主動表觀模型的建模與匹配.pdf

1、隨著人類信息技術(shù)的不斷發(fā)展，海量數(shù)據(jù)使得人們不得不面對知識爆炸的困境。因此，信息的自動化處理逐漸成為人類生產(chǎn)和生活中必不可少的基本需要。如何對圖像數(shù)據(jù)進(jìn)行自動分析和處理，是計算機(jī)視覺與模式識別技術(shù)迫切需要解決的難題。主動表觀模型(active appearance model，AAM)的誕生正是為了解決這種問題。該方法可以幫助人們自動化地提取可變性目標(biāo)的形狀和紋理特征，并恢復(fù)目標(biāo)圖像的結(jié)構(gòu)從而更好地理解圖像，因此被廣泛地應(yīng)用于圖像和視頻

2、信息處理。
　　 本文主要針對目前AAM中存在的若干關(guān)鍵問題進(jìn)行理論分析，并提出相應(yīng)解決方法。這些問題主要涉及了AAM的形狀建模、紋理建模以及模型匹配等過程，并由此提出了新穎的建模和匹配算法，以提高模型在精度和魯棒性方面的性能。主要的創(chuàng)新性研究成果如下：
　　 (1)考慮到像素亮度無法為模型匹配提供足夠的信息量，提出一種基于Gabor小波濾波器組的紋理表示方法。利用多尺度多方向的Gabor濾波器組來提取盡可能豐富的局部紋

3、理結(jié)構(gòu)，從而提高AAM的匹配能力。另外，針對Gabor紋理表示帶來的較大計算量，使用了三種Gabor濾波器組的變形方法降低復(fù)雜度，即
　　 · GaborD，對Gabor濾波器組沿方向求和；
　　 · GaborS，對Gabor濾波器組沿尺度求和；
　　 · GaborSD，對Gabor濾波器組同時沿方向和尺度求和。大量的實驗顯示，基于Gabor濾波器組的紋理表示有效提高了AAM匹配的精度和魯棒性。
　　

4、 (2)為了增強(qiáng)AAM對光照變化的魯棒性，使用Gabor相位濾波器組和局部二值模式算子來提取紋理特征。一方面，Gabor相位濾波器組對光照變化具有較好的魯棒性；另一方面，局部二值模式算子能夠壓縮冗余特征，得到更加緊致的紋理表示。實驗表明，基于Gabor相位特征和局部二值模式的紋理表示方法可以有效消除光照對模型匹配的影響，提高AAM在環(huán)境變化情況下的魯棒性。
　　 (3)針對模型匹配過程中的小樣本問題(under-sample p

5、roblem，USP)，提出一種基于張量回歸模型(tensor-based multivariate linear regression，TMLR)的匹配算法。將圖像紋理表示成二階張量，并利用一種張量回歸模型來對AAM中的匹配問題進(jìn)行建模。另外，提出一種交替迭代投影算法來對張量回歸模型進(jìn)行優(yōu)化。實驗結(jié)果表明，該回歸模型具有精度高、收斂快等特點，可以有效解決小樣本問題，提高AAM的匹配性能。
　　 (4)由于AAM的紋理表示包含大

6、量非線性且維數(shù)過高，提出一種基于復(fù)雜度反饋的形狀建模方法。通過定義形狀的紋理復(fù)雜度來評價形狀質(zhì)量，并利用復(fù)雜度反饋機(jī)制對形狀進(jìn)行優(yōu)化，以降低紋理復(fù)雜度。另外，引入紋理局部分布的高斯假設(shè)，利用統(tǒng)計特征作為紋理表示方法，從而降低紋理維數(shù)。實驗結(jié)果表明，該方法可以極大增強(qiáng)紋理表示的效率，提高了匹配精度和魯棒性。
　　 (5)為了提高基于表觀的年齡估計的精度，將AAM與多角度分析相結(jié)合進(jìn)行特征提取。提出了基于多角度分析的判別子空間學(xué)習(xí)算