约束局部模型.ppt

绪论——研究目标 约束局部模型（constrained local models） 约束局部模型通过利用局部模型在特征点附近搜索确定每个特征点位置，并结合形状拟合自动准确对图像进行校正。 CLM类似于snakes模型，不同的是目标形状是受约束的形状。 CLM主要组成：形状模型（模型受约束的形状）、局部外观模型、拟合优化策略 约束局部模型—形状模型 物体的形状由特征点以及特征点之间的连通性表示。 约束局部模型—形状模型PCA分析 物体的形状 可以用2n维向量x表示。 PCA分析以后，形状表示为 其中 平均形状，P特征向量矩阵，b模型参数。 PCA分析作用： 1、降维 2、去噪声信息 3、约束形状 约束局部模型—形状模型PCA分析 一般的，当 在范围 之内，可以约束模拟出来的形状是有效的形状 ， 特征值 约束局部模型——局部外观模型 局部模型主要有两部分组成：局部外观信息提取 、局部分类器 。 外观提取就是准确全面而且概括性的定义每个特征点周围的特征 。 局部分类器就是代价函数，评价当前特征点信息与模板信息的匹配度。 约束局部模型——局部外观信息提取 CLM局部模型局部特征信息提取算法比较常用的有一维patch二维patch 。 约束局部模型——局部分类器 一个简单分类器 ，曼哈顿距离 响应值越大匹配度越小。 约束局部模型——拟合优化 通过局部模型，我们获得当前形状每个特征点周围的匹配概率 有了每个特征点的响应曲面以后，便可以进行拟合获得形状参数 约束局部模型——CLM搜索拟合算法 CLM搜索拟合算法 输入初始的特征点位置信息。 重复： 1、对每一特征点，利用局部检测器对特征点周围进行搜索，算出相应的响应值，获得每个特征点周围的响应曲面。 2、根据形状模型拟合当前的形状，更新相应的模型参数以及下一步迭代的特征点位置。 直到收敛 收敛的定义是每两次迭代之间，模型的形状参数或者特征点位置变化小于一定的阈值。 信息度量学习CLM模型——CLM的发展 局部模型：特征提取，主要包括local pattern patch，gabor滤波器等。 局部分类器,有SVM, adaboost，PCA，KPCA等。 拟合优化：ASM，COF。 CLM发展——PCA局部模型 给定某个特征点局部外观特征 ，相应的PCA分析表示为： 代价函数为 CLM的发展——ＡＳＭ，ＣＯＦ ＡＳＭ可以表示为最小二乘问题 等价于 ＣＯＦ凸二次函数拟合响应曲面 ＣＬＭ的发展——ＣＬＭ的缺陷 ＣＬＭ模型有两大缺陷：多极小值模型以及极小值不在期望位置。 原因：局部特征信息结构有限；局部分类器只考虑正确点上的信息没有考虑附近的信息。 信息度量学习CLM——代价函数一般式 一般的，局部模型的响应函数（代价函数）都可以表示为： 其中 表示位于图像I坐标 的响应值， 表示位于图像坐标处的外观特征信息（如二维patch）。A是目标矩阵，在这里称为映射矩阵。 信息度量学习CLM——代价函数一般式 在基于协方差局部模型中， 在基于PCA模型的局部模型中 信息度量学习CLM——代价函数优化目标函数 优化目标函数标准： 1、响应曲面应该具备全局极小值点是唯一的极小值点，而且该极小值点位于特征点期望的位置上。 2、每个特征点的优化目标函数准确地模型、约束特征点外观信息分布。 3、优化目标函数应该兼顾不同样本之间的差异性 信息度量学习CLM——代价函数优化目标函数 基于PCA局部模型统计响应曲面优化目标函数 表示PCA局部模型的平均响应曲面 CLM代价函数优化目标是希望每一样本的响应曲面与平均响应曲面一样。 其中 表示位置处 的代价函数响应值与平均响应曲面的值之间允许的误差。在本文， 表示处PCA局部模型该处响应曲面的标准差 信息度量学习CLM——代价函数优化目标函数 信息度量学习CLM——信息度量学习 给定相似元素集合S以及不相似的元素集合D，信息度量学习问题可以表示为： 是Bregman矩阵散度，主要衡量两个矩阵的相似性， 表示A属于正定矩阵。 信息度量学习优点：在已有的