Ўқитувчининг касбий компетентлилигини оширишда инновацион ёндашувлар: муаммо ва ечимлар
221
бўлиб, субъектларнинг пассив объектлардан фойдаланиш ҳуқуқлари турлича бўлада. Баъзида
бу модел “фойдаланиш ҳуқуқини чекловчи матрица модели” деб юритилади.
Деннинг модели. Бу модел махфийликнинг турли сатҳига эга бўлган ҳужжатлар билан
ишлашдаги ҳимоя воситаларнинг иерархик (шажара) моделидир. Бунда вариант сифатида
ҳимоянинг концентрик халқалари тушунчаси киритилган бўлиб, ички халқалар
махфийликнинг максимал сатҳига мос келса, ташқарига яқинлашган сари махфийлик сатҳи
пасаяди.
Ландвер модели. Бу моделдан компьютер маълумотининг хавфсизлиги маълумотни
барча киритишчиқариш амалларини ҳимоялаш орқали таъминланувчи локал ва корпоратив
тармоқларда фойдаланилади.
Аксарият ҳужумлар пассив бўлганлигига қарамасдан ҳатто актив ҳужумга тайёр
турган потенциал бузғунчини ҳам аниқлаш мумкин.
СРАВНИТЕЛЬНОГО АНАЛИЗА СУЩЕСТВУЮЩИХ МЕТОДОВ И АЛГОРИТМОВ
РАСПОЗНАВАНИЯ
ЧЕЛОВЕЧЕСКИХ ЛИЦ
ПАРПИЕВА А.Ж.,
Чирчикский ВТКИУ старший преподаватель
Распознавание объектов является легкой задачей для людей, эксперименты,
проведенные в работе показали, что даже дети в возрасте от одного до трех дней способны
различать запомненные лица. Так как человек видит мир не как набор отдельных частей, наш
мозг должен както комбинировать различные источники информации в полезные паттерны.
Задача автоматического распознавания лиц состоит в выделении этих значащих признаков из
изображения, преобразуя их в полезное представление и
производя некоторого вида
классификации.
Процесс распознавания лиц, основывающийся на геометрических признаках лица,
является, вероятно, наиболее интуитивным подходом к задаче распознавания лиц.
Эксперименты на большом наборе данных показали, что в одиночку геометрические
признаки не могут дать достаточно информации для распознавания лица.
Метод, который носит название Eigenfaces,
описанный в работе, приводит целостный
подход к задаче распознавания лиц. Изображение лица является точкой из многомерного
пространства изображений, которому сопоставляется представление из так называемого
маломерного пространства, где классификация становится простой задачей. Маломерное
подпространство находится с помощью метода анализа принципиальных компонент (PCA),
который идентифицирует оси с максимальной дисперсией. В то
время, как такой вид
трансформации является оптимальным с точки зрения реконструкции, он не учитывает
классовые метки. Если дисперсия сгенерирована из внешнего источника (например,
освещенности), оси с максимальной дисперсией могут не содержать какойлибо отчетливой
информации, следовательно, классификация становится невозможной. Поэтому в работе для
задачи
распознавания
лиц
была
применена
классовая
проекция
с
линейным
дискриминантным анализом. Основная идея заключалась в том, чтобы минимизировать
дисперсию внутри класса и в то же время максимизировать дисперсию между классами.
Не так давно несколько методов выделения локальных признаков были объединены.
Для того чтобы избежать многомерности входных данных, описываются
только локальные
области изображения. Выделенные признаки получаются более устойчивыми против
частичного перекрытия, освещенности и малого размера входного изображения.
Алгоритмами, которые используют выделение локальных признаков, являются: Вейвлеты
Габора, Дискретное косинусное преобразование и Локальные бинарные шаблоны. Вопрос о
том, какой способ сохранить пространственную информацию при применении метода
Ўқитувчининг касбий компетентлилигини оширишда инновацион ёндашувлар: муаммо ва ечимлар
222
выделения локальных признаков является наилучшим, все еще открыт для исследований, так
как пространственная информация является потенциально
полезной для решения задачи
распознавания лиц.
Метод Eigenfaces выполняет распознавание лица, по следующим шагам:
проецирование
всех
обучающих
примеров
в
подпространство
анализа
принципиальных компонент;
проецирование
запрошенного
изображения
в
подпространство
анализа
принципиальных компонент;
поиск
ближайших
соседей
между
спроецированными
тренировочными
изображениями и спроецированным запрошенным изображением.
На рисунке 1 представлен пример того, как представляются лица алгоритмом
Eigenfaces. Была использована цветовая схема jet для того, чтобы показать, как значения
оттенков серого распределяются в конкретных лицах.
Алгоритм кодирует не только
признаки лица, но также освещенность изображений.
Do'stlaringiz bilan baham: 
