@ARTICLE{26583204_162671366_2015, 
	author = {А. В. Мокеев and В. В. Мокеев}, 
	keywords = {, распознавание изображений, анализ главных компонент, линейный дискриминантный анализ, метод линейной конденсации, база данных ORLсинтез главных компонент},
	title = {<p class="text">Об эффективности распознавании лиц с помощью линейного дискриминантного анализа и метода главных компонент</p>},
	journal = {Бизнес-информатика},
	year = {2015},
	number = {3(33) },
	pages = {44-54},
	url = {https://bijournal.hse.ru/2015--3(33) /162671366.html},
	publisher = {},
	abstract = {Мокеев Андрей Владимирович -старший преподаватель кафедры информационных систем, факультет экономики и предпринимательства, Южно-Уральский государственный университетАдрес: 454080, г. Челябинск, пр. Ленина, д. 76.E-mail:gr.smk@mail.ruМокеев Владимир Викторович - доктор технических наук, заведующий кафедрой информационных систем, факультет экономики и предпринимательства, Южно-Уральский государственный университетАдрес: 454080, г. Челябинск, пр. Ленина, д. 76.E-mail: mokeyev@mail.ru&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Рассматривается решение задачи распознавания лиц с помощью метода главных компонент (МГК) и линейного дискриминантного анализа (ЛДА). Главная идея подхода МГК+ЛДА состоит в том, что, во-первых, изображение лица проецируется из исходного векторного пространства в подпространства лица главных компонент, во-вторых, для получения линейного классификатора используется линейный дискриминантный анализ. В работе исследуется эффективность подхода МГК+ЛДА для случая, когда изображения лиц не проходят предварительную обработку (масштабирование, поворот, центрирование, выравнивание яркости). Эффективность подхода МГК и ЛДА исследуется на изображениях лиц базы ORL. Показывается, что при увеличении числа изображений в классе учебной выборки, повышается точность распознавания лиц. При небольшом числе изображений для повышения качества распознавания лиц предлагается расширять учебную выборку изображениями, полученными путем масштабирования и поворота исходных изображений. При обработке больших наборов изображений для вычисления главных компонент предлагается использовать методы линейной конденсации и синтеза главных компонент. Метод синтеза главных компонент базируется на разбиении исходного множества изображений на небольшие наборы изображений, получении собственных векторов этих наборов (частных решений) и вычислении собственных векторов исходного набора на основе частных решений. Метод линейной конденсации использует понижение порядка матриц, позволяющее достаточно точно вычислять собственные векторы, собственные значения которых находятся в заданном интервале. Показано, что методы линейной конденсации и синтеза главных компонент позволяют существенно снизить трудоемкость построения классификатора при использовании подхода на МГК+ЛДА, не снижая точности распознавания лиц.},
	annote = {Мокеев Андрей Владимирович -старший преподаватель кафедры информационных систем, факультет экономики и предпринимательства, Южно-Уральский государственный университетАдрес: 454080, г. Челябинск, пр. Ленина, д. 76.E-mail:gr.smk@mail.ruМокеев Владимир Викторович - доктор технических наук, заведующий кафедрой информационных систем, факультет экономики и предпринимательства, Южно-Уральский государственный университетАдрес: 454080, г. Челябинск, пр. Ленина, д. 76.E-mail: mokeyev@mail.ru&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Рассматривается решение задачи распознавания лиц с помощью метода главных компонент (МГК) и линейного дискриминантного анализа (ЛДА). Главная идея подхода МГК+ЛДА состоит в том, что, во-первых, изображение лица проецируется из исходного векторного пространства в подпространства лица главных компонент, во-вторых, для получения линейного классификатора используется линейный дискриминантный анализ. В работе исследуется эффективность подхода МГК+ЛДА для случая, когда изображения лиц не проходят предварительную обработку (масштабирование, поворот, центрирование, выравнивание яркости). Эффективность подхода МГК и ЛДА исследуется на изображениях лиц базы ORL. Показывается, что при увеличении числа изображений в классе учебной выборки, повышается точность распознавания лиц. При небольшом числе изображений для повышения качества распознавания лиц предлагается расширять учебную выборку изображениями, полученными путем масштабирования и поворота исходных изображений. При обработке больших наборов изображений для вычисления главных компонент предлагается использовать методы линейной конденсации и синтеза главных компонент. Метод синтеза главных компонент базируется на разбиении исходного множества изображений на небольшие наборы изображений, получении собственных векторов этих наборов (частных решений) и вычислении собственных векторов исходного набора на основе частных решений. Метод линейной конденсации использует понижение порядка матриц, позволяющее достаточно точно вычислять собственные векторы, собственные значения которых находятся в заданном интервале. Показано, что методы линейной конденсации и синтеза главных компонент позволяют существенно снизить трудоемкость построения классификатора при использовании подхода на МГК+ЛДА, не снижая точности распознавания лиц.}
}