Ракамли технологиялар ва сунъий интеллектни ривожлантириш илмий-тадкщот институти хузуридаги илмий даражалар берувчи

RIP
в плоскости лица-кандидата получают путем 
вычисления суммы углов, спрогнозированных на всех этапах:
0
RIP
= #1 + #2 +
9
з
>
где 
в
3
- угол поворота, определяемый в диапазоне [-450, 450] с помощью 
индикатора направления 
д.
Таким образом, в процессе обучения третьего этапа все изображения 
равномерно поворачиваются в угловом диапазоне [-450, 450].
Для определения эффективности предложенной модели использовались 
критерии ROC и AUC.
Для создания ROC-кривой в системе координат используется Соотношение 
между 
истинной 
положительной 
частотой 
модели 
(TPR-истинная 
положительная 
частота) 
и 
ложноположительной 
частотой 
(FPR- 
ложноположительная частота). Ниже приведены формулы для определения 
истинной положительной скорости и ложноположительной скорости:
TPR
FPR
ТР
TP + FN ’
FP
FP + T N '
здесь 
ТР
- истинно-положительный результат, 
FP
- ложно-положительный 
результат, 
TN
- истинно-отрицательный результат, 
FN
- ложно-отрицательный 
результат.
AUC (Area Under Curve, площадь под кривой) — площадь, ограниченная 
ROC-кривой и осью доли ложных положительных классификаций. Чем выше 
показатель AUC, тем качественнее классификатор.
Предложенная 
модифицированная 
модель 
НСПН 
по 
критериям 
эффективности (ROC-кривая и AUC) была сопоставлена экспериментальным 
путем с алгоритмом Виола-Джонса и алгоритмом, основанным на построении 
гистограммы 
ориентированных 
градиентов 
(HOG). 
Для 
проведения 
экспериментов использовалась база изображений лиц WIDER FACE. Результаты 
этих экспериментов, приведенные на рисунке 2, иллюстрируют некоторое 
преимущество модели НСПН по сравнению с известными алгоритмами.
34

---

Рис. 2. Р езультаты эксперим ентов по оценке эф ф ективности 
сопоставляем ы х алгоритм ов на основе критери ев R O C -к р и в ая и AUC
В параграфе 3.3 диссертации предложен алгоритм формирования 
локального признакового пространства на основе статистического анализа для 
обнаружения изображений лица в условиях частичной окклюзии. На рисунке 3 
приведена общая структура предлагаемого алгоритма.
Рис. 3. О бщ ая структура алгоритм а обнаружения изображ ения ли ц а в
условиях частичной окклю зии
Алгоритм формирования локального признакового пространства на основе 
статистического анализа выполняется в следующей последовательности.
Этап 1. Представление изображения лица дескриптором SIFT.
35

---

Н а этом этапе определяются особые точки, каждая из которых представлена 
своим собственным вектором-дескриптором 
к.
При этом изображение лица / 
может быть представлено М векторами-дескрипторов:
1 = (к 1,К2, ...,к м )
Этап 2. Формирование обучающей выборки через набор признаков:
S = { /'|/i = ( Ki ......
K<
k ), 1 = 1,2
Wj.
Суммируя все дескрипторы в каждом изображении, можно получить набор 
Т из локальных признаков:
Т = { к ‘т
|( = 1,2 
Wj.
Изображения тестовой выборки также представляются через SIFT:
tst 
tst tst 
tst
1 
= 
,&2
, ■■■, 
KM
J.
Этап 3.
Используя алгоритм, основанный на оценке взаимозависимости 
признаков определяется принадлежность тестового изображения к одному из 
заданных классов.
В этом алгоритме разница между обучающим изображением и тестовым 
изображением находится путем объединения значения веса 
wm
дескриптора и 
расстояния между каждой парой дескрипторов сопоставляемых изображений 
обучающей и тестовой выборок:
M