Spis treści:

1. Wprowadzenie

2. Charakterystyka metod rozpoznawania wzorców

2.1. Budowa systemów rozpoznawania wzorców
2.2. Statystyczne metody klasyfikacji wzorców
2.3. Problem wymiarowości w statystycznych metodach rozpoznawania wzorców

3. Ekstrakcja cech wzorców za pomocą transformacji obrazów

3.1. Transformacja Fouriera
3.2. Transformacja falkowa
3.3. Metoda komponentów głównych
3.4. Transformacja Radona
3.5. Transformacja Hougha

4. Wprowadzenie do ukrytych modeli Markowa

4.1. Łańcuch i proces Markowa
4.2. Ukryte modele Markowa
4.3. Parametry i topologie modeli Markowa
4.4. Tworzenie systemu rozpoznawania wzorca na bazie UMM
4.5. Definiowanie prototypowych modeli UMM
4.6. Estymacja parametrów ukrytych modeli Markowa
4.7. Testowanie modeli
4.8. Przykłady UMM

5. Dwuwymiarowy ukryty model Markowa z danymi dwuwymiarowymi

5.1. Założenia konstrukcji 2D UMM dla danych dwuwymiarowych
5.2. Struktura 2D UMM dla danych dwuwymiarowych
5.3. Estymacja parametrów ukrytych modeli Markowa
5.4. Prawdopodobieństwo wygenerowania obserwacji

6. Eksperymentalne potwierdzenie poprawności dwuwymiarowych ukrytych modeli Markowa z danymi dwuwymiarowymi

6.1. Charakterystyka danych eksperymentalnych
6.2. Wybór transformaty do ekstrakcji cech
6.3. Wybór funkcji falkowej
6.4. Dobór podstawowych parametrów 2D UMM
6.5. Badanie poprawności rozpoznawania wzorca metodą 2D UMM
6.6. Porównanie metod rozpoznawania wzorca
6.7. Wpływ rozmiaru obrazu wzorca na poprawność rozpoznania
6.8. Wpływ progu błędu uczenia na poprawność rozpoznania i czas uczenia

7. Zastosowanie 2D UMM w systemach rozpoznawania wzorców

7.1. Metody oceny i porównywania meto rozpoznawania wzorca
7.2. Rozpoznawanie znaków drogowych
7.3. Identyfikacja osób na podstawie obrazu 2D twarzy
7.4. Multimodalne rozpoznawanie twarzy
7.5. System rozpoznawania twarzy z przetwarzaniem równoległym
7.6. Identyfikacja osób na podstawie asymetrii twarzy 3D
7.7. Metoda identyfikacji osób na podstawie fragmentu wzorca tęczówki oka

Podsumowanie
Literatura
Spis rysunków
Spis tabel