4 Chương MÔ HÌNH MAKOV ẨN VÀ ỨNG DỤNG NHẬN DẠNG
4.1.3.7 Các dạng của mô hình Markov ẩn trong mô tả khuôn mặt
Trong các phần trên, việc sử dụng mô hình Markov ẩn một chiều trái phải để mô tả khuôn mặt đã được giới thiệu một cách chi tiết. Tuy nhiên có thể nhận thấy rằng việc sử dụng mô hình một chiều trong xử lý dữ liệu hai chiều như hình ảnh khuôn mặt chắc chắn không phải là biện pháp tối ưu. Các nghiên cứu cũng đã chỉ ra rằng việc sử dụng mô hình Markov ẩn hai chiều kết nối đầy đủ sẽ mô tả tốt hơn các hình ảnh và chính các nghiên cứu ấy cũng chỉ ra độ phức tạp tính toán quá cao của các thuật toán giải quyết ba bài toán cơ bản khiến cho việc áp dụng mô hình hai chiều này là không khả thi. Chính từ những vấn đề nảy sinh ở trên, Kuo và Agazzi đã đưa ra mô hình Markov ẩn nhúng và ứng dụng mô hình này trong nhận dạng chữ viết.
Mô hình Markov ẩn nhúng là một dạng suy rộng của mô hình Markov ẩn trong đó bản thân mỗi trạng thái trong một mô hình Markov ẩn một chiều lại là một mô hình Markov ẩn. Chính vì vậy, mô hình Markov nhúng bao gồm một tập hợp các siêu trạng thái đi cùng với nó là tập các trạng thái nhúng. Hình sau minh hoạ một mô hình Markov ẩn nhúng với 3 siêu trạng thái.
Hình 4-12. Mô hình Markov ẩn nhúng với 3 siêu trạng thái
Trên góc độ trực quan, có thể thấy rằng mô hình Markov ẩn nhúng là mô hình rất thích hợp để biểu diễn các dữ liệu hai chiều. Với các mô hình dạng như mô hình Markov hai chiều kết nối đầy đủ và mô hình Markov ẩn nhúng áp dụng vào tìm kiếm và nhận dạng khuôn mặt, các đặc trưng của khuôn mặt được xử lý theo hai chiều thay vì theo một chiều giống như trong mô hình Markov ẩn một chiều. Điều này đồng nghĩa với các khối quan sát cũng được lấy theo hai chiều và do đó độ phân biệt giữa các khuôn mặt hay các mô hình mặt được chính xác hơn.
Đây sẽ là các hướng phát triển của ứng dụng mô hình Markov ẩn trong không chỉ tìm kiếm và nhận dạng khuôn mặt người mà còn trong các lĩnh vực ứng dụng khác của mô hình Markov ẩn.