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离，虽然已取得一定的进展，但分离的效果依然有待改进。并且面部运动数据的维数较高，容易引起“维数灾难”。近年来，随着感知心理学以及机器视觉的发展，研究者意识到面部运动具有非线性，面部的变化分布在一个低维的非线性流形中，现有的线性分析方法存在先天缺陷。目前，虽然一些非线性流形学习方法被应用于面部分析中，但大多没有考虑面其它因素，特别是身份信息对运动信息提取的影响，没有根据面部分析的需要对该方法进行修正。因此，设计一种基于面部运动特点的流形学习方法分析面部运动，尽量降低身份信息对运动信息提取的结果，对机器学习以及模式识别的发展具有重要意义。(三)
技术实现思路
：本专利技术的目的是：①改进高斯过程隐变量模型，通过在求解最优值的过程中加入趋势一致限制条件，提出一种趋势一致高斯过程隐变量模型，使该模型在保留低维信息变化趋势的前提下降低其他因素的影响。②应用改进的高斯过程隐变量模型，即趋势一致高斯过程隐变量模型提取不同身份表演者共同的面部运动信息，降低甚至消除身份信息的影响。本专利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；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：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是：通过在高斯过程隐变量模型中引入序列的马尔可夫性以及在所构建的最优化目标函数中加入趋势一致限制条件，构成趋势一致高斯过程隐变量模型的目标函数，使该模型在提取两组序列中运动信息时，降低其它因素的影响。采用趋势一致高斯过程隐变量模型(tendencyconsistent-GaussianProcessingLatentVariableModel)的面部运动信息提取是：针对面部运动分布在非线性流形中的特点，采用趋势一致高斯过程隐变量模型对面部运动数据进行维数约减，用较低的维数反映面部运动信息的同时，降低身份信息的影响，并描述由平静变化到6种面部表情：喜悦、惊讶、厌恶、悲伤、愤怒、恐惧的运动序列数据，避免由于维数过高引起的“维数灾难”。本专利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通过加入趋势一致限制条件改进高斯过程隐变量模型，图1为该模型结构图，其具体步骤为：假设Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}为两组由高维向量组成的序列，XY和XZ分别为对应Y以及Z的低维隐变量序列。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)，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；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，Γ(XY,XZ)包含两种约束，其一保证隐变量序列的变化趋势尽量相同，其二保证两组隐变量序列的起始位置尽量接近。本专利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，采用趋势一致高斯过程隐变量模型(tendencyconsistent-GaussianProcessingLatentVariableModel)的面部运动信息提取将不同表演者的面部运动序列作为高维序列，提取不同身份表演者相同面部表情序列中相似的运动信息。假设Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}为两组不同表演者的面部序列，yi，zi为面部特征点坐标构成的高维向量，面部特征点分布如图2所示，XY和XZ分别为对应Y以及Z的低维隐变量序列。步骤1：为避免得到局部极小值，采用主成分分析方法(PCA)得到趋势一致高斯过程隐变量模型目标函数的初始值，即对Y和Z分别进行PCA分析得到目标函数的初始值和步骤2：采用尺度共轭梯度法(ScaledConjugateGradient)以Y，Z，和作为初始值求解隐变量，得到对应面部运动轨迹的低维隐变量序列。本专利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，其优点和积极效果在于：1.采用高斯过程隐变量模型对面部运动数据进行维数约减符合面部运动分布在非线性流形中这一特点。2.改进高斯过程隐变量模型，即趋势一致高斯过程隐变量模型，赋予该模型提取与身份信息无关的运动信息的能力，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。附图说明：图1趋势一致高斯过程隐变量模型示意图图2面部特征点位置示意图(五)具体实施方式：本专利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；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：一、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，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，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置尽量接近，其中：由于后续方法需要对趋势一致条件做求导运算，将趋势一致条件改写为矩阵形式：P,Q为平衡各个参数数量级的常量。二、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，其步骤如下：假设Y＝{y1,y2,...yN}，Z＝{z1,z2,...z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