44
биометрик маълумотлари мавжуд. Ҳозирги вақтда тизим 170 миллион
камерадан фойдаланади. Юзни аниқлаш технологияси соҳасида етакчилардан
бири бўлган Хитойликларнинг юзни таниб олиш тизимни мукаммал деб
ҳисобламайдилар: улар яқин уч йил ичида юзни танишга мўлжалланган яна 400
миллион камерани шахар кўчаларида ўрнатиш режаси мавжуд. Ҳозирда Хитой
ўз даражасига эга бўлиш учун: реал вақтда ярим миллиард камералар 1,4
миллиард одамни кузатиб боради.
Тақдим этилган алгоритмларнинг хилма-хиллигига қарамай, юзни
аниқлаш жараёнининг умумий тузилишини ажратиб кўрсатиш мумкин (1-
расм).
1-расм. Юзни аниқлаш жараёнининг умумий тузилиши
Биринчи босқичда юз аниқланади ва расмда локализация жараёни амалга
оширилади. Таниб олиш босқичида юзнинг тасвири тўғирланади (геометрик ва
ёрқинлиги), хусусиятлари ҳисоблаб чиқилади ва таниб олиш жараёни амалга
оширилади - ҳисобланган хусусиятлар маълумотлар базасида сақланадиган
хусусиятлар билан таққосланади. Тақдим этилган
барча алгоритмларнинг
асосий фарқи хусусиятларни ҳисоблаш ва уларнинг тўпламларини бир-бири
билан таққослашдан иборат.
Эластик графга мос келиш (Elastic Graph Matching EGM). Бу усулнинг
моҳияти юз тузулишини тавсифловчи графлар эластик таққослашгача камаяди.
Юз графнинг қийматлари тасвирдаги чўққилар ва қирралар билан ифодаланади.
Таниб олиш босқичида мос ёзувлар ўзгаришсиз қолади, иккинчиси эса
биринчисига энг мос келиш учун деформацияланади. Бундай таниб олиш
тизимларида графлар тўртбурчакли панжарани ҳам, юзнинг характерли
(антропометрик) нуқталари билан ҳосил бўлган тузилишни ҳам
акс еттириши
мумкин (2-расм).
а ) б)
2-расм. Юзни аниқлаш усули: а) мунтазам панжара б) юзнинг антропометрик нуқталарига
асосланган граф
45
Баъзи тасвирларда, ҳатто юз қисмида турли хил ҳиссий туйғулар мавжуд
бўлганда ва юзнинг бурчаги 15 даражагача ўзгарган тақдирда ҳам, 95-97%
таниб олиш самарадорлиги кўрсатилган. Бироқ, ушбу усулнинг камчиликлари
таниб олиш процедурасининг юқори ҳисоблаш мураккаблиги, янги
стандартларни сақлашда тизим қобилиятининг пастлиги ва ишлаш вақтининг
юзлар базаси ҳажмига чизиқли боғлиқлигидир.
Сунъий нейрон тармоқлари. Ҳозирги кунда юзни аниқлаш йўналишида
ўнга яқин сунъий нейрон тармоқлари мавжуд. Энг кўп ишлатиладиган
усулларидан бири бу кўп қатламли перцептронга асосланган тармоқ бўлиб, у
кириш тасвирини олдиндан ўрнатилган маълумотларга мувофиқ
равишда
таснифлаш имконини беради. Нейрон тармоқлари бир қатор ўқув мисоллари
ёрдамида ўқитилади. Ўқитишнинг моҳияти, градийент тушиш усули ёрдамида
оптималлаштириш масаласини ҳал қилиш жараёнида нейронлараро боғланиш
оғирлик коэффициентларни созлашдан иборат. Нейрон тармоғини ўрганиш
жараёнида асосий хусусиятлар автоматик равишда аниқлаб олинади, уларнинг
аҳамияти аниқланади ва улар ўртасидаги муносабатлар ўрнатилади. Ўқитилган
сунъий нейрон тармоқлар умумлаштириш қобилиятлари туфайли ўқув
жараёнида тўпланган тажрибани номаълум тасвирларга қўллай олади. Юзни
таниб олиш соҳасидаги энг яхши натижалар (илмий нашрлар таҳлил қилиш
натижаларига кўра) Свёрткали нейрон тармоғи (СНТ) томонидан кўрсатилди,
бу когнитрон ва неокогнитрон каби нейрон тармоқлари тузилиш ғояларининг
мантиқий ривожланиши ҳисобланади (3-расм).
3-расм. Свёрткали нейрон тармоғининг архитектураси
Нейрон тармоқларининг камчиликлари шундан иборатки, маълумотлар
базасига янги маълумот қўшиш учун барча мавжуд тўплам бўйича тармоқни
тўлиқ қайта ўқитиш талаб қилинади. Ўқитиш билан боғлиқ математик
характердаги муаммолардан бири оптималлаштиришнинг мақбул босқичини
танлаш, қайта тайёрлаш кабилардир.
Яширин Марков модели. Юзни таниб олишнинг статистик усулларидан
бири бу дискрет вақтга эга бўлган яширин Марков модели.
Яширин Марков
модели сигналларнинг статистик хусусиятларидан фойдаланади ва уларнинг
фазовий хусусиятларини бевосита ҳисобга олади. Моделнинг элементлари:
яширин ҳолатлар тўплами, кузатилган ҳолатлар тўплами, ўтиш эҳтимоли
матрицаси, ҳолатларнинг дастлабки эҳтимоли. Ҳар бирининг ўзига хос Марков
46
модели мавжуд. Объектни таниб олаётганда, объектларнинг маълум бир базаси
учун ишлаб чиқарилган Марков моделлари текширилади ва маълум бир объект
учун кузатувлар кетма-кетлиги мос модел томонидан ҳосил бўлишининг
максимал кузатиладиган еҳтимоли изланади.
Яширин Марков модели камчиликлари шундаки, ҳар бир маълумотлар
базаси учун модел параметрларини танлаш зарурияти, қисқариш қобилиятига
эга емаслиги, яъни ўрганиш алгоритми ҳар бир тасвирнинг ўз
моделига
жавобини максимал даражада оширади, аммо бошқа моделларга жавобни
минималлаштиради.
Хулоса қилиб айтганда, таҳлил натижаларига асосан, юзни таниб олиш
тизимларини қуриш жараёнида алгоритмларни танлаш муҳим босқич
ҳисобланади. Бу жараён тизимга қўйилаётган талаб ва алгоритм ҳусусиятидан
келиб чиққан ҳолда амалга оширилади. Тасвирларга рақамли
ишлов бериш
орқали керакли натижани олиш имкони пайдо бўлади.
Do'stlaringiz bilan baham: 
