Monografia opisująca najważniejsze nowe metody automatycznego rozpoznawania ukierunkowane na analizę danych biometrycznych, czyli danych, których źródłem są pomiary charakterystyk fizycznych człowieka, obserwacje jego zachowań lub monitorowanie procesów związanych z jego funkcjonowaniem. Przedstawiono badanie zmienności sygnału mowy w rozpoznawaniu emocji oraz identyfikacji mówcy, jak również analizę danych biometrycznych z wykorzystaniem siatek deformowalnych różnego typu (m.in. siatki deformowalne z wielowymiarowymi deskryptorami cech lokalnych, dyskryminacyjne siatki deformowalne). Opisano również rozpoznawanie obiektów na podstawie cech lokalnych umożliwiające polepszenie rozpoznawania twarzy, tęczówki i in.
Odbiorcy książki: pracownicy naukowi i studenci wydziałów elektroniki oraz wszyscy zainteresowani biometrycznymi metodami automatycznego ustalania i potwierdzania tożsamości osób.

Wstęp 7
Układ pracy 11
1. Wykorzystanie niestacjonarności procesów behawioralnych jako źródła informacji biometrycznej 13
1.1. Deskryptory sygnału mowy stosowane w biometrii 15
1.2. Odwzorowania Poincare i deskryptory niestacjonarności sygnału mowy 17
1.2.1. Wymiar fraktalny 18
1.3. Wykorzystanie deskryptorów zmienności sygnału mowy w rozpoznawaniu emocji 23
1.3.1. Metodologia selekcji cech 25
1.3.2. Klasyfikacja mowy emocjonalnej 30
1.3.3. Eksperymentalna weryfikacja metody 32
1.3.3.1. Wyniki eksperymentów 34
1.4. Wykorzystanie deskryptorów zmienności sygnału mowy w identyfikacji biometrycznej 37
1.4.1. Rozpoznawanie mówcy z użyciem wymiaru fraktalnego 39
1.4.1.1. Eksperymentalna weryfikacja metody 41
1.4.2. Rozpoznawanie mówcy z użyciem deskryptorów map Poincare 42
1.4.2.1. Eksperymentalna weryfikacja metody 45
2. Analiza danych biometrycznych z wykorzystaniem siatek deformowalnych 48
2.1. Siatki deformowalne z wielowymiarowymi deskryptorami cech lokalnych 53
2.1.1. Wykorzystanie siatek deformowalnych do wstępnego dopasowania obrazów odcisków palców 56
2.2. Równoległa implementacja koncepcji siatek deformowalnych 64
2.2.1. Sieci neuronowe komórkowe 66
2.2.1.1. Projektowanie sieci neuronowych komórkowych 69
2.2.1.2. Uniwersalne sieci neuronowe komórkowe 71
2.2.2. Implementacja metody siatek deformowalnych w strukturze USNK 73
2.2.2.1. Równoległa procedura wyznaczania mapy kosztu 76
2.2.2.2. Wyznaczanie przesunięć węzłów 80
2.2.3. Weryfikacja zaproponowanej metody 82
2.2.3.1. Symulacyjna weryfikacja podstawowych etapów algorytmu 83
2.2.3.2. Wykorzystanie zaproponowanej metody do rozpoznawania twarzy 86
2.2.3.3. Implementacja algorytmu w strukturze analogowych procesorów obrazu 91
2.3. Dyskryminacyjne siatki deformowalne 93
2.3.1. Tworzenie dyskryminacyjnej siatki elastycznej 95
2.3.2. Określenie deskryptora wyniku dopasowania siatki dyskryminacyjnej 100
2.3.3. Wykorzystanie siatki dyskryminacyjnej do rozpoznawania układów ust osoby mówiącej 103
2.3.3.1. Wyniki eksperymentów - skuteczność identyfikacji pojedynczych głosek 106
2.3.3.2. Wyniki eksperymentów - skuteczność identyfikacji słów 109
3. Rozpoznawanie obiektów na podstawie cech lokalnych 111
3.1. Ogólna charakterystyka algorytmu SIFT 113
3.1.1. Punkty kluczowe 114
3.1.1.1. Poszukiwanie punktów kluczowych 116
3.1.1.2. Selekcja punktów kluczowych 119
3.1.1.3. Tworzenie opisu punktów kluczowych 121
3.1.2. Tworzenie wzorców obiektów 125
3.1.2.1. Uogólniona Transformacja Hougha 125
3.1.3. Rozpoznawanie obiektów 128
3.2. Detekcja klas przy użyciu algorytmu SIFT 132
3.2.1. Deskryptory cech lokalnych obiektów tej samej klasy 134
3.2.1.1. Weryfikacja eksperymentalna przydatności punktów kluczowych klasy dla detekcji obiektów 136
3.2.2. Wykorzystanie odległości geodezyjnej jako podstawy tworzenia modeli klas 141
Podsumowanie 149
Literatura 153
Bazy danych 159