ПОБУДОВА ПРАВИЛ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ РОЗПІЗНАВАННЯ ОБЛИЧ НА ОСНОВІ КВАДРАТА ВІДСТАНІ МАХАЛАНОБІСА ДЛЯ НОРМАЛІЗОВАНИХ ДАНИХ

Abstract

Розпізнавання облич є одним із завдань розпізнавання образів, яке стає все більш популярним через широке застосування в комп’ютерному зорі, системах безпеки та ін. Низька ймовірність ідентифікації особи за обличчям може мати негативні наслідки. Тому існує потреба в розробці та вдосконаленні методів розпізнавання облич. Один із широко використовуваних методів розпізнавання образів базується на застосуванні вирішальних правил на основі квадрата відстані Махаланобіса. Квадрат відстані Махаланобіса використовується для побудови еліпсоїда прогнозування. Але суттєвим обмеженням його використання є необхідність виконання припущення про нормальність розподілу багатовимірних даних, порушення якого як правило призводить до зменшення ймовірності розпізнавання. Метою роботи є підвищення ймовірності розпізнавання облич за рахунок побудови правил прийняття рішень на основі квадрата відстані Махаланобіса для десятивимірних нормалізованих даних характеристик обличчя. Для отримання вектору характеристик обличчя з використанням бібліотеки Dlib було розроблено програму мовою Python. Для оцінювання відхилення від нормального розподілу даних було використано тест Mardia. Досліджено, що отримані вибірки характеристик обличчя мають розподіл, який відхиляється від нормального, тому була виконана нормалізація за допомогою відомого одновимірного перетворення у вигляді десяткового логарифму. На основі квадрата відстані Махаланобіса побудовані правила прийняття рішень у вигляді десятивимірних еліпсоїдів прогнозування для початкових та нормалізованих даних. Вирішальні правила, побудовані для нормалізованих даних, показали більшу ймовірність розпізнавання облич. Результати доводять, що нормалізація збільшує ймовірність розпізнавання облич у разі суттєвого відхилення багатовимірного розподілу характеристик обличчя від нормального. Також було з’ясовано, що у разі існування високої кореляція між характеристиками обличчя, застосування одновимірних нормалізуючих перетворень не завжди призводить до добрих результатів розпізнавання. У цьому разі потрібно використовувати багатовимірні нормалізуючі перетворення, такі як Бокса-Кокса або Джонсона.