[发明专利]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

摘要

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。

主权项

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)：E(Y,XY)=D2ln|KY|+12tr(KY-1YWY2YT)-Nln|WY|+d2ln|KXY|+12tr(KXY-1XY2:N(XY2:N)T)+12(XY1)TXY1]]>E(Z,XZ)=D2ln|KZ|+12tr(KZ-1ZWZ2ZT)-Nln|WZ|+d2ln|KXZ|+12tr(KXZ-1XZ2:N(XZ2:N)T)+12(XZ1)TXZ1]]>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置尽量接近，其中：γ1=Σi[(XYi-XYi-1)×(XZi-XZi-1)T],i=2,3,...N,]]>γ2=d(XY1,XZ1)=tr[(XY1-XZ1)×(XY1-XZ1)T]]]> 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：Γ(XY,XZ)=P×γ1-Q×γ2=P×tr[(XY2:N-XY1:N-1)(XZ2:N-XZ1:N-1)T]-Q×tr[(XY1-XZ1)×(XY1-XZ1)T]]]> P,Q为平衡各个参数数量级的常量； (2)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,...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，XY和XZ分别为对应Y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且和与XY和XZ具有相同的维度参数；步骤2：采用尺度共轭梯度法(Scaled Conjugate Gradient)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，即设计算及求解时采用首先固定XY求解并令再固定XZ求解更新XY的值，迭代计算XY及XZ直至满足收敛条件或达到最大迭代次数。