基于信息度量学习约束局部模型的人脸定位研究

摘要

图像定位校正一直是计算机视觉研究的问题。约束局部模型(constrainedlocal models，CLM)是其中比较常用的算法，通过利用局部模型在特征点附近搜索确定每个特征点位置，并结合形状拟合自动准确对图像进行校正。与大多数校正算法一样，CLM模型优化属于空间代价函数的优化问题。代价函数以及搜索策略的定义是校正优化算法成功的关键。理想情况下，代价函数的全局最小值点是期望的拟合优化解，搜索策略可以高效地优化代价函数。由于局部patch结构信息有限，无法完整表示局部的特征信息，CLM方法有两个不足：首先在拟合过程中很容易陷入到局部极小值点；其次，极小值点位置落在正确位置的可能性很低。
　　 为了克服局极小值问题，本文在总结了已有的局部模型的代价函数提出了局部模型代价函数的一般式，很好的把代价函数归约为空间优化问题，从而很好的从空间以及代数方面诠释了代价函数的意义。
　　 基于此代价函数一般式，本文提出了一种PCA局部模型监督学习的算法进行局部特征优化，称为基于PCA局部模型的信息度量学习优化算法。该方法以PCA局部模型为前提，用PCA局部模型统计的响应曲面约束代价函数，对PCA局部模型进行优化改进。在保持PCA局部模型的优点前提下，该方法对PCA模型的缺陷进行了优化。值得指出的是，与传统代价函数优化模型不同，本文优化算法既考虑了期望点上的特征信息，又考虑了周围的特征信息(决定局部极小值点的信息)。本文方法有效地减少了局部极小值点，克服了极小值点不在正确位置的问题。实验证明，与传统PCA局部模型相比，本文方法有了极大地性能提升。本文首次将信息度量学习方法用于对CLM的局部模型进行优化。