嵌入式贝叶斯网络在人脸识别中的应用.docVIP

嵌入式贝叶斯网络在人脸识别中的应用 Ara V Nefian 英特尔公司 微处理器研究实验室 Santa Clara，CA 95052 ara.nefian @ 摘要：本文所介绍的嵌入式贝叶斯网络(EBN)嵌入式隐马尔可夫模型嵌入式隐马尔可夫模型EBN递归的被定义为一个层次结构，在这个结构里，“双亲层嵌入式贝叶斯网络嵌入式贝叶斯网络保护他们的灵活性和局部尺度不变性贝叶斯网络嵌入式贝叶斯网络特征脸方法嵌入式隐马尔可夫模型方法本文介绍的动机是需要实际的统计模型与n维的依赖，特别是依赖使用二维图像分析。而隐马尔可夫模型(HMM)是非常成功的语音识别手势识别，相当于一个维隐马尔可夫模型已被证明是不切实际的，由于其复杂性[1]。对于图像识别，特别是人脸识别[2]，其数据本质上是二维的主成分分析（[3]，[4]），线性判别分析（[5]），神经网络（[6]，[7]），和然而，这些方法不能概括，方向，或面部表情近年来，几种近似二维隐马尔可夫模型与实际计算模型研究了诸如伪二维隐马尔可夫模型或嵌入式隐马尔可夫模型应用于字符识别[1]或人脸识别，隐马尔可夫模型Jia 和 Gray制定了一个有效的近似隐马尔可夫模型本文介绍了嵌入式贝叶斯网络（EBN）嵌入式贝叶斯网络隐马尔可夫模型贝叶斯网络嵌入式隐马尔可夫模型HMM或耦合HMM嵌入式贝叶斯网络他们的识别性能与现有的一些方法耦合隐马尔可夫模型耦合隐马尔可夫模型CHMM）可以被视为一个HMMHMM在时间t时的离散型节点受所有相关HMMs在时间t-1时的离散型节点的影响。图1显示了一个CHMM隐藏的离散节点而CHMM通道的数量，并用i =[il,..,,ic]表示状态向量在一个特定时间实例i = [il,….,ic]是描述在通道1……C隐藏节点的状态的状态向量，代表一个特定的时间例如t时状态。)耦合隐马尔可夫模型，在通道c里的状态ic的初始状态概率；，在通道c里的状态转移概率从状态j到状态，以及，在通道c里观察概率传给状态ic。 图1：耦合隐马尔可夫模型的图像识别嵌入式贝叶斯网络嵌入式贝叶斯网络（EBN），除最低层EBN。最低层EBN的参数是相互独立的，而他们的参数取决于上层中的“母”EBN。本文所介绍用于人脸识别的EBN有两层构成，每一层代表一个数据维度。每一层用一组HMMs或者CHMMs来描述，如图2所示描述了四个EBNs系列：嵌入式隐马尔可夫模型(EHMM)HMMs描述，HMM-CHMM：其中上层是一个HMM，下层由一组CHMMs构成，CHMM-HMM：其中上层是一个CHMM，下层由一组HMMs构成，还有嵌入式耦合隐马尔可夫模型(ECHMM)CHMMs描述。自从隐马尔可夫模型可以被视为一种CHMM，ECHMM是其所属系列的所有模型的一个概括。为了简化，本文仅给出了正式的定义，并描述了所有系列中最常见模型的演算法，也就是ECHMM。以下所给出的双层ECHMM参数的正规定义可以扩展到任何数量的层在本文中我们将参照CHMMs中的通道，节点及状态作为ECHMM的超级通道道，超级节点和超级状态。为了简化起见，假定在层l里的ECHMM有相同数量的渠道，一个两层ECHMM的要素有： 在超级通道里的最初超级状态概率 在超级通道里从状态到状态的状态转移概率 对超级通道s里的每一个超级状态k来说，CHMM的参数定义如下： 在超级通道里最初的状态概率 状态转移概率 观察概率。在连续混合高斯组成部分HMM，（b）HMM-CHMM结构 （c）CHMM-HMM结构（d）嵌入式CHMM 4、观向量 相邻图像块具体来说我们用六个二维系数（3×2低频阵列）。代替像素值作为观测向量的理由是压缩和去相关特性的二维离散余弦自然图像由此产生的观测向量的阵列大小，其中和是从高度为H宽度为W的图像中提取的观测向量的数量。 图3：人脸图像参数化和块提取 下一个连续的横向和纵向的观测向量组合在一起在本文我们将表示最优状态序列分割 本节中介绍的算法确定最佳状态和ECHMM.该算法也简称为 ECHMM维特比算法可以应用于EBN系列的所有模型。为了简单ECHMM的维特比算法。 对于每个观察块，在给定超级通道s的超级状态下，用HMM [14] 或者 CHMM [15]计算维特比算法最好的超级状态概率与状态最优分割和大量乘法的问题，以上所有的计算可用于对数形式EBN中复杂性的维特比算法CHMM 和EBN间复杂性比较的补充 6、演练（TRAINING） 为了演练EBN，观测向量首先从图像训练集中提取。本文，在训练中我们会指示会员将T示例图像设置超级脚本。为了演练EBN，我们进行如下程序： 1、在第一次迭代，观测块均匀分割在每个超级通道观测阵列每个观测块每个“孩子” child）层的通道和状态的数量被均匀分割。为了初始化混合组成成分，被分配到每个通道c,状态