Enforcing Convexity for Improved Alignment with Constrained .pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 进一步的改进 Robust error function In particular, the robust error function can be defined as 提纲 作者信息 文章信息 背景知识/(Constrained Local Models) 拟解决的问题与采用的思路 实验 结论 Demos Example Fits Examples of fitting local search responses: (a) is the local search responses in Figure 1 (d) using patch experts trained by a linear support vector machine (SVM). (b-d) show the surface fitting results. More specifically, (b) picks the local displacement with the minimum response value in the search window, while (c) and (d) fit the local search response surface by a quadratic kernel in Equation 15 and a quadratic kernel with a robust error function in Equation 16, respectively. The brighter intensity means the smaller matching error between the template and the source image patch. In each search window, the red cross illustrates the ground truth location. As we can see, in most cases, the above three methods can all achieve good performance, while the proposed convex quadratic fitting (CQF) (c) and the robust convex quadratic fitting (RCQF) (d) methods are less sensitive to local minima than the exhaustive local search (ELS) method (b). 提纲 作者信息 文章信息 背景知识/(Constrained Local Models) 拟解决的问题与采用的思路 实验 结论 Demos 本文方法与已有方法的对比 本文方法与已有方法的对比 提纲 作者信息 文章信息 背景知识/(Constrained Local Models) 拟解决的问题与采用的思路 实验 结论 Demos 本文可以借鉴的地方 Formulation Demos CLMs Demo: /jsaragih/iWeb/FaceTracker/FaceTracker.html 谢谢！ 附录 ASM(1/7) 一个物体的几何描述分为两部分： 相似变换（旋转、缩放、平移） 形状 ASM(2/7) ASM的任务： 得到姿态参数 得到形状的低维表示，即参数b ASM匹配的基本过程： 搜索 在马氏距离下搜索与相应灰度梯度分布模型最匹配的特征点 调整 对搜索得到的形状进行调整，以确保获得的形状是可用的 ASM(3/7) ASM模型： 要完成ASM搜索与匹配的过程，必须要有相应的统计模型做支撑 ASM模型分为： 每个标注点的灰度梯度分布模型 点分布模型 ASM(4/7) 每个标注点的灰度梯度模型的构建 取标注点 的profile，并计算得到该profile的归一化的灰度梯度向量 Profile灰度采样： 梯度 归一化 若训练集中有M个形状，每个形状有N个标注点，那么对于每个标注点 ，有协方差矩阵 ，这N个协方差矩阵就构成 了灰度梯度模型 ASM(5/7) 点分布模型的构建 对于单个形状，每个标注点的坐标为 将所有标注点的坐标串接起来，就得到一个形状向量 若训练集中有M个形状，那么我们就有M个形状向量 于是就可以训练形做PCA，得到能描述 训练集形状变化的特征值与特征向量， 即得到了点