线性人脸对象类模型的匹配提升技术

摘要

针对真实感人脸模型匹配的细节控制和稳健创建问题,提出了线性人脸对象类模型的匹配提升技术.基于非统一抽样(NUS)的动态高斯金字塔分析(DGPA)方法,结合不等概率抽样和整群抽样策略,自适应地动态调整每级高斯金字塔图像的抽样分布,利用最优化算法由粗到精的计算全局近似最优解,获得精确的模型匹配.动态调节整群区域边界并利用再抽样率调节抽样密度,可以有效控制人像模型的细节表达效果,提高模型创建的稳健性.随机梯度下降的线性相关性扰动(CD-SGD)和学习率自适应(ALR)技术,提高了模型匹配的准确性和收敛速度.以MPI和AI&R人像库为测试样本,主观与客观评价的实验结果验证了该模型匹配提升技术的有效性.