参数化统计新模型及其在图像特征抽取中的应用研究

本课题主要研究参数化统计模型中的主动形状（ASM）、主动表观(AAM)和ASM与AAM的联合新模型的理论和方法上，它是ASM和AAM理论和方法的进一步延伸和发展。主要包括5个方面的研究内容：（1）研究ASM、AAM和ASM+AAM三种模型的理论和方法；（2）从不同角度提出改进的ASM、AAM和ASM+AAM理论与方法；（3）提出基于双线性因素分解的相对ASM+AAM联合模型理论和方法，并将这一新模型利用核方法推广到非线性情形；（4）提出基于张量（Tensor）的ASM+AAM联合模型理论和方法；（5）在上述研究的基础上，在多个国际知名的图像库和我校数字化纺织系统中获取的图像库上进行包括人脸、医学图像和纺织品图像等的图像分析和识别实验研究。. 该研究不仅对提高图像分析和识别水平有重要意义，而且课题研究中提出的一些新思想和新方法无疑将丰富模式识别与计算机视觉的研究内容。

本课题研究了模式识别和计算机视觉领域两种重要的参数化统计模型：主动形状模型（Active Shape Model, ASM）和主动表观模型 (Active Appearance Model, AAM)，及其在图像特征抽取中的若干应用。针对模型对齐精度低、受姿态、光照和表情影响较大等问题，提出了一系列解决方案，并在多个国际主流的人脸数据库（ORL，Yale-B，Weizmann，XM2VTS，PIE，Multi-PIE）上进行了测试。主要研究成果有：（1）详细研究了经典的ASM和AAM算法，主要包括模型建立和模型匹配两个方面，并独立开发了相关的软件；（2）对经典的ASM、AAM及其若干改进模型进行了测试，深入研究了模型本身和模型对齐中的理论基础和存在的不足；（3）在上述研究的基础之上提出了若干优化的ASM和AAM模型以及相应的模型匹配算法；（4）在张量分解的基础上，研究了存在缺失训练样本的情况下如何建立的AAM模型的方法，并提出了一种新的多模型融合的理论框架，通过在Multi-PIE人脸数据库上进行测试验证了该算法的有效性。此外，课题组还在模式识别和人工智能的许多相关领域取得了极大的进展，如传统的子空间学习方法、图像融和、目标跟踪、智能优化算法、生物信息学以及人脸识别等。.. 在项目开展的过程中，课题组特别重视学术交流和同国内外相关研究机构建立合作关系。迄今为止，课题组已和国内外数十所高校、实验室以及公司建立了良好的合作关系和互访机制。课题组积极参加相关研究领域的国内外会议，并取得了较好的效果。本项目研究期间，课题组成员都在一定程度上大大提高了自身的学术水平，并培养了一大批博士和硕士研究生。同时，课题组的研究成果也得到了大力推广和应用，获得了多项省部级和市级奖项，并申请了一系列的专利。.. 综上所述，在国家自然科学基金和相关单位的大力支持下，本项目获得了圆满的成功。