0

Проследяване на чертите на лицето с помощта на смес от разпределителна точка Модели

Първоначално в http://www.research.rutgers.edu/~kanaujia/Research2/Research2.html. Отидете на главната страница.

Сегашната технология е защитена от патентоването и търговията маркировка офис “Система и метод за проследяване на чертите на лицето,”, Атул Канахуя и Димитрис Метаксас, Рутгерс регистърски 07-015, за патент # 60 / 874,451 подадена декември 12 2006 Никаква част от този технология може да бъде възпроизвеждана или извежда под никаква форма без предварителното писмено разрешение на авторите.

Черти на лицето за откриване

Представяме родово рамка за проследяване форми цяла големи вариации, като се научите нелинейна форма колектор като припокриващи се, парче-мъдър линейни подпространства. Ние използваме забележителност базирани анализ форма, за да се обучават на Гаусов смес модел над изравнените форми и се научи на Параграф Разпределение модела (PDM) за всеки от компонентите на сместа. Целевата форма се търси от първия максимизиране смес плътността на вероятността за местните профилите интензивност функция по нормалата последвано от ограничаване на глобалното форма, използвайки най-вероятната PDM клъстер. Игрални Формите са категорични проследени в няколко кадъра от динамично превключване между PDMS. Нашият принос е да прилага ASM на задачата за проследяване форми, включващи широки промени аспект и генерични движения. Това се постига чрез включване форма Прайърс, че са научили през нелинейна форма пространство и да ги използвате, за да се научат на правдоподобна форма пространството. Ние показваме резултатите за проследяване на чертите на лицето и предоставя няколко емпирични резултати за валидиране на нашия подход. Нашата рамка минава близко до реалното време при 25 кадъра в секунда и може да бъде разширен, за да се предскаже представляват ъгли с помощта на смес от експерти.

Нашата родово рамка дава възможност на голям мащаб автоматизирана подготовка на различни форми от множество панорама- точки. Моделът може да се справи по-голямо количество от промените и може да се използва, за да научите нелинейна непрекъсната форма колектор.

Имало е няколко усилия в миналото, за да представляват нелинейни вариации форма на базата на ядрото PCA и многослойни перцептрон. Резултатите от нелинейни подходи в значителна степен зависят от това, дали всички вариации на формата са адекватно представени в данните за обучение. Прекъсвания на форма пространството могат да причинят тези модели, за да генерират неправдоподобни форми. Ядрени методи страдат от основен недостатък, за да научите функция предварително изображение за картографиране форма в игрален пространство към първоначалния пространство. Ние предлагаме да се използват няколко застъпващи подпространства да улови по-голяма форма вариацията срещащи се в масива от данни се дължи на пълното движение профил главата. Нашата цел е да се даде точна следите черти на лицето на територията големи ротации на главата. Приносът на нашата работа е: (1) Подобряване на спецификата на ASM да работи с големи вариации на формата, като се научите нелинейна форма колектор. (2) рамка в реално време за проследяване на форми, и (3) Изучаването нелинейности за точно прогнозиране на 3D представляват ъгли от 2D форми.

Оформете монтажни резултати върху пълния профил поза инициализира със средната предна форма. Груповият подход на базата позволява запушени забележителности точки, за да бъдат идентифицирани по време на търсенето и се игнорират при оптимизацията вероятност от отделните забележителности. Това евристично търсене дава много точна лицето подравняване за пълния профил лицето.

Sift Характеристиката Външен вид моделиране

Ние използва подобрен външен вид моделиране, използващо Sift дескриптори (Ляв) Градиент профил насрещно финансиране на повратна точка през прозорец с размер 19х19. Забележете многократната минимуми в резултат на лоша настройка на форми. (Вдясно) Sift ЕВРОВОК насрещно финансиране за същия забележителност точка.

(Топ) по лицето функция локализация използване ASM с профили на градиент. (дъно) Локализация използвайки местни описания като Sift функции. Забележете точна локализация на очните функции поради Sift описания

Проследяване на формите

Работещи ASM при всеки кадър е твърде тежко и каузи разполагат точки да нервнича силно. Следим функции, използващи Сума на квадрат разликата в интензитета (SSID) тракер през последователни кадъра. Тракера The SSID е метод за регистриране на две изображения и изчислява отместването на функцията чрез минимизиране на интензивност съвпадение разходите, изчислени на база фиксирани по размер прозорец около функцията. Над една малка движение между конструкция, модел линейна превод може да бъде точно предположи. За повърхностните интензитет на местоположението на изображението I (XI, ай, TK), тракера оценява изместване на вектора D = (δxi, δyi) от ново изображение I (XI + δx, Yi + δy, TK + 1) чрез свеждане до минимум на остатъка грешка през прозореца W около (XI, Yi)

Проследяване Резултати

Емблема за откриване – очите премигване, началник Нод и трепването за откриване – Кликнете върху снимките на клиповете, за да видите

Кимане с глава и разклащане се открива чрез признаване на схемата на движение на носа в клиповете

3D началник Поза Оценка използване черти на лицето проследяване

 

admin

Leave a Reply

Your email address will not be published. Required fields are marked *