" Н а у к а м о л о д ы х " , 2 6 н о я б р я 2 0 1 9 г . , А р з а м а с
П о с в я щ а е т с я 8 5 - л е т и ю в ы с ш е г о п е д а г о г и ч е с к о г о о б р а з о в а н и я в А р з а м а с е и
8 0 - л е т и ю п р о ф е с с о р а В я ч е с л а в а П а в л о в и ч а П у ч к о в а
434
Рис. 3. Пример сегментации лица (слева), граф состояний для псевдо – двумерной
марковской модели (справа)
Упрощенная двумерная марковская модель характеризуется разбиением
изображения на прямоугольники (состояния
). Также разрешены
вертикальные и горизонтальные переходы между состояниями, но при этом
запрещены диагональные переходы. Все это значительно упрощает модель.
Сканирование изображения происходит соответствующим образом.
В статье [3] были использованы простая и псевдо – двумерная скрытая
Марковские модели. В следствие проведенного эксперимента на разных базах
изображений были получены результаты, которые приведены в таблице.
Исходя из результатов исследования, возможно сделать вывод, что распознание
объектов с помощью псевдо – двумерной СММ осуществляется точнее на 4 %.
Связано это с учетом псевдо – двумерной СММ локальных деформаций и
взаимного расположения участков изображения.
Результаты эксперимента по распознаванию с помощью простой и
псевдо – двумерной СММ
Тестовая база
Процент, верно, распознанных
изображений
Лево –
правая модель
Псевдо
–
двумерная модель
The ORL Database of faces
96.6 %
99.6 %
Cohn-Kanade AU-Coded Facial
Expression Database
91.76 %
96.8 %
MIT-CBCL Face Recognition
Database
93.7 %
95.66 %
Face Recognition Data,
University of Essex, UK
89.75 %
93.76 %
Недостаток скрытых марковских моделей заключается в слабой
различающей способности. Иначе, алгоритм обучения максимизирует отклик
каждой модели на необходимые классы, но не минимизирует отклик на другие
классы. Также алгоритм не выделяет ключевые признаки, которые отличают
