多流形數據建模及其在頭部姿勢估計中的套用研究

《多流形數據建模及其在頭部姿勢估計中的套用研究》是依託河海大學，由劉向陽擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：多流形數據建模及其在頭部姿勢估計中的套用研究
• 項目類別：青年科學基金項目
• 項目負責人：劉向陽
• 依託單位：河海大學

項目摘要

本項目擬研究多流形數據建模及其在頭部姿勢估計中的套用，主要研究內容包括在稀疏樣本情況下如何融合數據劃分和流形嵌入來建模多流形數據；如何引入半監督學習思想方法結合生成模型和距離度量學習方法研究交叉流形數據的劃分及其多流形嵌入；研究稀疏化表示方法融入基於多流形建模的頭部姿勢估計方法。通過研究稀疏樣本下的多流形數據建模來部分解決姿態估計的維數災難問題；通過研究引入半監督等思想方法來增強多流形數據建模的魯棒性；通過引入稀疏化表示方法來提高多種環境中頭部姿態估計的準確性。多流形數據建模可揭示數據的潛在空間分布規律，姿態估計對智慧型地理解人的行為動作，實現更加自然和隨意的人機互動有重要意義。

結題摘要

多流形數據建模可揭示數據的潛在空間分布規律，為解決多流形結構等複雜的數據，我們從頭部姿勢估計問題出發提出了幾種多流形數據建模方法。主要工作和創新點包括以下幾個方面： 1. 研究了在稀疏樣本情況下的多流形建模方法，提出了基於組稀疏性和非負性矩陣分解的多流形數據建模方法：使用L1/L2正則化方法來對矩陣分解的係數矩陣H進行列的組稀疏約束，可得到由多個流形投影矩陣組成的基矩陣W。我們設計了組稀疏非負矩陣分解（Group Sparse Non-negative Matrix Factorization，GSNMF）算法。通過組稀疏和非負矩陣分解把數據空間建模為多流形空間，其中每一流形屬於一個類別。對於任意測試圖像，可以使用學習到的多流形投影矩陣的線性組合來表示，其得到的表示具有自然的組稀疏特性：僅其對應的相同類別的係數為非零。通過研究稀疏樣本下的多流形數據建模來可部分地處理姿態估計的維數災難問題； 2. 引入了半監督學習思想方法結合距離度量學習方法來建模多流形，提出了一種流形嵌入方法來尋找頭部姿勢變化的低維流形，設計了一個不依賴於身份的頭部姿勢估計器。該方法在低維流形空間中可以提供較好的類內緊縮性及類間分離性。通過研究引入半監督等思想方法來增強了多流形數據建模的魯棒性； 3. 在研究基於視頻的人體頭部姿態分析中，為有效解決頭部跟蹤魯棒性較差、頭部姿勢估計準確性較差的問題，設計了融合這兩個過程的頭部跟蹤與姿勢估計的算法。頭部跟蹤算法採用線上特徵學習的跟蹤算法，並且融入了頭部姿勢估計信息，頭部姿勢估計採用多流形建模方法進行姿態估計。實驗結果說明：該算法很好地提高了在多種環境中頭部姿態估計的準確性。