基于趋势一致高斯过程隐变量模型的面部运动信息提取方法技术

一种基于趋势一致高斯过程隐变量模型的面部运动信息提取方法，其中趋势一致高斯过程隐变量模型描述如下：(1)构造基于马尔可夫假设的求解低维隐变量序列高斯过程隐变量模型目标函数；(2)添加趋势一致限制条件构造趋势一致高斯过程隐变量模型目标函数。其中基于趋势一致的高斯过程隐变量模型的面部运动信息提取，具体方法描述如下：(1)采用主成分分析方法(PCA)得到用于趋势一致高斯过程隐变量模型目标函数的面部序列隐变量空间初始值；(2)采用尺度共轭梯度法(Scaled Conjugate Gradient)求解隐变量，得到对应面部运动序列的低维隐变量序列。该方法在提取与身份信息无关的运动信息同时，保留由于面部运动幅度不同产生的隐空间序列变化范围差异。

【技术实现步骤摘要】
【国外来华专利技术】基于趋势一致高斯过程隐变量模型的面部运动信息提取方法(一)
：本专利技术涉及一种基于趋势一致高斯过程隐变量模型的面部运动信息提取方法，尤其是提出一种基于高斯过程隐变量模型(GaussianProcessingLatentVariableModel)的趋势一致高斯过程隐变量模型(tendencyconsistent-GaussianProcessingLatentVariableModel)并应用于提取面部运动序列中独立于身份信息的运动信息，属于图像处理，模式识别领域。(二)
技术介绍
：如何赋予机器识别面部运动的能力，使面部运动作为机器的另一种输入模态，从而辅助机器理解人类的意图，更好的为人类服务是现今面部分析的主要任务。随着图像序列分析的发展，蕴含于帧间的序列信息被引入面部分析中，结合帧间信息的动态图像序列分析扩充了面部分析的信息量。但人类的面部运动序列不仅仅包含运动信息，还包括其它信息分量，如光照信息，拍摄的角度信息以及身份信息对面部运动模式分析的准确性造成影响，特别是身份信息已经成为制约后续识别率的主要因素。现有的技术并为考虑面部运动的非线性特性，利用双线性模型对其它因素进行分本文档来自技高网...

【技术保护点】
PCT国内申请，权利要求书已公开。

【技术特征摘要】
【国外来华专利技术】1.一种基于趋势一致高斯过程隐变量模型的面部运动信息提取方法，其特征在于：该方法包括提出一种基于高斯过程隐变量模型的趋势一致高斯过程隐变量模型及应用该模型提取与身份无关的面部运动信息两个部分；其中：(1)关于趋势一致高斯过程隐变量模型，其求解步骤如下：假设Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}为两组由高维向量组成的序列，yi,zi∈RD，i＝1,2,...N，和分别为对应Y以及Z的低维隐变量序列，RD、Rd分别表示D维及d维空间，其中D＞＞d：步骤1：分别构造求解基于马尔可夫假设的低维隐变量序列目标函数：E(Y,XY)，E(Z,XZ)：KY,KZ,为核矩阵，设(KL)ij为KL的i行j列元素，L代表Y，Z，XY或XZ，趋势一致高斯过程隐变量模型采用RBF函数构造核矩阵，其中为RBF函数中的系数，Xn:m＝[Xn,Xn+1,...,Xm]T，令总的目标函数为通过最小化目标函数求解对应的隐变量序列XY和XZ，使后验概率p(Y,Z|XYXZ)最大；步骤2：构造趋势一致高斯过程隐变量模型目标函数其中Γ(XY,XZ)为趋势一致限制条件，使Γ(XY,XZ)最大化包含两种约束：γ1保证隐变量序列的变化趋势尽量相同，γ2保证两组隐变量序列的起始位...

【专利技术属性】
技术研发人员：毛峡，王晓侃，薛雨丽，陈立江，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11