基于Adaboost算法和人脸特征三角形的姿态参数估计

提出了一种基于Adaboost算法和人脸特征三角形的姿态参数估计方法。首先利用Adaboost算法训练人脸器官检测器,然后根据人脸器官的几何特征定位人脸特征点,利用获得的人脸特征点构建人脸特征三角形。当人脸发生姿态变化时,利用特征三角形的位置变化进行姿态参数的初步估计。     

单视影像下的人脸快速三维重建

提出了一种单视影像下的人脸快速三维重建方案,能够对非可控条件下获取的单幅人脸图像进行有效、快速的三维重建。在三维人脸重建阶段,提出了一种特征动态选择策略,针对待重建人脸图像动态选择合适的2D-3D特征变换子空间,在保证执行效率的同时能显著提高三维人脸模型的重建精度。实验证明,本方法不仅简洁高效,而且对人脸姿态和光照变化具较好的鲁棒性,在WHU-3DFaceData数据库上取得了理想的重建效果。     

多层稀疏表达的人脸年龄估计

人脸年龄分析是一个非常具有挑战性的工作:相对于其他的面部变化,人脸年龄变化不仅受内在因素(如基因)的影响,还受外在因素(如生活条件)的影响,很难找到准确刻画年龄变化的特征,因此,提出多层次稀疏表达的鲁棒性人脸年龄分析方法。该方法充分考虑人类对象识别的思维方式、相邻年龄相似性和信号稀疏表达分类原理,并融合主动表观模型、局部二元模式和仿生特征的各自特点。另外,为了降低人脸身份因子的干扰,提出了两因子分析方法进行人脸身份因子分离。实验结果表明,提出的方法具有很强的鉴别性和鲁棒性,在FG-NET和Morph2年龄库上平均绝对误差分别在4.65岁和3.64岁以内,证明了多层次稀疏表达的人脸年龄估计方法的有效性。     

基于鉴别字典学习的遮挡人脸姿态识别

利用字典学习与稀疏表示的信号重建与分类的性能,两步字典训练学习方法引入到鲁棒性人脸姿态识别中。首先,将人脸姿态离散化为不同的子空间,使用K-奇异值分解法（K-SVD）为每个子空间训练一个子字典使其对应一个类别;然后,将所有子字典组合成超完备字典;最后,采用基于Gabor特征与稀疏表示的方法进行姿态分类。为了提高字典的分类能力,本文采用两步字典训练学习方法,并在第二步学习中加入类别约束;为了提高算法的鲁棒性,本文重构一个遮挡人脸字典,解决人脸姿态识别中人脸遮挡问题。通过在公开的XJTU、PIE和CAS-PEAL-R1人脸库上的实验结果表明,本文方法在具有光照、噪声和遮挡变化的人脸库识别率均能达到95%左右,基本能达到实际应用的要求。     

一种真实感三维人脸交互式生成方法

针对传统三维人脸模型构建复杂、效率低下等不足,提出了一种基于单张照片的真实感人脸快速生成方法。首先,构建标准化的人脸模型库,交互式选取输入照片的面部特征点,并基于脸型特征,匹配最佳模型;其次,通过三角形变形和双线性插值的方法实现照片到三维模型的纹理映射,并引入Alpha图实现人脸覆盖纹理到模型中性纹理的融合过渡;最后,采用网格调节方法从整体到细节分层次调整模型以达到生成真实感三维人脸的目的。实验结果证明,该方法对用户友好,所需特征点较少,可实时生成高质量的真实感模型。     

面向形变模型的三维人脸建模研究及其改进

针对传统三维形变模型效率低的不足,提出了一种简洁高效的三维形变模型进行个性化三维人脸重建。首先建立基于关键特征区域重采样的标准三维人脸数据库,实现三维人脸的稠密对应;然后选择与目标人脸奇异值向量最相似的人脸作为形变模型的基空间,进行形变模型成分的动态选择;最后引入基于特征点的稀疏形变模型替代原稠密对应形变模型进行匹配求解线性组合系数,并完成特定的三维人脸重建。实验结果表明,本文方法建模时间短、复杂度低,通过单张图片的少量特征点能生成逼真的三维人脸模型。     

融合纹理与形状的人脸加权新特征

根据人类进行人脸识别的特点,提出一种纹理与几何形状相结合的人脸新特征。新特征提取的第一步是提取脸部5个关键点;然后,根据人脸图像每个像素点到5个关键点距离动态对每个像素进行加权计算。新特征在纹理特征的基础上,融合了人脸关键点和每个纹理点与关键点之间的位置几何距离信息。与传统的单一纹理特征相比,提高了抗干扰性;而且,由于定位了5个关键点,有利于后续的人脸分块识别。在YALE人脸库和XJTU人脸库上采用线性判别方法与稀疏表示人脸识别方法的实验研究表明:新特征与传统的纹理特征相比,识别率提高了5%~10%;新特征加人脸分块方法识别率接近100%。     

空间目标三维姿态估计方法

提出了一种利用天文观测图像对卫星及其子部件三维姿态进行估计的方法。该方法利用等积剖分格网建立多视角姿态模型数据库,利用基于混合噪声的最大似然算法对观测图像进行图像复原与滤波等预处理,然后进行分割和几何特征提取,提出了一种尺度不变的特征检索方法对卫星几何特征进行编码,并在姿态数据库中进行最小距离匹配,最终估计出空间目标的三维姿态。实验结果验证了本文姿态估计方法的有效性和准确性。     

自适应抗差Kalman滤波在多天线原始观测值瞬时姿态确定中的应用

由载波相位观测值直接解算姿态能实现观测及姿态约束信息的最优利用。本文推导了基于失准角及乘性误差四元数的载波相位观测模型,分别建立了有外部角速度传感器和无外部传感器辅助下姿态参数估计的状态模型;利用自适应抗差滤波估计姿态误差,借鉴分类自适应因子的思想,分别确定模糊度和姿态误差参数的自适应因子,其中姿态自适应因子由Ratio值构造的三段函数确定。自适应抗差滤波能够充分利用约束信息和历史信息,将其融合在浮点解计算过程中,极大提高模糊度浮点解精度及其协方差的结构,在此基础上使用整数最小二乘模糊度降相关平差法(least-squares ambiguity decorrelation adjustment,LAMBDA)方法即能快速搜索出固定解,满足实时性需求。采用实测舰载GNSS 3天线测姿算例对方法进行了验证,结果表明,基于自适应抗差滤波的观测值直接定姿方法效率高、可靠性好。     

顾及姿态线性误差的微小卫星面阵影像在轨几何检校

微小卫星由于平台体积、重量、能源等限制,其上搭载的姿态、位置测量设备精度不高,导致其直接对地定位误差较大。通过对某微小卫星嵩山地区的多景面阵影像进行姿态角常差检校,发现姿态角系统误差随时间线性变化的规律。为了提高定位精度,本文提出一种针对面阵的顾及姿态线性误差的偏置矩阵和二维探元指向角几何检校模型。相对于传统的姿态角常差检校模型,本文方法考虑了姿态角系统误差随时间线性变化的规律。试验结果表明,经过内外方位元素检校后,卫星的定位精度从数十千米提升到十米以内,相对于传统的常差模型,本文提出的检校模型有效地消除了姿态随时间线性变化的系统误差。     

融合局部形变模型的鲁棒性人脸识别

将测试图像看成是人脸库的线性组合,并用形变模型表示,优化匹配求解组合系数,根据系数的稀疏性进行分类识别。为了进一步提高算法的鲁棒性,采用了分片加权的策略。在公用的人脸数据库上进行广泛的实验,结果表明,平均识别率达到97%以上,在遮挡30%时其识别率仍达到95%以上。本方法对人脸识别问题非常有效,且可以显著提高对伪装、遮挡变化的鲁棒性和稳定性。     

SVD和DCT提取特征向量的方法在人脸识别中的比较

采用奇异值分解和2D离散余弦变换两种方法得到的特征，分别在嵌入式隐马尔可夫模型的人脸识别中进行比较．得出奇异值分解比2D离散余弦变换在识别率上和时间复杂度上部较差的结果。通过对结果进行分析得出，虽然奇异值分解有很多优良的特性．但是在模式识别中仅使用奇异值分解来提取特征并不是很好的方法。     

车载全景序列影像的位姿估计优化方法

针对车载全景序列影像的位姿估计问题,该文提出了一种基于角元素和线元素的位姿估计优化方法。根据全景多视几何关系,建立了角元素和线元素多视约束的优化模型,并推导完成模型的位姿求解方法。然后作为初始外方位元素,加入稀疏GPS/INS的相机控制数据约束,采用全景球模型的稀疏光束法平差对位姿估计结果进一步优化。实验选择IP-S2车载移动测量系统获取的全景序列影像,对比分析单视图、全景视图的连续位姿估计、本文方法和GPS/INS控制数据。实验结果表明,该文方法可提高位姿估计的精度,并减少连续位姿估计产生的累计误差。     

Data field for mining big data

Abstract

Big data is a highlighted challenge for many fields with the rapid expansion of large-volume, complex, and fast-growing sources of data. Mining from big data is required for exploring the essence of data and providing meaningful information. To this end, we have previously introduced the theory of physical field to explore relations between objects in data space and proposed a framework of data field to discover the underlying distribution of big data. This paper concerns an overview of big data mining by the use of data field. It mainly discusses the theory of data field and different aspects of applications including feature selection for high-dimensional data, clustering, and the recognition of facial expression in human–computer interaction. In these applications, data field is employed to capture the intrinsic distribution of data objects for selecting meaningful features, fast clustering, and describing variation of facial expression. It is expected that our contributions would help overcome the problems in accordance with big data.     

一种基于多维正交判别子空间投影的人脸识别方法

人脸识别中,传统数据降维方法将人脸图像重排列成向量后进行处理,丢失了数据本身的结构特性,导致识别精度不高。本文发展了一种基于张量的数据降维方法———多维正交判别子空间投影。该算法直接用张量描述人脸,并通过张量到矢量投影(tensortovectorprojection,TVP)将张量数据投影到向量判别子空间。此方法寻找相互正交的投影向量集,使得判别子空间中数据类间离散度最大,同时类内离散度最小;进而利用TVP投影将高维张量数据映射成低维向量数据,在合适的约束条件下,这些降维后的向量特征数据是整个人脸数据中最具代表性的特征数据;最后,使用k最近邻(KNN)分类器将这些特征数据分类。利用经典人脸数据库ORL进行实验,验证了本文方法的有效性。