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。

说明书

mat="original" lang="zh">

基于趋势一致高渐过程隐变量模型的面部运动信息提取方法

本发明涉及、 种基于趋势一致高斯过程隐变量模型的面部运动信違.提取方法， 尤其是提 出 '·种基于高斯过程隐变量模型（ Gaussian Processing Lat tt Variable Model )的趋势 · '·致离斯 过程隐变量模 ■ (' tendency consistent- Gaussiaa Processing Latent ¾iable Model) 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 , 属于图像处瑰， 模式识别领域 .

(二) 背景技术：

如何赋予机器识别面部运动的能力， 使丽部运动作为机器的另一种输入模态， 从而辎助 机器理解人类的意阁， 更好的为人类服务是現今面部分析的主耍任务 随着图像序列分析的 发展' 蕴含于桢间的序列信息被引入面部分析中， 结合祯间信息的动态图像序到分析扩充了 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 光隱信息， 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>:，>

(,Ε ) 发明内容：

本发明的 的是； ①改进高斯过程隐变量模 ， 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期 '过程隐变量模型， 使该模型在保留低维信息变化趋势的 翁提下降低其他因泶的影响。 ②应用改进的高斯过程 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衝部运动信息， 降低甚 ¾消除身份信息的影响 本发明一种基于趋势一致高斯过程隐变量模 的面部运动信息提取方法； 包括提出一种 基干高斯过程隐变量模型的趋势一致窩斯过程隐变量模 ¾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塑 (Gaussian Processing Latent ¾rlabte Model) 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 i 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吋， 降低其它 S素的影响

采用趋势 ····致高斯过程隐变量模型 ( tendency consistent- Gaussian Processing Latent Variable Model) 的面部运动信息提取是： 针对耐部运动分布在非线性流形中的特点， 釆用趋 势一致高斯过程隐变量模型对面部运动数据迸行维数约减， 用较低的維数反映面郤运动信息 的同时， 降低身份信息的影响， 并描述 ώ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"：

本发明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¾1的趋势 ······致商斯过程瞻变量模 通过加入趋势一致限制条件改进高斯过程隐 变量模型， 應 1为该模型结构图， 其具体歩骤为 - 假设 y {u₂,...j'_;v}>i>z₂^.z>Y和.>

歩骤 1 : 分别构逾求解基于马尔可夫假设的低維隐变量序列目标函数： £(y_5>)，

ΕίΖ, Χ,)， 令总的 g标函数为 £(1Μ^ + £:(Ζ, )， 通过最小化目标函数求解对应的 i 变 量序列 .Α',和: 歩骤 2; 构造趋势一致高斯过涯隐变量模翻目标函数：

¾ - E(Y, + E(Z, X_x)>}>

本发明一种基子趋势一致高斯过程隐变量模塑的面部运动信息提取方法, 采 趋势一致 高斯过程隐变意模型 ( tendency consistent- Gaussian Processing Latent Variable Model) 的面部 运动信息提取将不同表演者的丽部运动序 ^怍为高維序列， 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 , ^ { 2 .¾}为两组不同表演者的面部序列, V, , 为丽部特征 点坐标构成的高维向量，. Ιΐ部特征点分布如图 2所示， . .和 ^分别为对应Γ以及 ：的低维 隐变量序列

歩骤 h 为避免得到局部极小傻， 采 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 Γ和 Z分别迸行 PCA分析得到 标函数 的初始值 f 和 歩骤 2; 采用尺度共轭梯度法（Scaied Obligate Gradient) 以 F， Z， .和 ^作为初始 俊求解隐变量， 得到对应面部 ¾动轨迹的低维隐变量序列 本发明一种基于趋势一致高斯过程隐变量模 ¾的面部运动信息提取方法， 其优点和积极 效¾在于；

1.采兩高斯过程隐变量模型对面部运动数据进行維数约减符台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 K予该模型提取.与身份 信息无关的运动信息的能力， 同时保留由子面部运动幅度不岡产生的隐 间序列变化范围差

附 ί圏说明- 图 1 趋势一致¾斯过程隐变量模型示邀图

图 2 面部特征点位置示意顯

(五） 具体实施方式；

本发明一种基于趋势…致高斯过程隐变量模型的面部运动信患掇取方法； 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 部运动信葸两个部分： 其中:

- 、 关于趋势一致离斯过程隐变量模型， 其求解步骤如下：

假设: * 2 {^， ,... )'为两组由高维向量组成的序列， ^z_t&K^iJ>

;-12_;...N>r>;>ζ>

歩骤 1_:>Y)>

^,^， , ¾核矩阵， 设 (^)_ί;为_J>z，>

阵， ； τ^:'">mf>!：>ν)->Ζ)，>y和>ζ)为趋势一致限制条件，>

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 δ的画部运动信息提取， 其歩骤如下：

假设 )' - (j^>;>2)ί¾;..^_ν}为两组不同表演者的面部序列，>;>

歩骤 h 为避兔得到周部极小值， 采 ί¾主成分分析方法 （PCA) 得到趋势一致高斯过程 隐变量模 S目标函数的初始值， 即对 F和 Ζ分别进行 PCA分析得到 标函数 ¾的初始爐 和 .f ， 且 f>s>χ与>ζ具有相同>

歩骤 2: 采用尺度共轭梯度法（Seated Co ugate G cliem) 以 >% Z， 和 作为初始 值求解隐变量， 得到对应面部运动轨迹的低維隐变量序列 即设 £(1', ^,2₅>y的值，>