[发明专利]一种基于特征选择的视觉映射方法

权利要求书

1.一种基于特征选择的视觉映射方法，该方法包括：

步骤1：采集针对某视觉映射问题的N幅图像，同时记录目标值下标n表示第n幅图像对应的姿态；以头部姿态估计为例，采集的N幅图像为不同姿态的头部图像，目标值y_n为对应的头部姿态角度，H表示目标值的维数；

步骤2：对采集的图像进行彩色图像转灰度图像的处理，若采集图像已经为灰度图像则无需在进行转化处理；

步骤3：将输入图像的头部区域图像归一化为固定大小的图像，对每一幅输入图像提取梯度方向直方图特征；

步骤4：将所有的N幅图像对应的梯度方向直方图特征向量在列方向上，按顺序排列可以得到输入数据矩阵X，即X＝[x₁，x₂，...，x_N]；

步骤5：将N幅图像对应的目标值向量在列方向上按顺序排列为数据矩阵Y，即Y＝[y₁，y₂，...，y_N]；

步骤6：假设在视觉映射问题中，所有输入特征和输出姿态联合服从混合高斯分布p(x_n，y_n|Θ)，各高斯分布中心、协方差和混合系数，分别用符号μ_k，∑_k和π_k表示，其中下角标k表示第k个高斯分布，k＝1，2，...K；

同时，假设在已知{x_n，y_n}属于某一高斯的条件下，它们之间存在线性回归关系，回归关系由回归矩阵A_k，偏差b_k，和噪声方差水平γ决定，

其中为隐变量，决定第n个观测样本{x_n，y_n}属于哪一个高斯；根据上述假设，可以输入数据和输出数据之间存在混合回归关系，I_H表示有H个对角线元素的单位矩阵；用符号Θ表示此混合回归模型中的所有参数，即：Θ＝{μ_k，Σ_k，π_k，A_k，b_k，γ}

由上述假设可以推断输入梯度方向直方图特征也分别服从混合高斯分布，即：

其中表示输入特征的各高斯分布中心和协方差；由输入和输出之间的线性关系，可知：

${\mathrm{\μ}}_k=\left(\begin{array}{c}{\mathrm{\μ}}_k^x\\ A_k^T{\mathrm{\μ}}_k^x+b_k\end{array}\right),{\mathrm{\Σ}}_k=\left(\begin{array}{cc}{\mathrm{\Σ}}_k^x& {\mathrm{\Σ}}_k^x{A}_k\\ A_k^T{\mathrm{\Σ}}_k^x& A_k^T{\mathrm{\Σ}}_k^x{A}_k+{\mathrm{\γI}}_H\end{array}\right)$

步骤7：为了在进行高混合回归的同时进行输入图像特征选择，假设第k个回归参数矩阵向量化为可以构成总体回归参数矩阵D×H表示回归参数矩阵的维数；回归矩阵的每一行用符号表示，其中i＝1，...，HD；假设aⁱ服从均值为0方差水平为τ的先验正态分布，得到：

步骤8：根据步骤6和步骤7对回归参数Θ的先验假设，给定输入数据矩阵X和输出数据矩阵Y时的联合后验概率分布为：

ln p(Θ|X，Y)∝ln p(X，Y|Θ)+ln p(Θ)

将参数步骤7中的先验分布p(Θ)和步骤6中的似然函数ln p(X，Y|Θ)的具体表达式代入到上式中，可以得到参数Θ的后验分布为：

τI_K代表协方差矩阵；

步骤9：为了求解步骤8中的参数Θ，我们采用EM算法进行参数优化；

步骤10：计算步骤9中的EM算法，直到收敛；

步骤11：计算输入图像特征x_t属于某一高斯分布的条件下，对应的目标值并利用步骤8中求得的概率加权平均，得到最后目标估计值，