У результаті аналізу літератури виділено основні методи розпізнавання обличь на фрагментах кольорових зображень: гнучке порівняння на графах, приховані марківські моделі, аналіз головних компонентів, нейромережеві методи. Проаналізовані методи розпізнавання обличь, відомі з літератури, в основному характеризуються значними обчислювальними витратами та невисокою якістю розпізнавання. Винятком є нейромережеві методи розпізнавання обличь, які після завершення навчання надають змогу отримати високу якість розпізнавання за малих обчислювальних витрат. Однак у разі зміни еталонних зображень обличь часто виникає необхідність довизначення архітектури мережі та перенавчання мережі. Особливостями нейромережевих методів є складність вибору архітектури мережі та її навчання. Ряд робіт присвячено використанню нейронних мереж лише для побудови векторів ознак зображень обличь. Класифікація отриманих векторів ознак виконується відомими методами: порівнянням із порогом, лінійною машиною опорних векторів, найближчих сусідів, випадковим лісом. Було помічено, що умови освітлення, в яких отримані зображення, та поворот голови впливають на форму поверхні, що розділяє, і можуть погіршити якість класифікації векторів ознак для зображень обличь. Тому для підвищення якості класифікації вирішено використовувати кореляційне зіставлення з еталоном, нелінійну машину опорних векторів і логістичну регресію. Проведений експеримент показав, що кореляційне зіставлення з еталоном в умовах поганого освітлення зображень осіб відрізняється вищими значеннями показників якості класифікації у порівнянні з пороговим класифікатором. Причому застосування коефіцієнтів кореляції Пірсона та Спірмена показало подібні результати, а у разі використання коефіцієнта кореляції Кенделла було отримано гірші значення показників якості класифікації у порівнянні з коефіцієнтами Пірсона та Спірмена. Дослідження якості класифікації зображень обличь, що відрізняються поворотом голови, з застосуванням кореляційного зіставлення з еталоном, нелінійної машини опорних векторів та логістичної регресії показало наступне. Кореляційне зіставлення з еталоном більш доцільно використовувати за малих обсягів даних завдяки високій якості класифікації та невеликій обчислювальній складності, оскільки малий обсяг даних вимагає великої кількості порівнянь. Однак на великих обсягах даних нелінійна машина опорних векторів вимагає меншої кількості обчислень і показує схожу якість класифікації. Використовуючи результати проведеного експерименту, дослідник може вибрати методи класифікації для конкретного набору зображень обличь, попередньо представивши їх векторами ознак за допомогою мережі FaceNet.

 Наукова періодика України 

---

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"