多流形数据建模及其在头部姿势估计中的应用研究

本项目拟研究多流形数据建模及其在头部姿势估计中的应用，主要研究内容包括在稀疏样本情况下如何融合数据划分和流形嵌入来建模多流形数据；如何引入半监督学习思想方法结合生成模型和距离度量学习方法研究交叉流形数据的划分及其多流形嵌入；研究稀疏化表示方法融入基于多流形建模的头部姿势估计方法。通过研究稀疏样本下的多流形数据建模来部分解决姿态估计的维数灾难问题；通过研究引入半监督等思想方法来增强多流形数据建模的鲁棒性；通过引入稀疏化表示方法来提高多种环境中头部姿态估计的准确性。多流形数据建模可揭示数据的潜在空间分布规律，姿态估计对智能地理解人的行为动作，实现更加自然和随意的人机交互有重要意义。

多流形数据建模可揭示数据的潜在空间分布规律，为解决多流形结构等复杂的数据，我们从头部姿势估计问题出发提出了几种多流形数据建模方法。主要工作和创新点包括以下几个方面：..1. 研究了在稀疏样本情况下的多流形建模方法，提出了基于组稀疏性和非负性矩阵分解的多流形数据建模方法：使用L1/L2正则化方法来对矩阵分解的系数矩阵H进行列的组稀疏约束，可得到由多个流形投影矩阵组成的基矩阵W。我们设计了组稀疏非负矩阵分解（Group Sparse Non-negative Matrix Factorization，GSNMF）算法。通过组稀疏和非负矩阵分解把数据空间建模为多流形空间，其中每一流形属于一个类别。对于任意测试图像，可以使用学习到的多流形投影矩阵的线性组合来表示，其得到的表示具有自然的组稀疏特性：仅其对应的相同类别的系数为非零。通过研究稀疏样本下的多流形数据建模来可部分地处理姿态估计的维数灾难问题；..2. 引入了半监督学习思想方法结合距离度量学习方法来建模多流形，提出了一种流形嵌入方法来寻找头部姿势变化的低维流形，设计了一个不依赖于身份的头部姿势估计器。该方法在低维流形空间中可以提供较好的类内紧缩性及类间分离性。通过研究引入半监督等思想方法来增强了多流形数据建模的鲁棒性；..3. 在研究基于视频的人体头部姿态分析中，为有效解决头部跟踪鲁棒性较差、头部姿势估计准确性较差的问题，设计了融合这两个过程的头部跟踪与姿势估计的算法。头部跟踪算法采用在线特征学习的跟踪算法，并且融入了头部姿势估计信息，头部姿势估计采用多流形建模方法进行姿态估计。实验结果说明：该算法很好地提高了在多种环境中头部姿态估计的准确性。