请选择 进入手机版 | 继续访问电脑版
设为首页收藏本站

 找回密码
 立即注册

QQ登录

只需一步,快速开始

WEEK1----9.3~9.7周报

热度 8已有 7351 次阅读2012-9-10 13:57 |系统分类:组会周报| 工作, 论文

本周主要工作:阅读论文<Active Appearance Model Revisited><用于目标分割的主动形状模型方法研究>,学习NeHe OpenGL教程

1.ASM学习笔记

         在阅读了<基于主动外观模型的人脸图像合成>两篇论文后,对AAM的模型构建和模型匹配流程有了大致认识。由于在具体计算上碰到许多问题,我先学习了ASM AAM相比,ASM只考虑模型的轮廓外形,优点是能从样本集中学习物体形状的先验知识,具有较高的识别精度,收敛速度较快,但是存在未充分利用全部可用的信息的问题,忽视了纹理方面的特征。尤其在于当目标区域的色彩或灰度与邻域接近时,分割结果会受到影响。

1 模型的建立

         在用ASM进行搜索匹配之前,首先要通过对训练样本集进行统计学习来建立起关于物体的形状模型。

1.1样本标定

         第一步是样本标定,标记点的选择对建模是十分重要的,必须要包含有特定应用意义的部位上的点,线段连接点,角点和曲率极值点等。为了保证各样本间标记点的一致对应性,每个形状上标记点数目,顺序及对应位置必须相同,这样就产生了m2n维向量的样本空间。

1.2形状对齐

         为了对不同样本上的点进行统计分析(这里用主成分分析),必须令各样本上的点对齐到同一坐标系下,通过旋转、平移和尺度变换参数的操作使训练样本对齐,使得样本形状和平均形状之间在最小二乘意义下差别最小。

1.3主成分分析

         获得m个已对齐的样本形状后,接着利用主成分分析(PCA)来求其形状变化模型。PCA步骤:首先计算样本平均形状,然后计算每个样本相对平均形状的偏移量,由此可以计算2n2n的协方差矩阵S设,接着求S的特征向量和特征值,这里的特征向量即表示了训练集中数据变化的主要方向,特征值越大其对应的特征向量所代表模式变化就越显著越重要。所谓主成分分析,即为选取最大的前t个特征向量和特征值以保证能用形状模型尽量准确地重建样本形状,同时把数据维度从2n维降到了t维。

2  ASM的搜索与匹配

         利用模型产生的形状逐点去拟合实际图像中的目标形状边界,迭代调整模型姿态参数和形状参数。算法步骤如下:

(1)   初始化模型形状参数,并通过旋转、平移和缩放得到输入图像框架下的模型实例。

(2)   在图像中沿当前模型实例的每个标记点周围搜索,寻找每个标记点的最佳匹配点(方法是在每个标记点附近,沿着它所在边界的法线方向,找到最近的梯度最大值的象素点)并将原标记点向新的位置移动,由此得到期望的位移向量dX

(3)     更新模型的姿态参数(平移,旋转,缩放)和形状参数b权值系数b= p转置 (x-x~),同时满足对b的限制,产生一个能最佳拟合到新匹配点位置X+dX且仍然满足先验模型约束的模型实例。

(4)     重复第2步迭代,直到姿态参数和形状参数没有明显变化时即认为收敛。

3  AAM的改进

       AAM同时对脸部形状和纹理进行建模。在对纹理特征采用进行建模之前,首先对人脸形状进行归一化,得到形状无关人脸。接下来有两个选择,独立型AAM将形状和纹理分开建模,组合型AAM则在两次PCA的基础上,将形状参数和纹理参数进行拼接,对组合向量进行第三次PCA对形状和纹理使用同一套参数

       而在AAM进行匹配时,最终目标即是使误差图像E(x)最小。Active Appearance Model Revisited这篇文章提出了新的反向合成图像对齐算法,克服了传统的梯度下降方法效率低的缺点,推翻了参数更新的变化值和当前的误差图像之间是常数线性关系这一错误假设。对于这一方法的具体计算我还没有深入的学习。

2.OpenGL学习

         NeHeOpenGL教程共有48课,这一周我学习了前22课的内容。从最基础的窗口、多边形绘制,光照、键盘、混合,纹理贴图和显示列表到文字,蒙版,凹凸映射。他的教程写得非常详细,每一课都有完整的实例和注释,对OpenGL的学习帮助很大。

------------------------------------------------------------------------------------------------------------------

 下周计划:继续学习NeHeOpenGL教程,重点结合三维人脸纹理贴图代码学习纹理贴图。


路过

鸡蛋
8

鲜花

握手

雷人

刚表态过的朋友 (8 人)

评论 (0 个评论)

facelist doodle 涂鸦板

您需要登录后才可以评论 登录 | 立即注册

Archiver|手机版|视觉计算研究论坛 ( 京ICP备09019267号 )  

GMT+8, 2019-10-23 10:11 , Processed in 1.158053 second(s), 30 queries , Gzip On.

Powered by SIGVC.org

© 2012- , Beijing, China

回顶部