Показать сокращенную информацию
dc.contributor.author | Мокеев, В. В. | |
dc.contributor.author | Томилов, С. В. | |
dc.contributor.author | Mokeyev, V. V. | |
dc.contributor.author | Tomilov, S. V. | |
dc.date.accessioned | 2015-06-03T05:24:53Z | |
dc.date.available | 2015-06-03T05:24:53Z | |
dc.date.issued | 2013 | |
dc.identifier.citation | Мокеев, В. В. Об эффективности анализа и распознавания изображений методом главных компонент и линейным дискриминантным анализом / В. В. Мокеев, С. В. Томилов // Вестник ЮУрГУ. Серия Компьютерные технологии, управление, радиоэлектроника.- 2013.- Т. 13. № 3.- С. 61-70.- Библиогр.: с. 70 ( 9 назв.) | ru_RU |
dc.identifier.issn | 1991-976Х | |
dc.identifier.uri | http://dspace.susu.ac.ru/xmlui/handle/0001.74/4636 | |
dc.description | Мокеев Владимир Викторович, д-р техн. наук, заведующий кафедрой информационных систем, Южно-Уральский государственный университет (г. Челябинск); mokeyev@mail.ru. Томилов Станислав Владимирович, аспирант кафедры информационных систем, Южно-Уральский государственный университет (г. Челябинск); zeez@list.ru. V.V. Mokeyev, South Ural State University, Chelyabinsk, Russian Federation, mokeyev@mail.ru, S.V. Tomilov, South Ural State University, Chelyabinsk, Russian Federation, zeez@list.ru | ru_RU |
dc.description.abstract | Рассматриваются некоторые аспекты применения метода главных компонент и линейного дискриминантного анализа для решения задачи распознавания изображений. Технология распознавания изображений на основе этих методов состоит из двух этапов: сначала изображение лица проецируется из исходного пространства признаков в редуцированное подпространство главных компонент, а затем линейный дискриминантный анализ используется для построения классификатора. В статье основное внимание сосредоточено на разработке эффективного алгоритма вычисления главных компонент для больших наборов изображений. Метод линейной конденсации представляет новую технологию расчета главных компонент больших матриц. Для повышения эффективности метода линейной конденсации предлагается использовать процедуру блочной диагонализации матрицы. Оценивается точность и быстродействие разработанного алгоритма. In paper, some aspects of image analysis based on principal component analysis and linear discriminant fnalysis are considered. The image recognition technique on base this methods consists of two steps: first we project the face image from the original vector space to a reduced subspace of principal components, second we use LDA to obtain a linear classifier. Main attention is focused on the development of efficient algorithm for computing principal components for large image set. A linear condensation method is used as a new technique to calculate the principal components of a large matrix. To improve the efficiency of the linear condensation method is proposed to use a process of block diagonalization of the matrix. The accuracy and high performance of the developed algorithm is evaluated. | ru_RU |
dc.language.iso | other | ru_RU |
dc.publisher | Издательский центр ЮУрГУ | ru_RU |
dc.relation.ispartof | Вестник ЮУрГУ. Серия Компьютерные технологии, управление, радиоэлектроника | ru |
dc.relation.ispartof | Vestnik Yuzhno-Ural'skogo Gosudarstvennogo Universiteta. Seriya Kompjuternye tekhnologii, upravlenie, radioelektronika | en |
dc.relation.ispartof | Bulletin of SUSU | en |
dc.relation.ispartofseries | Компьютерные технологии, управление, радиоэлектроника;Том 13 | |
dc.subject | распознавание лиц | ru_RU |
dc.subject | метод главных компонент | ru_RU |
dc.subject | линейный дискриминантный анализ | ru_RU |
dc.subject | собственный вектор | ru_RU |
dc.subject | face recognition | ru_RU |
dc.subject | principal component analysis | ru_RU |
dc.subject | linear discriminant analysis | ru_RU |
dc.subject | eigenvector | ru_RU |
dc.subject | УДК 004.93 | ru_RU |
dc.subject | ГРНТИ 28.23 | ru_RU |
dc.title | Об эффективности анализа и распознавания изображений методом главных компонент и линейным дискриминантным анализом | ru_RU |
dc.title.alternative | On effectiveness of image analysis and recognition by principal component method and linear discriminant analysis | ru_RU |
dc.type | Article | ru_RU |