С.В. Горин
,
А.С. Сулимов
2
Ключевым моментом является понимание физиологии человече-
ской мимики. Выражение эмоций, например, счастья, грусти, страха,
удивления, с точки зрения мимики заключается в определенном дви-
жении мышц лица, т. е. изменении формы губ, век, кожи лица.
В рамках текущего исследования интерес представляет сравнение
результатов распознавания, базирующегося на статической и дина-
мической информации человеческого лица.
Для анализа статической информации человеческого лица и ди-
намики его изменения в [14] предлагается использовать оператор ло-
кальных бинарных шаблонов, который результативно справляется с
задачами распознавания объектов по шаблонам и применим к распо-
знаванию динамических текстур.
Сравнительный анализ методов выделения особенностей че-
ловеческого лица в задачах распознавания.
Среди множества су-
ществующих подходов для выделения особенностей при решении
задачи распознавания и классификации человеческого лица наиболее
популярными и применимыми в реальных системах являются:
1) метод главных компонент PCA;
2) дискриминантный анализ LDA;
3) эластичные графовые модели EBGM;
4) локальные бинарные шаблоны LBP [9, 10].
Основной идеей PCA является представление изображений лиц в
виде набора главных компонент, которые и являются особенностями
объекта распознавания. Главные компоненты принято называть «соб-
ственные лица». Вычисление собственных лиц заключается в опреде-
лении собственных векторов и собственных значений ковариационной
матрицы изображения. Стоит отметить, что существует возможность
реконструировать исходное изображения, используя умножение глав-
ных компонент на вычисленные собственные векторы.
Процесс распознавания либо классификации заключается в по-
строении для входного изображения определенного количества глав-
ных компонент. В зависимости от их числа увеличивается либо
уменьшается чувствительность метода к шумам и мелким различиям
в лицах. После этого вычисленные «собственные лица» сравнивают-
ся с компонентами изображений обучающей выборки. По определен-
ному алгоритму ищется расстояние от входного изображения до
изображения выборки и берется наилучший результат.
Линейный дискриминантный анализ позволяет редуцировать ко-
личество признаков распознаваемого объекта на изображении, кото-
рыми в простейшем случае являются значения интенсивностей пик-
селей. Каждая новая размерность характеристического вектора осо-
бенностей получается с помощью линейной комбинации значений
пикселей многочисленных шаблонов. Основной целью таких преоб-
разований является построение векторов особенностей таким обра-
зом, чтобы связь признаков внутри одного класса была как можно
