基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法(一)技術(shù)領(lǐng)域：本發(fā)明涉及一種基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法，尤其是提出一種基于高斯過程隱變量模型(GaussianProcessingLatentVariableModel)的趨勢一致高斯過程隱變量模型(tendencyconsistent-GaussianProcessingLatentVariableModel)并應(yīng)用于提取面部運(yùn)動(dòng)序列中獨(dú)立于身份信息的運(yùn)動(dòng)信息，屬于圖像處理，模式識別領(lǐng)域。(二)

背景技術(shù)：
：如何賦予機(jī)器識別面部運(yùn)動(dòng)的能力，使面部運(yùn)動(dòng)作為機(jī)器的另一種輸入模態(tài)，從而輔助機(jī)器理解人類的意圖，更好的為人類服務(wù)是現(xiàn)今面部分析的主要任務(wù)。隨著圖像序列分析的發(fā)展，蘊(yùn)含于幀間的序列信息被引入面部分析中，結(jié)合幀間信息的動(dòng)態(tài)圖像序列分析擴(kuò)充了面部分析的信息量。但人類的面部運(yùn)動(dòng)序列不僅僅包含運(yùn)動(dòng)信息，還包括其它信息分量，如光照信息，拍攝的角度信息以及身份信息對面部運(yùn)動(dòng)模式分析的準(zhǔn)確性造成影響，特別是身份信息已經(jīng)成為制約后續(xù)識別率的主要因素?，F(xiàn)有的技術(shù)并為考慮面部運(yùn)動(dòng)的非線性特性，利用雙線性模型對其它因素進(jìn)行分離，雖然已取得一定的進(jìn)展，但分離的效果依然有待改進(jìn)。并且面部運(yùn)動(dòng)數(shù)據(jù)的維數(shù)較高，容易引起“維數(shù)災(zāi)難”。近年來，隨著感知心理學(xué)以及機(jī)器視覺的發(fā)展，研究者意識到面部運(yùn)動(dòng)具有非線性，面部的變化分布在一個(gè)低維的非線性流形中，現(xiàn)有的線性分析方法存在先天缺陷。目前，雖然一些非線性流形學(xué)習(xí)方法被應(yīng)用于面部分析中，但大多沒有考慮面其它因素，特別是身份信息對運(yùn)動(dòng)信息提取的影響，沒有根據(jù)面部分析的需要對該方法進(jìn)行修正。因此，設(shè)計(jì)一種基于面部運(yùn)動(dòng)特點(diǎn)的流形學(xué)習(xí)方法分析面部運(yùn)動(dòng)，盡量降低身份信息對運(yùn)動(dòng)信息提取的結(jié)果，對機(jī)器學(xué)習(xí)以及模式識別的發(fā)展具有重要意義。(三)

技術(shù)實(shí)現(xiàn)要素：
：本發(fā)明的目的是：①改進(jìn)高斯過程隱變量模型，通過在求解最優(yōu)值的過程中加入趨勢一致限制條件，提出一種趨勢一致高斯過程隱變量模型，使該模型在保留低維信息變化趨勢的前提下降低其他因素的影響。②應(yīng)用改進(jìn)的高斯過程隱變量模型，即趨勢一致高斯過程隱變量模型提取不同身份表演者共同的面部運(yùn)動(dòng)信息，降低甚至消除身份信息的影響。本發(fā)明一種基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法；包括提出一種基于高斯過程隱變量模型的趨勢一致高斯過程隱變量模型及應(yīng)用該模型提取與身份無關(guān)的面部運(yùn)動(dòng)信息兩個(gè)部分，其中：基于高斯過程隱變量模型(GaussianProcessingLatentVariableModel)的趨勢一致高斯過程隱變量模型是：通過在高斯過程隱變量模型中引入序列的馬爾可夫性以及在所構(gòu)建的最優(yōu)化目標(biāo)函數(shù)中加入趨勢一致限制條件，構(gòu)成趨勢一致高斯過程隱變量模型的目標(biāo)函數(shù)，使該模型在提取兩組序列中運(yùn)動(dòng)信息時(shí)，降低其它因素的影響。采用趨勢一致高斯過程隱變量模型(tendencyconsistent-GaussianProcessingLatentVariableModel)的面部運(yùn)動(dòng)信息提取是：針對面部運(yùn)動(dòng)分布在非線性流形中的特點(diǎn)，采用趨勢一致高斯過程隱變量模型對面部運(yùn)動(dòng)數(shù)據(jù)進(jìn)行維數(shù)約減，用較低的維數(shù)反映面部運(yùn)動(dòng)信息的同時(shí)，降低身份信息的影響，并描述由平靜變化到6種面部表情：喜悅、驚訝、厭惡、悲傷、憤怒、恐懼的運(yùn)動(dòng)序列數(shù)據(jù)，避免由于維數(shù)過高引起的“維數(shù)災(zāi)難”。本發(fā)明一種基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法，其中基于高斯過程隱變量模型的趨勢一致高斯過程隱變量模型通過加入趨勢一致限制條件改進(jìn)高斯過程隱變量模型，圖1為該模型結(jié)構(gòu)圖，其具體步驟為：假設(shè)Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}為兩組由高維向量組成的序列，XY和XZ分別為對應(yīng)Y以及Z的低維隱變量序列。步驟1：分別構(gòu)造求解基于馬爾可夫假設(shè)的低維隱變量序列目標(biāo)函數(shù)：E(Y,XY)，E(Z,XZ)，令總的目標(biāo)函數(shù)為通過最小化目標(biāo)函數(shù)求解對應(yīng)的隱變量序列XY和XZ；步驟2：構(gòu)造趨勢一致高斯過程隱變量模型目標(biāo)函數(shù)其中Γ(XY,XZ)為趨勢一致限制條件，Γ(XY,XZ)包含兩種約束，其一保證隱變量序列的變化趨勢盡量相同，其二保證兩組隱變量序列的起始位置盡量接近。本發(fā)明一種基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法，采用趨勢一致高斯過程隱變量模型(tendencyconsistent-GaussianProcessingLatentVariableModel)的面部運(yùn)動(dòng)信息提取將不同表演者的面部運(yùn)動(dòng)序列作為高維序列，提取不同身份表演者相同面部表情序列中相似的運(yùn)動(dòng)信息。假設(shè)Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}為兩組不同表演者的面部序列，yi，zi為面部特征點(diǎn)坐標(biāo)構(gòu)成的高維向量，面部特征點(diǎn)分布如圖2所示，XY和XZ分別為對應(yīng)Y以及Z的低維隱變量序列。步驟1：為避免得到局部極小值，采用主成分分析方法(PCA)得到趨勢一致高斯過程隱變量模型目標(biāo)函數(shù)的初始值，即對Y和Z分別進(jìn)行PCA分析得到目標(biāo)函數(shù)的初始值和步驟2：采用尺度共軛梯度法(ScaledConjugateGradient)以Y，Z，和作為初始值求解隱變量，得到對應(yīng)面部運(yùn)動(dòng)軌跡的低維隱變量序列。本發(fā)明一種基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法，其優(yōu)點(diǎn)和積極效果在于：1.采用高斯過程隱變量模型對面部運(yùn)動(dòng)數(shù)據(jù)進(jìn)行維數(shù)約減符合面部運(yùn)動(dòng)分布在非線性流形中這一特點(diǎn)。2.改進(jìn)高斯過程隱變量模型，即趨勢一致高斯過程隱變量模型，賦予該模型提取與身份信息無關(guān)的運(yùn)動(dòng)信息的能力，同時(shí)保留由于面部運(yùn)動(dòng)幅度不同產(chǎn)生的隱空間序列變化范圍差異。附圖說明：圖1趨勢一致高斯過程隱變量模型示意圖圖2面部特征點(diǎn)位置示意圖(五)具體實(shí)施方式：本發(fā)明一種基于趨勢一致高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取方法；包括提出一種基于高斯過程隱變量模型的趨勢一致高斯過程隱變量模型及應(yīng)用該模型提取與身份無關(guān)的面部運(yùn)動(dòng)信息兩個(gè)部分；其中：一、關(guān)于趨勢一致高斯過程隱變量模型，其求解步驟如下：假設(shè)Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}為兩組由高維向量組成的序列，yi,zi∈RD，i＝1,2,...N，和分別為對應(yīng)Y以及Z的低維隱變量序列，步驟1：分別構(gòu)造求解基于馬爾可夫假設(shè)的低維隱變量序列目標(biāo)函數(shù)：E(Y,XY)，E(Z,XZ)：KY,KZ,為核矩陣，設(shè)(KL)ij為KL的i行j列元素，L代表Y，Z，XY或XZ，趨勢一致高斯過程隱變量模型采用RBF函數(shù)構(gòu)造核矩陣，Xn:m＝[Xn,Xn+1,...,Xm]T。令總的目標(biāo)函數(shù)為通過最小化目標(biāo)函數(shù)求解對應(yīng)的隱變量序列XY和XZ，使后驗(yàn)概率p(Y,Z|XYXZ)最大；步驟2：構(gòu)造趨勢一致高斯過程隱變量模型目標(biāo)函數(shù)其中Γ(XY,XZ)為趨勢一致限制條件，使Γ(XY,XZ)最大化包含兩種約束：γ1保證隱變量序列的變化趨勢盡量相同，γ2保證兩組隱變量序列的起始位置盡量接近，其中：由于后續(xù)方法需要對趨勢一致條件做求導(dǎo)運(yùn)算，將趨勢一致條件改寫為矩陣形式：P,Q為平衡各個(gè)參數(shù)數(shù)量級的常量。二、基于趨勢一致的高斯過程隱變量模型的面部運(yùn)動(dòng)信息提取，其步驟如下：假設(shè)Y＝{y1,y2,...yN}，Z＝{z1,z2,...zN}為兩組不同表演者的面部序列，yi，zi為面部特征點(diǎn)坐標(biāo)構(gòu)成的高維向量，XY和XZ分別為對應(yīng)Y及Z的低維隱變量序列。步驟1：為避免得到局部極小值，采用主成分分析方法(PCA)得到趨勢一致高斯過程隱變量模型目標(biāo)函數(shù)的初始值，即對Y和Z分別進(jìn)行PCA分析得到目標(biāo)函數(shù)的初始值和且和與XY和XZ具有相同的維度參數(shù)；步驟2：采用尺度共軛梯度法(ScaledConjugateGradient)以Y，Z，和作為初始值求解隱變量，得到對應(yīng)面部運(yùn)動(dòng)軌跡的低維隱變量序列。即設(shè)計(jì)算及求解時(shí)采用首先固定XY求解并令再固定XZ求解更新XY的值，迭代計(jì)算XY及XZ直至滿足收斂條件或達(dá)到最大迭代次數(shù)。