基于反向合成高斯牛顿的半全局立体匹配算法

针对数字散斑投影三维测量技术中的立体匹配问题,提出基于反向合成高斯牛顿的半全局立体匹配算法。该算法采用基于Census变换的匹配代价值来衡量像素点间的相似性,通过代价聚合算法增强匹配代价对噪声的鲁棒性;在此基础上,提出基于一阶形函数的反向合成高斯牛顿算法,实现亚像素级别的视差优化;最后,提出耦合唯一性检查、左右一致性检查以及连通区域约束的错误视差剔除算法,消除由遮挡和噪声引起的错误视差。实验结果表明,该算法可精确、稠密、完整地重建出复杂物体的三维形貌,重建精度优于0.06mm。

梯度算子对反向合成梯度算法的影响

反向合成梯度算法是一种基于局部指向性的反向合成图像对齐算法。与传统的反向合成图像对齐算法相比,该算法可有效地克服光照变化对匹配结果的影响[1]。由于局部指向性的计算在本质上是梯度的计算,而图像梯度的计算可以采用不同的梯度算子,因此采用4种不同的梯度算子(一阶差分算子,Roberts算子,Sobel算子和Prewitt算子)来计算局部指向性,并通过实验比较分析了4种梯度算子对反向合成梯度算法的影响。

基于局部指向性的反向合成图像对齐算法

传统的反向合成图像对齐算法比较的是模板图像与输入图像之间的象素值。该方法容易受到图像中光照变化的影响,从而导致收敛性变差甚至发散。根据局部指向性对光照变化不敏感的特性,提出了一种新的反向合成图像对齐算法——反向合成梯度算法。介绍了局部指向性的定义及表达式,对反向合成梯度算法进行了详细的推导,总结了该算法的计算步骤。通过实验,验证了反向合成梯度算法能够有效克服图像中光照变化的影响。

噪声对基于不同梯度算子的ICG算法的影响

反向合成梯度算法是一种基于局部指向性的反向合成图像对齐算法,能有效克服光照变化对匹配结果准确性的影响。局部指向性的计算在本质上是梯度的计算,可以用不同的梯度算子求解。该文采用4种梯度算子计算局部指向性,通过给输入图像和模板图像中加入噪声模拟实际图像,研究了噪声对基于4种梯度算子的反向合成梯度算法的影响。

一种基于姿态先验的鲁棒的人脸对齐方法

人脸对齐作为人脸图像分析中的重要步骤,被广泛应用于各个领域.其中,主动表观模型(AAM)因其良好的对齐效果而被大量使用.但AAM对初始模型依赖度极高,且极易受到姿态、光照以及遮挡等因素的影响.当初始形状和标准形状相差较大时,匹配效果并不理想.对此,本文提出一种基于姿态先验的人脸对齐方法.首先,在非限制环境下的人脸库LFPW上进行训练,根据姿态的不同分别建立正脸模型、左偏模型和右偏模型.在搜索阶段,利用特征三角形自动选择合适的模型作为人脸的初始模型,从而避免了姿态变化对初始模型产生影响导致后续匹配效果不理想的问题.其次,利用同时反向合成算法,实现了鲁棒精确的AAM匹配.理论分析与实验证明,所提方法针对遮挡、光照以及姿态变化的有效性.

条件主动外观模型下的人脸特征点跟踪

为了完成人脸关键特征点的精确定位跟踪,提出一种改进的基于反向合成匹配算法的条件主动外观模型匹配及其初始化算法.该算法假设已知正面人脸的关键特征点,首先通过建立散乱点对应与标定点对应之间的映射,根据给定的正面人脸标定点对任意姿态的侧面人脸进行自动初始标定,映射关系由核岭回归算法学习得到;将该标定点作为人脸跟踪算法的初始化点,然后利用条件主动外观模型反向合成匹配算法建立正面与任意姿态人脸的外观和形状模型,并对模型参数进行迭代优化;最后得到最优的任意姿态人脸的轮廓点,完成人脸跟踪.实验结果证明,与同类方法相比,该算法表现出了良好的性能,可在较短的计算时间内获得较高的定位精度.

USAN-AAM人脸特征点快速定位方法

基于反向合成算法的AAM(active appearance model)是一种快速而高效的人脸特征点定位方法,但由于其纹理模型仅包含灰度信息,当测试数据集中的图像光线条件和训练数据集中的图像光线条件有较大差异时,算法定位精度明显下降。基于此,提出了一种改进的AAM人脸特征点定位方法USAN-AAM。实验结果表明,与原方法相比,该方法对光线变化更鲁棒,定位精度也更高。

基于改进差分AAM和K-SVM的人脸表情识别

主动外观模型(Active Appearance Model)是一种通过提取和结合人脸的形状和外观模型特征的有效地人脸表情特征提取方法。在与其他的AAM拟合算法对比中,反向合成算法具有快速和高效的特点。但在遇到不同光照影响和线性不可分时,反向合成算法的拟合效果会变差。于是,提出了一种基于差分AAM特征和核支持向量机的人脸表情识别方法,并在JAFFE人脸表情数据库上进行了相关实验。实验结果表明,该方法能够较好地去除光照干扰的影响和解决非线性识别问题,并得到鲁棒的识别效果。