Использование информации о динамике изменений человеческого лица
3
более сильной, а связь признаков между классами, наоборот, наибо-
лее слабой.
Особенный подход используется при построении эластичных
графовых моделей человеческого лица. Целью метода является пред-
ставление человеческого лица в виде деформируемого графа. В каче-
стве вершин графа выделяются особые точки человеческого лица,
которые могут вычисляться различными способами. Наиболее часто
особые точки — это глаза, границы губ, брови. С каждой вершиной
связывается определенный коэффициент, таким образом, геометрия
лица кодируется с помощью ребер графа. Процедура идентификации
нового лица или классификации заключается в вычислении функции
сходства графов человеческих лиц.
Помимо математических и геометрических методов вычисления
особенностей по изображению человеческого лица, стоит выделить
группу методов, основанных исключительно на анализе текстур. К
данной группе относится метод, основанный на использовании ло-
кальных бинарных шаблонов (ЛБШ). Исходное изображение разби-
вается на блоки фиксированного размера, и к каждому блоку приме-
няется оператор ЛБШ. После этого вычисляются гистограммы каж-
дого блока и конкатенируются в общую гистограмму особенностей
изображения человеческого лица. Текстурные особенности имеют
ряд преимуществ относительно ранее рассмотренных методов: они
позволяют определить лицо в целом (PCA, LDA), а также описать
особые регионы, представляющие особые точки (EBGM).
В связи с этим в последнее время наибольший интерес у исследо-
вателей представляют методы текстурного анализа для решения задач
распознавания и классификации. В [10] авторы приводят результаты
сравнения, в том числе рассмотренных ранее методов на различных
наборах данных. Для проведения экспериментов была выбрана тесто-
вая свободно распространяемая база изображений FERET [20], которая
состоит из следующих наборов данных:
1) фронтальные изображения 1196 человек;
2) фронтальные изображения 1195 человек с выражениями эмоций;
3) 194 фронтальных изображения людей в различных условиях
освещения.
Результаты исследования [10] приведены в табл. 1.
Таблица 1
Результаты сравнения методов распознавания
Метод
Результат распознавания, %
Набор 1
Набор 2
Набор 3
LBP
97
76
92
PCA
85
71
81
LDA
82
67
75
EBGM
90
66
85
