基于表观模型的人脸特征点提取

针对在人脸特征点提取过程中模型预估能力不足,拟合过程中的非法形变导致的特征点提取速度慢和提取精度不高的问题,本文提出了一种基于主动表观模型(AAM)的人脸特征点提取算法的改进算法。将头部作初始分类,不同的头部姿态选取不同人脸模型进行拟合,这样能避免初始化模型与真实特征点位置相差过大,从而使得模型能更快的收敛,提高特征点提取速度。同时提出一种方法,对拟合过程中的形状变量加以限制,能有效过滤掉不满足人脸形状的特征点模型,防止拟合过程中的非法形变,使提取的人脸特征点更接近真实位置。实验结果表明,改进的基于AAM的人脸特征点提取算法在时间效率和准确率上都所有提高。

部件级表观模型的目标跟踪方法

因受遮挡、运动模糊、剧烈形变等因素的影响,稳定且准确的目标跟踪是当前计算机视觉研究领域重要挑战之一.首先采用中层视觉线索的超像素描述目标/背景的部件,以部件颜色直方图作为其特征,并通过聚类部件库的特征集构建初始表观模型,部件表达的局部性和灵活性使该模型能够准确描述目标/背景;然后,利用贝叶斯滤波模型计算目标框的初始状态,并提出相似物体干扰的检测和处理算法以避免跟踪漂移,得到更健壮的结果;最后,为了减弱形变、遮挡、模糊对表观模型的影响以更好地保持目标特征,提出一种基于部件库的特征补集的在线表观模型更新算法,根据部件变化实时反映目标/背景的变化情况.在多个具有跟踪挑战的视频序列上的实验结果表明(共12个视频序列):与现有跟踪方法相比,该算法跟踪结果的中心误差更小,成功帧数更多,能够更准确并稳定、有效地跟踪目标物体.

主动表观模型在光照变化影响下的人脸特征点定位

在光照条件恶劣的情况下,基于主动表观模型(AAM)的人脸特征点搜索与定位算法的精度和鲁棒性会显著下降。本文提出采用全变分模型对图像进行光照预处理,通过对基于反射系数图的特征纹理建模来帮助特征点定位。通过实验对比,分析了本文算法在定位精度和鲁棒性上的提高。

基于主动表观模型的人脸图像描述与编码

利用主动表观模型(AAM)来对人脸图像进行描述和编码,该方法不仅对人脸形状进行建模,同时又建立了反映人脸灰度变化的纹理模型,并将纹理模型与形状模型合理地结合起来,反映了整个人脸形状及纹理。实验表明了AAM方法进行人脸描述和编码的有效性。

采用自适应先验表观模型的目标跟踪方法

为有效解决可变目标在跟踪过程中的"漂移"问题,提出一种基于自适应先验表观模型的目标跟踪方法。该方法首先在一致架构内融合HDP-EVO演化聚类模型和在线Boosting学习。以Dirichlet过程为先验分布,对总体表观示例进行聚类分析,获得随时间自适应演化的表观类先验知识,进而利用共享的表观类混合比例的权重平滑约束各时刻的表观模型。改进Gibbs抽样过程,使之能融入目标示例的分类误差,并交替迭代地从数据中自主学习聚类和表观分类器。最后,根据表观模型中各表观类的权重系数组合它们的分类评分去定位目标位置。仿真实验表明新方法学习的表观模型能较鲁棒地自适应于目标的表观变化,提高了跟踪精度。

主动表观模型在人脸特征提取中的应用

面部情感作为人工心理领域的一个重要研究课题,有着潜在的理论研究价值和实际应用价值,本文将围绕人脸表情识别课题中的特征提取关键技术,分析特征提取的主流方法。ASM在人脸轮廓特征点定位方面有较高的准确率,而AAM在人脸内部关键点的定位中有着优良的性能,结合两种算法对人脸表情特征提取,将等到更好的效果。

结构化的联合特征表观模型

针对单目标跟踪过程中的部分遮挡问题,提出了一种结构化的联合特征表观模型。该模型将被跟踪的目标图像划分成若干图像块,在每个图像块内分别计算其颜色特征和纹理特征,将这些特征向量化后作为目标的表观模型。实验结果表明了该方法的有效性。

基于自适应多特征表观模型的目标压缩跟踪

针对压缩跟踪算法中表观模型的视觉表达特征单一、统计模型缺乏柔性的问题,提出一种自适应的多特征表观建模方法.该方法引入了对梯度、边缘等图像细节描述能力更强的Surf特征,并通过构建两级观测矩阵解决多维特征的观测问题,与亮度特征进行融合,使视觉表达更加丰富、全面;通过计算正负样本特征所服从的概率分布曲线的Hellinger距离,分析特征对目标和背景的区分能力,自适应地调整统计模型中各特征之间的权重,使统计模型能更好地利用对目标跟踪有益的信息,根据目标和背景的变化及时进行更新.实验结果表明:该自适应多特征表观模型能更加准确地描述实际场景中目标和背景的复杂变化,在保持高效率的同时,极大地提高了跟踪算法的鲁棒性和准确性.

基于改进主动表观模型算法的人脸特征定位

人脸特征点的精确定位一直是人脸图像处理的重要研究内容,特征点定位精确与否直接影响后续工作结果的好坏。在基于反向组合AAM(Active Appearance Models)人脸特征点定位算法的基础上,提出结合特征点局部纹理模型来对AAM初始形状参数做最优化以及对AAM匹配模板升级的改进。改进的算法采用特征点局部纹理模型和AAM全局纹理模型结合的方法来最优化AAM初始形状参数,并在此前提下对AAM匹配模板进行升级,使其更接近待匹配图像的信息。在精确的匹配模板和优化的初始形状参数下,匹配的最终精度会得到提升。实验和理论证明,改进后的算法比传统反向组合AAM算法以及现有改进的PAAM(Progressive AAM)算法以及简单的结合ASM和AAM的改进算法都有更好的特征点定位精度。

基于注册和多尺度表观模型的三维头部跟踪

针对人体大范围运动下的头部姿态跟踪问题,提出一种基于尺度不变特征变换(SIFT)局部描述符注册和多尺度表观模型的三维头部姿态跟踪方法.基于SIFT局部描述符的注册算法通过在两帧灰度图像间进行特征点匹配计算两帧间的头部运动,在两帧人脸图像的尺度有一定变化时仍可得到精确结果.多尺度视角表观模型可以减少大范围跟踪时的误差累积,该模型在线选取具有不同头部姿态的关键帧,并通过多次注册的方法来减少当前帧的误差累积.实验结果表明,该方法不仅跟踪结果准确(均方根(RMS)误差为4°),而且在人体前后运动约1 m和头部进出摄像机视角情况下均很鲁棒.

基于强跟踪滤波器预测的主动表观模型人脸特征点跟踪

利用主动表观模型(AAM)可以对视频序列中人脸进行特征点定位,当目标对象与初始位置偏离过大时,就会使拟合过程陷入局部最小,使迭代无法收敛到正确位置,造成定位失败。针对此问题,提出了一种基于强跟踪滤波器(STF)预测的AAM(STF-AAM)人脸特征点跟踪方法。首先,将视频中头部运动看成动态系统,然后利用强跟踪滤波器对其进行预测跟踪,从而找到每一帧的拟合初始位置并进行拟合运算。由于视频序列中每一帧中的拟合初始位置都能被快速找到,从而取得了比较精确、快速的跟踪结果。实验结果表明,所提方法与传统方法相比在保证拟合精度的同时,提高了算法的跟踪定位速度。

基于主动表观模型(AAM)的图像中物体的定位方法研究

介绍了一种基于统计纹理模型和统计形状模型的主动表观模型 (AAM)的基本理论。并以人手的定位为例 ,建立了相应的主动表观模型。首先获取样本的纹理 ,然后应用主分量分析的方法对样本纹理归一化 ,建立纹理统计模型。利用类似的方法建立AAM ,它能通过调整模型参数实现目标物体的定位。由于AAM充分利用了目标物体的内部纹理特征 ,其定位能力更加健壮 ,并具有更高的准确性。

基于主动表观模型的稀疏聚类人脸识别算法

在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下,原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题,提出一种基于主动表观模型的稀疏聚类(CS-AAM)人脸识别算法。首先,利用主动表观模型快速、准确地对人脸特征点进行定位,获取主要人脸信息;然后,对训练样本进行K-means聚类,将相似程度高的图像分为一类,计算聚类中心,将该中心作为原子构造过完备字典并进行稀疏分解;最后,计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和Extended Yale B人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试,在相同样本数或相同维数情况下CS-AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时,相同维数条件下CS-AAM算法识别率为95.2%;在Extended Yale B人脸库上选取样本数为600时,CSAAM算法识别率为96.8%。实验结果表明,该算法能够有效地提高人脸图像的识别准确率。

融合增量主成分分析与粒子滤波的车辆表观模型跟踪

针对车辆运动方向持续变化、目标车辆距离远近变化、光照强度变化等场景下,稳定且实时性地跟踪车辆的难点问题,融合自相关矩阵增量主成分分析(Incremental Principal Component Analysis,IPCA)增量学习与粒子滤波算法的基础上,提出一种新的基于表观模型(Appearance Model,AM)的车辆跟踪方法,从跟踪初始利用自相关矩阵与特征值分解构建车辆的子空间图像,通过IPCA增量学习后的子空间均值、特征向量基共同参与似然概率密度的计算,提高粒子滤波算法粒子权值计算的精度.标准视频的跟踪实验表明:对比P.Hall-IPCA与D.Ross-IPCA表观模型跟踪方法,所提AM-IPCA车辆跟踪方法将跟踪成功率分别由82.7%~92.3%、92.1%~95.2%提升至95.1%~96.4%.

基于主动表观模型的人脸特征点自动标定

主动表观模型是一种具有高精度和强鲁棒性的特征点标定算法。本文主要研究了主动表观模型在人脸图像特征点自动标定方向的应用,并通过MATLAB工具对目标人脸图像进行了特征点自动标定实验。实验结果证明主动表观模型是一种有效的特征点标定算法。

基于主动表观模型及PERCLOS的疲劳检测研究

针对城市轨道交通电客车司机长时间驾驶产生的疲劳问题,目前主要是通过规章制度及警惕按钮来解决,这样既增加司机的劳动强度,也对司机疲劳驾驶检测效果有限。文章针对电客车司机现场工作环境,提出了一种主动在线实时检测方法,该方法通过视频序列分析人脸信息,采用主动表观模型完成对人眼的识别及定位,采用PERCLOS算法完成对司机疲劳检测。实验证明,该模型和算法能够很好地完成对司机的疲劳检测。

结构化特征融合的主动表观模型

文中提出了一种基于结构化特征融合的主动表观模型(Active Appearance Model,AAM)匹配算法。为了增强主动表观模型匹配算法的泛化能力和精度,尤其是其对于人脸表观细节处的处理,本文将形状相关的局部特征描述子和全局纹理信息进行融合,并进一步将其应用到基于回归模型的主动表观模型匹配算法中。通过在XM2VTS和Bio ID人脸数据库上进行测试表明,本文算法比传统的主动表观模型匹配算法的误降低了15%左右。

基于局部稀疏表观模型的目标跟踪

针对基于特征点匹配的跟踪算法只能处理纹理丰富的图像,L1 跟踪算法会发生跟踪漂移,本文提出-种基于局部稀疏表观模型的跟踪算法.该算法采用稀疏表示和局部图像块重叠采样建立目标外观模型,通过平均化对齐汇聚操作获得候选目标的向量表示,结合稀疏表示和增量子空间算法来更新模板,在贝叶斯框架下,将跟踪看成是求解最大后验概率的问题.整个算法的框架分为构建字典、候选目标的稀疏表观模型、计算后验概率、模板更新四个模块.实验表明该算法在很多经典视频中取得了较好的结果.

芙蓉李果实成熟期间的综合品质评价指标筛选与表观预测模型构建

目的科学评价芙蓉李果实成熟期间的营养品质,建立色度值表观特征与营养品质的关系。方法以福建省主栽品种芙蓉李为研究对象,对其成熟期间果糖、葡萄糖、蔗糖、苹果酸、奎尼酸、琥珀酸、柠檬酸、富马酸、矢车菊素-3-芸香糖苷、矢车菊素-3-葡萄糖苷、多酚、黄酮、类胡萝卜素等13个品质指标进行分析和综合评价。结果芙蓉李成熟期间,各品质指标的含量变化存在显著差异(P<0.05),综合运用相关分析、因子分析、绝对因子分析-多元线性回归(absolute principal component scores-multiple linear regression,APCS-MLR)分析筛选可反映芙蓉李综合品质的主要指标。因子分析提取出3个主因子,贡献率分别为52.677%、23.468%、11.649%,累计贡献率为87.794%。综合APCS-MLR等数理统计分析,主因子1主要对果糖、矢车菊素-3-芸香糖苷、矢车菊素-3-葡萄糖苷贡献较大,贡献率分别为53.00%、73.85%、55.54%;主因子2主要对蔗糖、富马酸、果糖、柠檬酸的贡献率较大,分别为28.26%、18.70%、16.14%、15.59%;主因子3主要对多酚(29.13%)和黄酮(28.28%)有较大贡献率;选取3个主因子总贡献率高于60%的果糖、葡萄糖、矢车菊素-3-芸香糖苷、矢车菊素-3-葡萄糖苷作为综合品质评价的主要指标。分别对已筛选出的4个主要评价指标与色度值进行多元线性逐步回归分析,建立4个主要指标与色度值的表观预测模型,各模型均具有较好的拟合度,预测值与实测值的均方根误差较小;进一步验证结果表明,通过色度值对4个指标的预测具有较高的可靠性和准确性。结论本研究筛选出的主要指标及预测模型可更加简单、便捷地评价芙蓉李果实成熟期间的综合品质。

基于分子动力学的页岩气储层表观渗透率预测模型研究

页岩气储层表观渗透率的准确预测一直是行业面临的重大挑战,主要由于其复杂的孔隙结构和气体分子在多尺度上的输运行为,传统宏观渗透率模型难以应对这种复杂性。为解决这一问题,本研究融合了微观分子动力学模拟与宏观流体力学理论,提出了一种多尺度模型。通过分子动力学模拟深入探讨气体分子在纳米孔隙中的扩散、吸附及分子间相互作用,揭示了微观尺度的输运机制。基于模拟得到的气体分子扩散系数、吸附量和平均自由程等关键参数,本研究建立了一个修正的表观渗透率模型,从而更准确地预测气体在实际储层条件下的宏观流动行为。此外,模型通过实验数据验证和校准,确保其准确性与适用性。最终,该模型为页岩气的有效开发和产能评估提供了重要的理论支持,并为复杂孔隙介质中的气体输运研究提供了新的视角。