamroq) belgilangan o‘lchamdagi kuzatish oynasi bilan ketma-ket ko‘riladi (skanerlanadi). Modelning holatlari tasvirning qatorlar to‘plami bo‘lgan qismlarga bo‘linishiga mos keladi. Eng ko‘p ishlatiladigan misollardan birida yuz gorizontal chiziqlar bilan yuzning 5 qismiga mos keladigan qismlarga bo‘linadi.
Tasvirlar vertikal ravishda Y va gorizontal X o‘lchamlarga ega bo‘lsin. Oynaning o‘lchami vertikal ravishda L va gorizontal ravishda H bo‘lsin. Bu oyna tasvirni yuqoridan pastga qarab ishga tushiradi, oldingi oynani M piksel bilan qoplaydi. 

M va L parametrlarini tanlash juda muhimdir. M ning katta qiymati tanib olish sifatini yaxshilaydi. Lekin L ni tanlash ehtiyotkorlikni talab qiladi. L ning katta qiymati bilan turli holatlardagi tasvirlarni olish mumkin, kichik qiymatlar bilan oynada juda kam ma’lumot bo‘lishi mumkin.

2.6-Rasm. a)- 1D-HMM uchun kuzatish oynasining tushuntirishi, b)- tasvirni skanerlash tartibi.

2.7-Rasm. a) - tasvirni HMM yashirin holatlarini ifodalovchi qismlarga bo‘lish misoli; b) - tegishli holat grafigi.

Umuman olganda, 1D-HMMdan foydalanilganda, HMM to‘plami ishlatiladi  :

Bu yerda N - tan olinishi kerak bo‘lgan turli xil ob’ektlarning umumiy soni. Model parametrlarini quyidagicha tavsiflash mumkin:
- yuzning bir hududidan boshqasiga o‘tishning ehtimollik o‘lchovi. Treningdan so‘ng  u bir qismdan ikkinchisiga o‘tish chastotalarini va tegishli bo‘limlarning qalinligini saqlaydi.
- k holatda kuzatilgan xususiyat vektorining ehtimollik o‘lchovi. Treningdan so‘ng  u yuzning turli qismlarida kuzatilgan xususiyat vektorining vektor taqsimotini o‘z ichiga oladi.
- ehtimollikning dastlabki taqsimoti. Yuz yuqoridan pastgacha ko‘rilganligi sababli, birinchi holatning ehtimolligi  , qolgan holatlarning ehtimoli esa  , M - yuz qismlari soni.
Pseudo-2D Markov modeli super holatlarga ega chiziqli modeldan iborat. Bunday holda, superstatlar bir o‘lchovli HMMlardir. Har bir superstate tasvirni qatorlarga (ustunlarga) bo‘lishga mos keladi va superstate ichidagi ketma-ket holat o‘tishlari ma’lum bir qator (ustun) bo‘ylab o‘ngdan chapga (yuqoridan pastga) o‘tishga mos keladi. Yangi super xolatga o‘tish faqat tizim avvalgi super xolatdan modelning yakuniy holatida bo‘lganda mumkin. Kuzatish oynasi super xolat chegaralaridan tashqariga chiqmaslik uchun tanlangan. Bir o‘lchovli HMMga o‘xshab, skanerlash ma’lum bir o‘xshashlik omili bilan amalga oshiriladi. P2D-HMM yordamida segmentatsiyani ikki o‘lchovli deb hisoblash mumkin (rasm).

2.9-Rasm. a) - psevdo-ikki o‘lchovli Markov modeli uchun holat grafigi; b) - yuzni segmentatsiyalash muammosini hal qilish misoli.

Soddalashtirilgan ikki o‘lchovli Markov modeli tasvirni to‘rtburchaklar (HMM holatlari) ga bo‘lishga mos keladi. Bunday holda, chegaralar orasidagi vertikal va gorizontal o‘tishlarga ruxsat beriladi, lekin diagonal o‘tishlar taqiqlanadi, bu modelni sezilarli darajada soddalashtiradi. Tasvir mos ravishda skanerlanadi.

HMM uchun modelni dastlabki ishga tushirish muhim ahamiyatga ega. O‘quv to‘plamidagi barcha tasvirlar barcha modellarning dastlabki ishga tushirilishi sifatida ishlatilishi mumkin. Diskret kosinus almashtirish koeffitsientlari bilan tanib olishning foydali xususiyati shundaki, u bugungi kunda keng tarqalgan tasvir va video saqlash formatlari bo‘lgan JPEG va MPEG kabi siqilgan tasvirlar bilan bevosita ishlash imkonini beradi.
HMMning kamchiligi shundaki, u pasaytirish kuchiga ega emas. Bular: o‘rganish algoritmi har bir modelning o‘z sinflariga bo‘lgan javobini maksimal darajada oshiradi, lekin boshqa sinflarga bo‘lgan munosabatni minimallashtirmaydi va bir sinfni boshqasidan ajratib turadigan asosiy belgilar ajratilmaydi. Shunday qilib, shunga o‘xshash sinflar yomon farqlanishi mumkin, natijada bazaning kattaligi oshishi yoki kengroq sharoitlarda foydalanish uchun HMM ishonchsiz bo‘lishi mumkin.