РАЗРАБОТКА КРИТЕРИЙ, АЛГОРИТМА И ЕГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ СИСТЕМЫ ИДЕНТИФИКАЦИИ ЛИЦА ЧЕЛОВЕКА

АННОТАЦИЯ

Данная статья посвящена применению метода коэффициента корреляции распознавания изображения лица человека из базы данных (БД) на основе признаков и представляет практические результаты решения проблемы распознавания, а также создание алгоритмов и программного обеспечения. Следует отметить, что на протяжении всего нашего исследования мы фокусировались на дальнейшем их улучшении с использованием существующих методов и алгоритмов.

ABSTRACT

This article is devoted to the application of the correlation coefficient method for recognizing a person's face image from a database (DB) based on features and presents the practical results of solving the recognition problem, as well as the creation of algorithms and software. It should be noted that throughout our study, we focused on further improvement using existing methods and algorithms.

Ключевые слова: коэффициент корреляции, ковариация, дисперсия

Keywords: correlation coefficient, covariance, variance

Процесс распознавания изображения человеческого лица сложен, поскольку при записи биометрических копий необходимо учитывать использование различных сканеров, появление шумов, изменения яркости, формирование теней, снижение качества и другие факторы. В результате наших исследований применение метода коэффициента корреляции к нашей научной работе увеличивает вероятность распознавания, особенно при использовании изображений для обработки данных с использованием математических статистических методов [1,2]. Этот метод становится очень популярным в экономике, астрофизике и социальных науках. Кроме того, область применения метода коэффициента корреляции широка, но требует специальных навыков в определенных областях. Популярность этого метода зависит от двух аспектов: метод коэффициентов корреляции удобен для расчета, их применение не требует специальной математической подготовки [3,4].     

Простота интерпретации в сочетании с простотой применения метода коэффициентов корреляции обеспечивает основу для идентификации и анализа статистических данных.

В настоящее время одной из основных проблем является выбор критериев для процесса идентификации из БД на основе особенностей объекта на лице, создание алгоритмов и программного обеспечения. Каждый биометрический признак у человека имеет свой характер, и данные, полученные в результате исследований на них, не совпадают [5,6]. Задача, стоящая перед нами, заключается в разработке критериев высокоточного распознавания методом математической статистики, то есть метода коэффициентов корреляции для процесса распознавания, основанного на характеристиках образа человека до 10 лет. В нашей научной работе особенности кажущейся простоты исследования в применении метода коэффициентов корреляции, наличия взаимосвязи между параметрами, побуждают исследователя делать ошибочные выводы о взаимосвязи, тогда как коэффициенты корреляции определяют только статистические корреляции [7,8]. Чтобы решить вышеупомянутую проблему, мы делаем это, используя метод коэффициента корреляции, методы Фишера и Спирмена.

Решение проблем:

Используя метод коэффициента корреляции: Давайте представим фотографию человеческого лица на фотографии 3х4 в базе данных. При распознавании этих из 100 изображений сначала необходимо преобразовать изображение в числовую матрицу. Используя метод коэффициента корреляции, степень корреляции между (объектом поиска) и (объектом сравнения) определяется путем оценки взаимосвязи между значениями переменных относительно их средних значений, и мы можем определить это по следующей формуле.

                          (1)

Если это так, корреляции между переменными не существует, и  чем она больше, тем выше сходство, и делается вывод, что функциональная корреляция между X и Y высокой и его математическая модель выглядит следующим  образом. Чем ближе значение метода коэффициента корреляции отношения к 1, тем более плотной (очень похожей) будет связь между двумя изображениями. Если значение отношения коэффициента корреляции близко к 0, отношения будут более разбросаны между двумя изображениями [10,11]. Мы получаем свойства ковариации для символов изображения: ковариация двух выбранных объектов X и Y независимых случайных величин равна нулю.

Доказательство 1: Абсолютная ковариация двух случайно выбранных независимых величин X и Y не превышает геометрическое среднее их коэффициентов:

                                           (2)

 Доказательство 2: Ковариация имеет размер, равный произведению размеров случайных величин, то есть размер ковариации зависит от единиц измерения независимых величин. Этот аспект затрудняет использование его для целей корреляционного анализа.

Коэффициент корреляции рассчитывается по следующей формуле:

                                             (3)

Здесь среднее значение выборок.

Коэффициент корреляции варьируется от минус одного до плюс одного [12,13].

Доказательство 3. Коэффициент линейной корреляции связан с коэффициентом регрессии в виде следующего отношения:

                                               (4)

Здесь - коэффициент регрессии, - вычислено стандартное отклонение известного фактора свойства.

Условие алгоритма. Первый пиксель в основном изображении на 95% похож на первый пиксель во втором изображении, и если он выше, мы устанавливаем его равным 1, в противном случае мы устанавливаем его равным 0, если он на 95% ниже. Результатом является новая матрица, состоящая из чисел 0 и 1, и проверяется вероятность близости (чем больше число 1, тем выше вероятность близости). Исходя из условия алгоритма, мы использовали два метода Фишера и Спирмена.

Коэффициент корреляции символов Фишера. Количество расхождений и количество расхождений рассчитывают из средних значений показателей.

                                                          (5)

 - количество соответствующих пар признаков отклонения от среднего значения изображения.

 - количество пар, в которых знаки отклонения от среднего значения изображения не совпадают.

                                                    (6)

                                       (7)

 - количество групп, разделенных на выбранные уровни изображения.

  - количество переменных символов на изображении.

 -степень j -изображения в i-единицах

                                                 (8)

                                           (9)

 если так, то это отклонено на основании гипотезы, что нет никакой связи с признаками изображения. Здесь, поскольку символы изображения являются большими или маленькими, они цитируются следующим выражением.

                                        (10)

                                           (11)

Коэффициент корреляции скачка Спирмена. Степень корреляции между двумя X и Y  случайной величиной (свойства) (),…, () получается на основе анализа результатов. Каждый  X и Y   индикатор имеет скачок, скачки значений расположены в естественном порядке . Шаг записывается как и шаг соответствует  - шагу пары () равному. На основании полученных  и  -стадий определяются их  -различия и коэффициент корреляции Спирмена: и осуществляется по следующей формуле.

                                                 (12)

Значение коэффициента варьируется от -1 (последовательность шагов полностью обратная) до +1 (последовательность шагов полностью согласована) [9,14].

Программное обеспечение написано на языке C ++, имеет 2,02 МБ памяти и матрицу 297x 112. Хотя было разработано много методов для процесса распознавания объекта из БД, недостатки этих методов привели к разработке алгоритмов для кодов распознавания с высокой вероятностью, основанных на пикселях методов дисперсии и коэффициента корреляции и его программного обеспечения в C ++ BUILDER 6.

Список литературы:

1. Mustofoqulov, J. A., Hamzaev, A. I., & Suyarova, M. X. (2021). RLC ZANJIRINING MATEMATIK MODELI VA UNI “MULTISIM” DA HISOBLASH. Academic research in educational sciences, 2(11), 1615-1621.
2. Khuzhayorov, B., Mustofoqulov, J., Ibragimov, G., Md Ali, F., & Fayziev, B. (2020). Solute Transport in the Element of Fractured Porous Medium with an Inhomogeneous Porous Block. Symmetry, 12(6), 1028.
3. Иняминов, Ю. А., Хамзаев, А. И. У., & Абдиев, Х. Э. У. (2021). Передающее устройство асинхронно-циклической системы. Scientific progress, 2(6), 204-207.
4. Суярова, М. Х., & Джураева, Н. М. (2018). Динамическая модель по электротехнике. In Передовые научно-технические и социально-гуманитарные проекты в современной науке (pp. 53-54).
5. Каршибоев, Ш. А., & Муртазин, Э. Р. (2021). Изменения в цифровой коммуникации во время глобальной пандемии COVID-19. Молодой ученый, (21), 90-92.
6. Yuldashev, F. M. Õ. (2021). TA'LIMNING INNOVATSION TEXNALOGIYALARI ASOSIDA MUQOBIL ENERGIYA MANBALARI (QUYOSH VA SHAMOL ENERGETIKASI) MUTAXASSISLARINI TAYYORLASHDA O'QITISH SAMARADORLIGINI OSHIRISH. Academic research in educational sciences, 2(11), 86-90.
7. Раббимов, Э. А., Жўраева, Н. М., & Ахмаджонова, У. Т. (2020). Исследование свойства поверхности монокристалла и создание наноразмерных структур на основе MgO для приборов электронной техники. Экономика и социум, (6-2), 190-192.
8. Yuldashev, F., & Bobur, U. (2020). Types of Electrical Machine Current Converters. International Journal of Engineering and Information Systems (IJEAIS) ISSN, 162-164.
9. Бабанов, Д. Т., & Иняминов, Ю. А. (2020). ПОЛУПРОВОДНИКОВЫЕ СЛОЙНЫЕ ТЕХНОЛОГИИ ПРОИЗВОДСТВА И ЕГО ПРИМЕНЕНИЕ. Символ науки, (11), 9-13.
10. Сохибов, Б. О., Саттаров, С., & Таганова, С. Х. (2018). ВНЕДРЕНИЕ В УЧЕБНЫЙ ПРОЦЕСС ПЕРЕДОВЫХ МЕТОДОВ ПЕДАГОГОВ-НОВАТОРОВ. In Молодой исследователь: вызовы и перспективы (pp. 17-22).
11. 3. Mustofoqulov, J. A., & Bobonov, D. T. L. (2021). “MAPLE” DA SO’NUVCHI ELEKTROMAGNIT TEBRANISHLARNING MATEMATIK TAHLILI. Academic research in educational sciences, 2(10), 374-379.
12. Муртазин, Э. Р., Сиддиков, М. Ю., & Цой, М. П. (2018). Стратегия развития экономики Узбекистана-региональные особенности. In Региональные проблемы преобразования экономики: интеграционные процессы и механизмы формирования и социально-экономическая политика региона (pp. 85-87).
13. Умирзаков, Б. Е., Содикжанов, Ж. Ш., Ташмухамедова, Д. А., Абдувайитов, А. А., & Раббимов, Э. А. (2021). Влияние адсорбции атомов Ba на состав, эмиссионные и оптические свойства монокристаллов CdS. Письма в Журнал технической физики, 47(12), 3-5.
14. Karshibaev, S. A. (2022). EQUIPMENT AND SOFTWARE FOR MONITORING OF POWER SUPPLY OF INFOCOMUNICATION DEVICES. Web of Scientist: International Scientific Research Journal, 3(5), 502-505.