Определение общего количества собственных векторов, используемых при распознавании образов. Необходимость обучения системы сформировать порог идентификации. Возможности по настройке системы для обеспечения необходимого качества распознавания образов.
Аннотация к работе
Правило принятия решений при распознавании объектов на видеоизображении канд. техн. наук М.А. АнохинКлючевой составляющей такой системы является модуль, реализующий разработанное правило принятия решений, а проектирование новых решающих правил позволяет повысить качество и увеличить скорость распознавания образов, что очень важно для построения телевизионной системы распознавания образов. Дистанционные метрики позволяют количественно сравнить насколько далеко расположены один от другого два образа. Изображение входного объекта относится к образу , если значение апостериорной вероятности является наибольшим относительно остальных образов из базы данных. Когда в коллекции находится большое количество классов, становится возможным выделение основного образа класса, для которого разница параметров относительно входного образа достаточна для принятия решения классификации. Если обозначить класс образов из базы данных, принимающий участие в текущей классификации , а - обобщенный класс, сформированный на базе признаков образов остальных классов.Количество собственных векторов, используемых при распознавания образов, ограничено конфигурацией прототипа системы распознавания.
Вывод
Количество собственных векторов, используемых при распознавания образов, ограничено конфигурацией прототипа системы распознавания. Следовательно, количество векторов входного образа, подобных к образу класса из базы данных, возможно нормировать и при обучении системы сформировать порог идентификации. Требования к системе распознавания описывают стратегию определения оптимального значения порога. Затем данная величина будет использоваться для принятия решения при классификации входных образов, а на рис. 2 и 3 продемонстрированы возможности по настройке системы для обеспечения необходимого качества распознавания образов.
Список литературы
1. Sung-Huyk C. Comprehensive Survey on Distance / Similarity Measures between Probability Density Functions // International Journal of Mathematical Models and Methods in Applied Science, Volume 1, Issue 4, 2007, pp. 300 - 307.
2. Reynolds E. B. Taxicab Geometry // The Pi Mu Epsilon Journal, Volume 7, Number 2, 1980, pp. 77 - 88.
3. Liu C., Wechsler H. A unified Bayesian framework for face recognition // Image Processing, IEEE International Conference, Vvolume 1, 1998, pp. 151 - 155.
4. James E. A. K., Annadurai S. An Efficient Bayesian Approach to Face Recognition based on Wavelet Transform // International Journal of Computer Applications, Volume 15, Number 8, 2011, pp. 22 - 26.
5. Van Trees H. L. Detection, Estimation, and Modulation Theory, Part I: Detection, Estimation, and Linear Modulation Theory // John Wiley & Sons, 2001, 710 p.
6. Kitahara T., Mizuno S., Nakata K. An Extension of a Minimax Approach to Multiple Classification // Journal of the Operations Research Society of Japan, Volume 50, Number 2, 2007, pp. 123 - 136.
7. Ososkov G., Stadnik A. Face Recognition By a New Type of Neural Networks // Proceedings of World Scientific and Engineering Society, 2001, pp. 304 - 308.
8. Bhowmik M. K., Bhattacharjee D., Nasipuri M., Basu D. K., Kundu M. Classification of Fused Images using Radial Basis Function Neural Network for Human Face Recognition // Nature & Biologically Inspired Computing, IEEE, 2009, pp. 19-24.
9. Howell A. J., Buxton H. Face Recognition using Radial Basis Function Neural Networks // Proceedings of the British Machine Vision Conference, 1996, pp. 455-464.
10. Lin Z., Lyu M. R., King I. MATCHSIM: A Novel Similarity Measure Based on Maximum Neighborhood Matching // Knowledge and Information Systems, Volume 32, Issue 1, 2012, pp. 141 - 166.
11. Van Deemter K., Gatt A. Beyond DICE: Measuring The Quality of a Referring Expression // Proceeding of the Workshop on Production of Referring Expressions: bridging Computational and Psycholinguistic Approaches (PRECOGSCI-09), 2009.
12. Anderson M. J., Ellingsen K. E., MCARDLE B. H. Multivariate Dispersion as a Measure of Beta Diversity // Ecology Letters, number 6, 2006, pp. 683 - 693.