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

Yashirin Markov modellari (HMM).
HMM signallarning statistik xususiyatlaridan foydalanadi va ularning fazoviy xususiyatlarini hisobga oladi. Model elementlari: holatlarning boshlang‘ich ehtimoli, kuzatilgan holatlar to‘plami, yashirin holatlar to‘plami, o‘tish ehtimoli matritsasi. Har bir element o‘zining Markov modeliga ega. Ob’ektni tanib olish jarayonida yaratilgan Markov modellari tekshiriladi va ob’ekt uchun kuzatishlar ketma-ketligi mos keladigan model tomonidan yaratilganligining eng yuqori kuzatilgan ehtimoli topiladi.
Bugungi kunga kelib, yuzni tanib olish uchun HMM ishlatadigan tijorat mahsuloti mavjud emas.
Bosh komponentlar tahlili (PCA).
Dastlab, ma’lumotni sezilarli darajada yo‘qotmasdan xususiyatlar maydonini qisqartirish uchun PCA statistikada qo‘llanila boshlandi. Yuzni tanib olish muammosida u asosan yuzni past o‘lchamli vektor sifatida ko‘rsatish uchun ishlatiladi, keyinchalik u bazadan mos yozuvlar vektorlari bilan taqqoslanadi.
PCA ning asosiy maqsadi - yuzlar to‘plamiga tegishli bo‘lgan "odatiy" tasvirlarni iloji boricha yaxshiroq tasvirlash uchun xususiyat maydonining o‘lchamini sezilarli darajada kamaytirishdir. Ushbu usuldan foydalanib, ta’lim namunasida turli xil o‘zgaruvchanlikni aniqlash mumkin va bu o‘zgaruvchanlikni bir nechta ortogonal vektorlar (o‘z vektorlar yoki Eigenface) nuqtai nazaridan tavsiflash mumkin.
O‘quv namunasi bo‘yicha bir marta olingan xos vektorlar to‘plami xos vektorlarning vaznli kombinatsiyasi bilan ifodalanishi mumkin bo‘lgan yuz tasvirlarining qolgan qismini kodlash uchun ishlatiladi. Cheklangan miqdordagi xos vektorlardan foydalanganda, kirish yuzining tasviriga siqilgan yaqinlashuvni olish mumkin, keyinchalik u ma’lumotlar bazasida koeffitsientlar vektori sifatida saqlanishi mumkin, bu esa bir vaqtning o‘zida ma’lumotlar bazasida qidiruv kaliti bo‘lib xizmat qiladi.
PCA ning mohiyati quyidagicha. Birinchidan, yuzlarning butun o‘quv to‘plami umumiy ma’lumotlar matritsasiga aylantiriladi, bu erda har bir qator yuz tasvirining bir nusxasi hisoblanadi. O‘quv to‘plamidagi barcha yuzlar bir xil o‘lchamda bo‘lishi kerak va yaxshisi normallashtirilgan gistogramma bilan.
Keyingi qadam ma’lumotlarni normallashtirish va satrlarni 0-o‘rtacha va 1-dispersiyaga etkazishdir, keyin kovariatsiya matritsasi hisoblanadi. Olingan matritsa uchun xos qiymatlar va ularga mos keladigan xos vektorlar aniqlanadi, ular ham xos yuzalardir. Keyin xos qiymatlar kamayish tartibida tartiblanadi va faqat birinchi k vektor qoladi.
PCA ilovalarda o‘zini yaxshi isbotladi. Biroq, yuzning tasvirida yuz ifodasida yoki yorug‘likda sezilarli o‘zgarishlar yuz berganda, usulning samaradorligi sezilarli darajada pasayadi. Buning sababi shundaki, bosh komponent usuli pastki bo‘shliqni yuzlar sinflari orasidagi farqlash uchun emas, balki kirish ma’lumotlar to‘plamini maksimal darajada yaqinlashtirish maqsadida tanlaydi.
Ushbu muammoni hal qilish uchun Fisherning chiziqli diskriminantidan (Fisherface) foydalangan holda yechim taklif qilindi.
Tajribalar yuz tasvirlarining pastki va yon tomonlarini kuchli soyalash sharoitida o‘tkazildi, unda Fisherface Eigenface uchun 53% ga nisbatan 95% samaradorlikni ko‘rsatdi.