3 Rozpoznání tváře
3.3 Klasifikace tváří

Systém rozpoznávání tváří pracuje obvykle ve dvou fázích. První fáze je proces trénování a druhý je klasifikace uživatelů. Moderní metody rozpoznávání tváře správně fungují, pokud je k dispozici ve fázi trénování až 10 snímků jedné osoby. Mnoho různých technik bylo vyvinuto pro rozpoznání tváře jen z jednoho obrazu dané osoby. Trénovací fáze by měla být plně automatizovaná a uživatelé ji musí být schopni ovládat. Tréninkový proces používá algoritmy shlukování (clustering algoritmy).

Hlavním cílem všech shlukovacích (clustering) algoritmů je vytvořit shluk (cluster) nebo třídu ve vstupním datovém souboru. Existuje mnoho algoritmů shlukování. Tyto algoritmy mohou být rozděleny do dvou skupin: rozdělovací a hierarchické algoritmy [5].

Jako příklad shlukovacího algoritmu můžeme uvést K-means algoritmus. Dalším algoritmem na vytvoření shluků je tzv. samo organizující se mapa - self-organizing map (SOM), patřící k neuronovým sítím nebo algoritmus prostorového shlukování založený na hustotě prvků (density-based spatial clustering of applications with noise - DBSCAN).

Pro klasifikaci příznaků získaných z tváří můžeme uvést dva způsoby v závislosti na počtu trénovacích snímků a počtu identit použitých v rámci systému:

  • Systémy s podpůrnými vektory (Support Vector Machines) - používají se jen, když je v systému relativně malý počet identit. Hlavní nevýhodou této metody je časově náročné trénování modelu, když se použije větší počet vzorků.
  • Systémy na bázi K-nejbližších sousedů (K-Nearest Neighbour) - tento algoritmus může být použit v distribuovaném systému. Trénování se vykonává jednoduše vložením příznaku do databáze [5].