导读:本文包含了主动表观模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:表观,模型,主动,特征,流形,形状,稀疏。
主动表观模型论文文献综述
魏爽[1]（2018）在《结构化特征融合的主动表观模型》一文中研究指出文中提出了一种基于结构化特征融合的主动表观模型(Active Appearance Model,AAM)匹配算法。为了增强主动表观模型匹配算法的泛化能力和精度,尤其是其对于人脸表观细节处的处理,本文将形状相关的局部特征描述子和全局纹理信息进行融合,并进一步将其应用到基于回归模型的主动表观模型匹配算法中。通过在XM2VTS和Bio ID人脸数据库上进行测试表明,本文算法比传统的主动表观模型匹配算法的误降低了15%左右。(本文来源于《电子设计工程》期刊2018年02期）
鹿宏青,李锦涛[2]（2016）在《基于主动表观模型的人脸特征点自动标定》一文中研究指出主动表观模型是一种具有高精度和强鲁棒性的特征点标定算法。本文主要研究了主动表观模型在人脸图像特征点自动标定方向的应用,并通过MATLAB工具对目标人脸图像进行了特征点自动标定实验。实验结果证明主动表观模型是一种有效的特征点标定算法。(本文来源于《电子技术与软件工程》期刊2016年01期）
费博雯,刘万军,邵良杉,刘大千,孙虎[3]（2015）在《基于主动表观模型的稀疏聚类人脸识别算法》一文中研究指出在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下,原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题,提出一种基于主动表观模型的稀疏聚类(CS-AAM)人脸识别算法。首先,利用主动表观模型快速、准确地对人脸特征点进行定位,获取主要人脸信息;然后,对训练样本进行K-means聚类,将相似程度高的图像分为一类,计算聚类中心,将该中心作为原子构造过完备字典并进行稀疏分解;最后,计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和Extended Yale B人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试,在相同样本数或相同维数情况下CS-AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时,相同维数条件下CS-AAM算法识别率为95.2%;在Extended Yale B人脸库上选取样本数为600时,CSAAM算法识别率为96.8%。实验结果表明,该算法能够有效地提高人脸图像的识别准确率。(本文来源于《计算机应用》期刊2015年07期）
左龙[4]（2015）在《基于主动表观模型的多姿态人脸合成研究与应用》一文中研究指出人脸合成属于模式识别和计算机视觉的交叉学科,具有重要的科学意义；该技术在的安全防范、视频会议、人机交互等方面的巨大应用前景。然而,自然人脸图像因受多种因素的影响具有很强的模式多样性,多姿态的人脸合成通常是实现多姿态人脸识别的前提和关键步骤,由此本文着重研究多姿态人脸图像的合成,将多姿态的人脸识别转化为单姿态的人脸识别。不同姿态下的人脸外观有显着的差异,使得人脸合成富有挑战性,本文着重研究这种差异,利用如下方法来实现多姿态的人脸合成。本文的主要成果为：1.对主动表观模型(Active Appearance Model, AAM)进行了研究。主动表观模型可以用来处理人脸特征点标定,识别与匹配。鉴于其强大的功能,该算法被广泛应用于计算机视觉领域。2.提出一种基于LLE算法思想的合成方法。利用主动表观模型将人脸的形状和纹理分开,分别研究它们在视角间存在的差异性,进而通过形状和纹理的分别合成来实现多姿态的人脸合成。针对人脸形状和纹理的合成,本文借鉴了局部线性嵌入的思想,找出要合成人脸纹理信息的近邻,通过这些纹理信息近邻的加权组合来合成不同姿态下的人脸。3.提出一种基于姿态流形的合成方法。针对不同人的多姿态人脸间姿态信息的共享性,本文研究了多姿态人脸的视角流形；利用视角流形,结合AAM、线性仿射变换,实现了多姿态的人脸合成。最后本文给出了多姿态人脸合成的实验结果,验证了本文提出的方法的有效性；并通过图像质量评价与人脸匹配结果比较了上述两种合成方法的性能。(本文来源于《西安电子科技大学》期刊2015-03-01）
徐顺[5]（2014）在《主动表观模型在情感识别中的应用研究》一文中研究指出面部情感是人工心理领域的一个研究课题,在理论研究和实际应用领域都有潜在应用价值,本文围绕面部情感识别课题的关键技术,介绍目前国内外发展现状,分析人脸表情特征提取和表情分类的主流方法,简单说明了目前广泛使用的人脸数据库。首先,为了减少噪声对表情识别结果带来的影响,提取更加有效的人脸表情,需要对人脸表情图像进行预处理。检测出人脸后利用边缘图中像素灰度信息对人眼中心进行定位,依据两眼距离对图像进行归一化,包括尺寸归一化和旋转归一化。最后使用直方图均衡化规范化图像的灰度。其次,由于ASM对人脸轮廓特征点定位较准确,而AAM在人脸内部关键点定位中表现出优良的性能但精确性有些不足,因此,本文使用基于Gabor纹理特征表示的AAM方法实现人脸表情特征提取。同时,为了提高算法的匹配速度,将图形相关信息加入到度量函数中,代替传统的马氏距离判断算法是否收敛。第叁,由于人脸表情识别属于小样本非线性分类问题,这正好符合了支持向量机(SVM)的优势,SVM是一种两类分类器,在统计学习理论的基础上发展起来,为了实现对人类六种基本表情进行识别,本文使用一对一组合的思想构建由多个SVM组成的表情分类器。最后,在算法设计的基础上,使用C++语言实现一个简单的人脸表情识别系统,并使用自选人脸表情图像作为实验对象,来检验系统对表情识别准确率和系统的健壮性。在特征提取方面,使用的基于Gabor纹理的AAM较原始的ASM和AAM,速度分别提高了23%和17%,准确度分别提高了14%和6%。在表情识别方面,采用一对一组合策略的SVM,对JAFFE数据库中的图像进行与人无关和与人相关的实验,识别率分别达到88.1%和92.4%。最后对整体系统的测试识别率接近与人相关的表情识别的实验结果,视频流的识别实时性能在允许误差范围内。(本文来源于《西安工业大学》期刊2014-04-01）
王长元,徐顺[6]（2014）在《主动表观模型在人脸特征提取中的应用》一文中研究指出面部情感作为人工心理领域的一个重要研究课题,有着潜在的理论研究价值和实际应用价值,本文将围绕人脸表情识别课题中的特征提取关键技术,分析特征提取的主流方法。ASM在人脸轮廓特征点定位方面有较高的准确率,而AAM在人脸内部关键点的定位中有着优良的性能,结合两种算法对人脸表情特征提取,将等到更好的效果。(本文来源于《电子测试》期刊2014年06期）
黄飞,谭守标[7]（2015）在《基于改进主动表观模型算法的人脸特征定位》一文中研究指出人脸特征点的精确定位一直是人脸图像处理的重要研究内容,特征点定位精确与否直接影响后续工作结果的好坏。在基于反向组合AAM(Active Appearance Models)人脸特征点定位算法的基础上,提出结合特征点局部纹理模型来对AAM初始形状参数做最优化以及对AAM匹配模板升级的改进。改进的算法采用特征点局部纹理模型和AAM全局纹理模型结合的方法来最优化AAM初始形状参数,并在此前提下对AAM匹配模板进行升级,使其更接近待匹配图像的信息。在精确的匹配模板和优化的初始形状参数下,匹配的最终精度会得到提升。实验和理论证明,改进后的算法比传统反向组合AAM算法以及现有改进的PAAM(Progressive AAM)算法以及简单的结合ASM和AAM的改进算法都有更好的特征点定位精度。(本文来源于《计算机工程与应用》期刊2015年16期）
赵恒,俞鹏[8]（2013）在《基于主动表观模型姿态矫正和局部加权匹配人脸识别》一文中研究指出非约束环境下,光照、姿态、表情、遮挡等复杂背景因素给人脸识别带来严重影响。提出一种基于AAM(active appearance model)的图像对齐和局部匹配人脸识别算法,使之能够增强人脸识别算法对姿态、表情变化的鲁棒性。AAM能够快速准确地定位人脸的特征点,进而将图像扭转到一个标准正面人脸模型中。接着,提出一种新的基于信息熵的Gabor jet加权方法用于提高人脸识别率;并且对Borda count分类器组合方法进行了改进,认为在投票过程中为其设置阈值来排除"噪声"的干扰可以提高识别率。通过与多种人脸识别方法的实验结果比较表明,使用AAM矫正图像后,联合熵加权Gabor方法和加阈值Borda能够取得比单独使用更好的成绩。(本文来源于《中国图象图形学报》期刊2013年12期）
佟磊,赵晖[9]（2013）在《基于强跟踪滤波器预测的主动表观模型人脸特征点跟踪》一文中研究指出利用主动表观模型(AAM)可以对视频序列中人脸进行特征点定位,当目标对象与初始位置偏离过大时,就会使拟合过程陷入局部最小,使迭代无法收敛到正确位置,造成定位失败。针对此问题,提出了一种基于强跟踪滤波器(STF)预测的AAM(STF-AAM)人脸特征点跟踪方法。首先,将视频中头部运动看成动态系统,然后利用强跟踪滤波器对其进行预测跟踪,从而找到每一帧的拟合初始位置并进行拟合运算。由于视频序列中每一帧中的拟合初始位置都能被快速找到,从而取得了比较精确、快速的跟踪结果。实验结果表明,所提方法与传统方法相比在保证拟合精度的同时,提高了算法的跟踪定位速度。(本文来源于《计算机应用》期刊2013年02期）
姜敏[10]（2012）在《基于主动表观模型的研究与改进》一文中研究指出图像目标识别是图像理解和计算机视觉领域的热点问题之一,在军用、商用、民用等诸多场合均有广泛的应用前景。而图像中目标物体的定位及图像特征的提取是计算机视觉中一项重要的工作,对后续的图像分析及图像处理有着重要的作用。在各种图像定位方法中,主动表观模型(Active Appearance Model,简称AAM)是一种准确而又高效的建模方法。这种建模方法在1998年由卡耐基梅隆大学的F.T.Cootes等人提出并被成功地运用于人脸特征点定位。由于具有扩展性好、处理速度快和特征点定位准确等优势,因此被视为人脸特征点定位方法中突出的代表,在人脸图像处理尤其是特征点定位方面得到了广泛的应用。本文介绍了AAM建模及拟合的过程,并针对AAM建模过程中的图像信息损失的现象,提出了相应的改进方法,最后将AAM应用于人脸姿态估计的工作中。首先,本文跟踪研究了AAM的拟合定位算法。该算法将AAM与反向组合的Lucas-Kanade算法相结合,一方面通过提前计算拟合中部分参量,进而减少了算法迭代过程中的计算量；另一方面,有效地利用AAM的建模能力和L-K算法的快速拟合,从而实现人脸特征点的定位与人脸的识别。通过实验可以发现,该算法可以对图像中的人脸进行比较精确的定位。其次,从保留图像信息的角度考虑,本文提出并验证了一种基于核方法的AAM拟合算法。该算法将模式识别中的核方法加入AAM建模过程,使得在对形状和纹理降维时,依然可以保留原有图像的高维信息。经过实验验证,基于核方法的AAM拟合算法可以更为精确地定位人脸。最后,本文提出将AAM应用于人脸姿态估计中,即基于AAM的岭回归姿态估计。由于考虑到在人脸姿态估计的过程中,最后实验结果的准确度会受到图像中光照,背景等干扰因素的影响,因此要对需要估计的目标图像进行预处理,即使用AAM对样本人脸图像进行归一化,消除一些与姿态无关的信息,例如一些人脸刚性的变换,从而提高人脸姿态估计的准确性。(本文来源于《扬州大学》期刊2012-04-01）
主动表观模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
主动表观模型是一种具有高精度和强鲁棒性的特征点标定算法。本文主要研究了主动表观模型在人脸图像特征点自动标定方向的应用,并通过MATLAB工具对目标人脸图像进行了特征点自动标定实验。实验结果证明主动表观模型是一种有效的特征点标定算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
主动表观模型论文参考文献
[1].魏爽.结构化特征融合的主动表观模型[J].电子设计工程.2018
[2].鹿宏青,李锦涛.基于主动表观模型的人脸特征点自动标定[J].电子技术与软件工程.2016
[3].费博雯,刘万军,邵良杉,刘大千,孙虎.基于主动表观模型的稀疏聚类人脸识别算法[J].计算机应用.2015
[4].左龙.基于主动表观模型的多姿态人脸合成研究与应用[D].西安电子科技大学.2015
[5].徐顺.主动表观模型在情感识别中的应用研究[D].西安工业大学.2014
[6].王长元,徐顺.主动表观模型在人脸特征提取中的应用[J].电子测试.2014
[7].黄飞,谭守标.基于改进主动表观模型算法的人脸特征定位[J].计算机工程与应用.2015
[8].赵恒,俞鹏.基于主动表观模型姿态矫正和局部加权匹配人脸识别[J].中国图象图形学报.2013
[9].佟磊,赵晖.基于强跟踪滤波器预测的主动表观模型人脸特征点跟踪[J].计算机应用.2013
[10].姜敏.基于主动表观模型的研究与改进[D].扬州大学.2012
论文知识图
