63

Аннотaция. В данной работе рассматриваются современные алгоритмы распознавания лиц, которые условно классифицируются на геометрические и шаблонные методы. Шаблонные методы используют статистические подходы, такие как SVM, PCA, LDA и сверточные нейронные сети. Особое внимание уделяется алгоритму Виолы-Джонса, обладающему высокой скоростью обнаружения, и методу LBPH, обеспечивающему точное распознавание. Также подробно анализируется алгоритм Non-Maximum Suppression (NMS), применяемый в задачах обнаружения объектов для устранения избыточных или перекрывающихся предсказаний. Представлены математические формулы и пошаговая реализaция алгоритма, включая расчет площади, пересечения и коэффициента перекрытия. NMS оптимизирует окончательный выбор ограничивающих рамок и широко используется в системах компьютерного зрения.

  • Web Address
  • DOI
  • Date of creation in the UzSCI system 14-11-2025
  • Read count 63
  • Date of publication 13-11-2025
  • Main LanguageRus
  • Pages111-115
Русский

Аннотaция. В данной работе рассматриваются современные алгоритмы распознавания лиц, которые условно классифицируются на геометрические и шаблонные методы. Шаблонные методы используют статистические подходы, такие как SVM, PCA, LDA и сверточные нейронные сети. Особое внимание уделяется алгоритму Виолы-Джонса, обладающему высокой скоростью обнаружения, и методу LBPH, обеспечивающему точное распознавание. Также подробно анализируется алгоритм Non-Maximum Suppression (NMS), применяемый в задачах обнаружения объектов для устранения избыточных или перекрывающихся предсказаний. Представлены математические формулы и пошаговая реализaция алгоритма, включая расчет площади, пересечения и коэффициента перекрытия. NMS оптимизирует окончательный выбор ограничивающих рамок и широко используется в системах компьютерного зрения.

№ Author name position Name of organisation
1 Davronov S.R. texnika fanlari bo‘yicha falsafa doktori (PhD), dotsent Qarshi davlat universiteti
2 Boboqulov S.R. stajyor-o‘qituvch Qarshi davlat universiteti
№ Name of reference
1 MA Imran, MSU Miah, H Rahman , A Bhowmik, D Karmaker, 2015. Face Recognition Using Eigenfaces. International Journal of Computer Applications, vol. 118, no. 5
2 Dr. H S Prasantha. Detailed Survey Of Machine Learning Algorithms For Face Recognition. International Journal of Creative Research Thoughts (IJCRT). Volume 11, Issue 11 November 2023. 832-836 p.
3 Jan Hosang, Rodrigo Benenson, Bernt Schiele. Learning non-maximum suppression. Max Planck Institut für Informatik Saarbrücken, Germany.
4 Krishna, M., & Jawahar, C. V. (2021). Deep Learning for Drone and UAV Applications. In S. S. H. De Silva & B. B. Gupta (Eds.), Handbook of Smart Materials, Technologies, and Devices (pp. 75–93). Springer, Cham.
5 Xiyue Wang, Xinsheng Wang, Zhiquan Zhou, Yanhong Song. Fast Detection and Obstacle Avoidance on UAVs Using Lightweight Convolutional Neural Network Based on the Fusion of Radar and Camera. Applied Intelligence, August 2024
6 Zhu, X., Su, W., Lu, L., Li, B., Wang, X., & Dai, J. (2020). Deformable DETR: Deformable Transformers for End-to-End Object Detection.
7 Yanan Song, Quan-Ke- Pan , Liang Gao, Biao Zong (2019) Improved non-maximum suppression for object detection using harmony search algorithm
8 A review of non-maximum suppression algorithms for deep learning object detection, M. Gong, SPIE Proceedings, Vol. 11763, 2021
9 NMS Loss: Learning with Non Maximum Suppression for Crowded Pedestrian Detection (Luo Z. , 2021)
10 Multi Attribute NMS: An Enhanced Non-Maximum Suppression Algorithm for Pedestrian Detection in Crowded Scenes (Wang W. ., 2023)
11 Accelerating Non-Maximum Suppression: A Graph Theory Approach (Si K.S. 2024)
Waiting