Юз тасвири бўйича шахсни идентификация қилиш методлари ва алгоритмлари

Чизиқли бўлмаган технологиялар
Kernel PCA (KPCA) – PCA усулининг такомиллаштирилган варианти ҳисобланади. Ушбу алгоритм PCA дан фарқли равишда хос юзлар ва хос векторларни ҳисоблашда ковариацион матрица ўрнига ядро матрица орқали ҳисоблаб чиқилади. Бундан ташқари KPCA PCA нинг мос ядро функцияси томонидан акслантирилган кўп ўлчовли белгилар фазосини ифодалайди. n та маълумотлар нуқталаридан таркиб топган тақсимотнинг ядро матрицаси K функциясини ҳисоблаш учун KPCA алгоритмининг учта муҳум босқич бажарилади. Шундан сўнг маълумотлар нуқталари қуйидаги алгоритмга мувофиқ кўп ўлчовли белгилар фазосида акслантирилади [12].

• 
  1-қадам. ядро функцияси ёрдамида матрицанинг скаляр кўпайтмаси аниқланади.
  
• 
  2-қадам. Натижавий матрицадан хос векторлар ҳисобланади ва функция билан нормаллаштиради.
  
• 
  3-қадам. ядро функция ёрдамида хос векторлардаги синов нуқтаси проекцияси ҳисобланади.
  

KLDA (Kernel linear discriminant analysis – ядро чизиқли дискриминатив таҳлил) ЧДТ нинг худди БКУ нинг ядро кенгайтмаси каби такомиллаштирилган варианти ҳисобланади [13]. [14] да спектрал регрессия ядро таҳлили асосида чизиқли бўлмаган иккилик синфга хос ядро дискриминант таҳлил классификатори таклиф қилган.
Юз тасвири орқали таниб олишда гибрид ёндашув
Юз тасвири орқали таниб олишда гибрид ёндашувга мансуб алгоритмлар юқорида тавсифланган юз тасвирининг локал ва глобал белгилари асосида таниб олиш алгоритмларининг устувор томонларини биргаликда қўллаш орқали идентификациялаш сифатини ва тезлигини ошириш учун ишлаб чиқилган. Қуйида ушбу гурухга тегишли ҳозирда кенг қўлланилаётган усул ва алгоритмларнинг айримлари билан танишамиз.
Габор Вейвлет ва чизиқли дискриминант таҳлил (ГВЧДТ) – комбинанциясидан ҳосил қилинган гибрид алгоритм [15]. Нормаллаштирилган кирувчи кулранг тасвир аппроксимацияланади ва Габор фильтри ортиқча ҳисоб китобларини камайтириш учун ўлчовлари камайтирилади. Ушбу тасвир ҳар хил масштабга ва ва йўналишга эга Габор фильтрлари билан ўралади. Сўнгра класслараро масофа катталаштирилиб ва класс ичидаги масофаларни камайтириш учун икки ўлчовли дискриминант таҳлил усули ёрдамида (2 D-ЧДТ). Синов юз тасвирларини таснифлаш учун k-яқин қўшнилар (k-NN) классификатори қўлланилади. Таниб олиш масаласи синов юз тасвири белгаларини ҳар бир ўқитилган белгилар тўплами билан таққослаш орқали амалга оширилидаи. ГВЧДТ алгоритми Габор белгилари каби ёруғликка инвариант ҳисобланади. Шунингдек ушбу усул турли юз ифодалари учун кам сонли белгилардан фойдаланиб таниб олиш тезлигин ошириш га мўлжалланган.
OCLBP (Over-complete LBP – Ҳаддан ташқари тўлиқ локал бинар образлар), ЧДТ ва синф ичида ковариацион нормаллаштириш усулларининг комбинациясидан ҳосил қилинган алгоритм [16]. OCLBP ЛБО нинг кўп масштабли модификациясияланган варианти икки хусусиятига кўра фарқланади. Биринчидан OCLBP устма-уст блокларни ҳисоблайди. Вертикал ва горизантал блоклар миқдорини назорат қилувчи иккита параметр h,v∈(0,1] билан бошқарилади. Бунда h=v=0 бир-бирига устма-уст тушмайдиган блоклардан ҳосил қилинади. Иккинчи фарқ блокларнинг турли хил ўлчам ва радиусдалигида. Муаллифлар турли ўлчамга ва радиусга эга блоклар учун такроран ЛБО ни ҳисоблаб чиқадилар. Айтайлик кирувчи тасвир ва конфигурациялар тўплами берилган бўлсин. Тасвир ҳажмдаги, вертикал ва горизантал устма-уст тушган бўлакларга бўлинади ва оператори ёрдамида локал бинар образлар ҳисобланади. Ушбу ҳисоблашлар нинг барча конфигурациялари учун такрорланади ва OCLBP дескрипторининг натижасини берувчи ягона векторга бириктирилади. ЧДТ ёрдамида тасвирнинг юқори ўлчовлилиги камайтирилади. Синф ичидаги ковариацион нормаллаштириш эса юз тасвирини таниб олишда қўлланиладиган меирик ўқитиш техникаси ҳисоблвнвди.
SIFT идентификатори, Фишер векторлари ва БКУ: [17] да SIFT идентификатори ва Фишер векторларига асосланган юз тасвири орқали таниб олишнинг янги усулт таклиф этилган. Муаллифлар Фишер векторлари юқори ўлчовли бўлганлиги туфайли уларнининг ўлчовларини дискриминатив камайтиришни таклиф қилган. Шундан кейин, ушбу векторлар чизиқли проекция эга бўлган паст ўлчовли қисм фазоларга проекцияланади. Ушбу усулнинг асосий мақсади чекланган ва чекланмаган созламаларда LFW тасвирлар базасида юқори натижага эришиш учун зич SIFT белгилари ва Фишер векторлари асосида тасвирни ифодалаш ҳисобланади.
CNN–LSTM–ELM. Конволюция операцияси, LSTM (Long Short-Term Memory-узун қисқа хотира), ELM (Extreme Learning Machine-Эктремал ўқув машинаси) классификатори комбинациясидан ташкил топган гибрид алгоритм. [18] да инсон харакатлар кетма-кетлигини таниб олиш (HAR-Human activity recognition) учун CNN–LSTM–ELM алгоритмини таклиф қилинган. Муаллифлар алгоритмни баҳолаш учун 46,495 ўқув намуналари 9894 ва OPPORTUNITY тасвирлар базасидан фойдаланган. Ушбу моделни ўқитиш ва синовдан ўтказиш учун 1536 ядро, 1050 MHz чатота ва 8 GB тезкор хотирага эга GPU процессоридан фойдаланилган. 5-рсмда CNN–LSTM–ELM моделини умумий архитектураси тасвирланган.

5-рсмда CNN–LSTM–ELM модели