|
Noaniq mantiqiy tizimlar
Noaniq mantiqiy tizim (FLS) skalyar ma'lumotlarga o'rnatilgan ma'lumotlar to'plamining chiziqli bo'lmagan xaritasi sifatida aniqlanishi mumkin. U to'rtta asosiy qismdan iborat: 3-rasmda keltirilgan noaniqlik, qoidalar, xulosa dvigateli va defuzzer. Birinchidan, kirish ma'lumotlarining aniq to'plami yig'ilib, a'zolik funktsiyalari yordamida noaniq to'plamga aylantiriladi. Ushbu qadam fuzzifikatsiya deb nomlanadi. Keyinchalik, bir qator qoidalar asosida xulosa qilinadi (IF-THEN qoidalari). Va nihoyat, natijada noaniq chiqish defuzzifikatsiya bosqichida a'zolik funktsiyalari yordamida aniq chiqishga taqqoslanadi.
10-rasm. Noaniq logical algoritm bosqichlari
Yuzni tanib olish uchun ikkita keng yondashuv mavjud; (i) "tashqi ko'rinishga asoslangan" yondashuvlar, bunda yuz tasviri o'ziga xos vektor sifatida qaraladi, (ii) "strukturaviy" yondashuvlar, bunda grafika kabi deformatsiyalanadigan model yuzni namoyish qilish uchun ishlatiladi. Birinchi tur yondashuvda w dan h pikselgacha bo'lgan ikki o'lchovli tasvir w * hdimensionalspace-dagi vektor bilan ifodalanadi. Shuning uchun har bir yuz tasviri bu bo'shliqdagi nuqtaga to'g'ri keladi. Ushbu bo'shliq namuna maydoni yoki rasm maydoni deb nomlangan va uning hajmi odatda juda yuqori. Namunaviy bo'shliqdagi har qanday rasm ma'lumotlarning ahamiyatsiz miqdorini yo'qotmasdan pastki o'lchovli pastki bo'shliqda aks ettirilishi mumkin. PCA - printsipial komponentni tahlil qilish usuli deb ham ataladigan Eigenface bunday pastki o'lchovli pastki bo'shliqni topish uchun taklif qilingan.
Lineer diskriminantlarni tahlil qilish (LDA) usulida taklif qilingan. Bu metodoverning cheklovlarini qondiradi. Fisher's Lineer Discriminantcriterion-ni qo'llash o'ziga xos usul. Ushbu mezon JFLD (Wopt) = argwmax | WTSBW | / | WTSWW | nisbatlarini maksimal darajaga ko'tarishga harakat qiladi, bu yerda S Bisthe sinflararo tarqalish matritsasi va S - sinf ichidagi tarqalish matritsasi. Yuzni tanib olish vazifalarida ushbu usul to'g'ridan-to'g'ri qo'llanilishi mumkin emas, chunki namuna maydonining o'lchami odatda o'quv to'plamidagi namunalar sonidan kattaroqdir. Natijada, SWIS bu holatda yagona. Ushbu muammo "kichik namuna o'lchamlari muammosi" deb ham nomlanadi. Svets va Veng ikki bosqichli PCA + LDA usulini taklif qildilar, shuningdek, Fisherface usuli ham ma'lum, bu usulda PCA birinchi navbatda SWni noaniq qilish uchun o'lchovlarni kamaytirish uchun ishlatilgan. LDA. Jian va David tomonidan qo'llanilishidan oldin kichik namuna o'lchamlari muammosini hal qilish uchun 2DPCA usuli taklif qilingan, 2DPCA 1D vektorlarga emas, balki 2 o'lchovli tasvir matritsalariga asoslangan.
Satr vektorlari va ustun vektorlari orasida mavjud bo'lgan rasm matritsasining ortiqcha miqdorini siqish uchun 2 bosqichli 2DPCA dan foydalanish mumkin. Shakl kichik o'lchamdagi muammoni hal qilish uchun yana bir algoritm amalga oshirildi, DCV diskriminativ umumiy vektorlari. Har bir sinfdagi namunalarning farqlarini yo'q qilish orqali mashg'ulotlar to'plamidagi sinflarning umumiy xususiyatlari. Virendra va Sujata noaniq mantiqqa asoslangan axborotni chiqarishda yangi yondashuvni keltirib chiqardilar. Ular pikselni oqilona chiqarish uchun fuzzifikatsiya operatsiyasini qo'lladilar. Yuz tasvirlarini turli sinflarga birlashishida 2D PCA asosida oddiy yuzni aniqlash tizimi taklif qilingan, ammo bu faqat dastlabki tahlil va u hech qanday natija bermaydi. Shnayderning ishi Symbian platformasi uchun C ++ da ishlab chiqilgan yuzni aniqlash tizimini tavsiflaydi. 2014 - yilda mobil telefonlar uchun yuzni aniqlash tizimi taqdim etilgan, ammo u maxus kamerani talab qiladi, chunki u infraqizil nurlari yaqinida. PDA-ning Viola va Jones-dan foydalangan holda yuzini aniqlash bo'yicha amalga oshirilgan korrelyatsion filtrlar yordamida yuzlarni taniydi. Ranglarni ajratish va shablonlarni moslashtirish yuzni aniqlash uchun ishlatiladi, so'ngra FishingFace tanib olish algoritmidan foydalaniladi. Algoritm juda katta kuch sarflaganligi sababli, bu o'ziga xos xususiyatga ega emas. Maurisio Villegas va Roberto Paredes ishlashni yaxshilash uchun ular 32 o'rniga 8 bit(bayt) tamsayi yordamida mobil qurilmalarda PCA, FisherFace va mahalliy xususiyat algoritmlarini qo'llaydilar, bu PCA va Fisherface bilan xotiradan foydalanishni qisqartirishga olib keladi, ammo local xususiyat ko'proq vaqt sarflaydi. Boshqa tadqiqotlar tanib olish uchun ishlatiladigan eng yaxshi yuz qismini qiymatini topishga qaratilgan.
Ushbu loyihada kichik xotiradan foydalanish va qayta ishlash quvvatini hisobga olgan holda mobil qurilmalar uchun ishlatiladigan eng yaxshi algoritmni topishga intildim. Ushbu yondashuv FPIE & DCV-ni an'anaviy PCA bilan ishlashga erishish va shu bilan birga o'qitish uchun kichik namunalardan foydalangan.
Do'stlaringiz bilan baham: |
