[发明专利]一种针对视觉映射的稀疏高斯过程回归方法

说明书

本专利提出了一种带有特征选择性能的高斯过程回归方法，解决了利用高斯过程回归解决视觉映射问题时存在特征输入维数过高和特征冗余的问题。该方法首先假设分布参数中与特征权重有关的参数满足拉普拉斯先验分布；接着再通过最大后验概率估计方法估计参数，这样使得与特征相关的权重存在稀疏性，即特征选择性；之后通过求解稀疏问题得到回归参数。当对新样本视觉估计时，直接利用稀疏回归参数进行特征选择并得到估计目标值。该方法简单有效，具有良好的性能。

技术领域

本发明属于计算机视觉技术领域，涉及视觉映射技术，主要应用于头部姿态估计，视线跟踪和年龄估计等视觉估计问题中。

背景技术

在计算机视觉中，视觉映射是指学习输入图像特征与输出变量之间映射函数的过程，以便在输入新图像时，估计该输入图像对应的目标输出值。具体来讲，视觉映射包括：人体姿态估计、头部姿态估计、视线估计和物体跟踪等。详见参考文献：O.Williams,A.Blake,and R.Cipolla,Sparse and Semi-Supervised Visual Mapping with the S3GP,in IEEEConference Computer on Computer Vision and Pattern Recognition,pp.230-237,2006.

作为计算机视觉的一个重要分支，视觉映射改变了许多场合下由人逐一根据图像内容估计目标输出的情况。取而代之，由计算机根据输入图像内容，通过已有视觉映射函数预测输出，从而实现由摄像机和电脑代替人眼和大脑对图像进行全自动分析和估计。目前，该技术已开始被应用于与人们生活密切相关的多个产业。其中，头部姿态估计被应用于汽车安全驾驶产业，视线估计和人体姿态估计被应用于智能人机接口及游戏产业，物体跟踪被应用于智能交通等产业，人体姿态估计被应用于人机交互领域。相信随着计算机硬件处理能力的不断提高和视觉映射中关键技术问题的逐步解决，其应用前景将更加广阔。

视觉映射问题实质是一个非线性映射拟合问题，解决该问题高斯过程回归模型被证实为一种有效的方法。它无需假设视觉特征和目标值之间满足某种具体的映射函数关系，而只是假设目标值的分布与输入特征分布相关，因此灵活性强。而现有的解决视觉映射问题的高斯过程方法通常没有特征选择功能，过于高维的输入特征常常会造成过拟合问题。参考文献：Christopher M.Bishop,Pattern Recognition and Machine Learning,Springer,2006。

发明内容

本专利针对此问题提出了一种基于特征选择的高斯过程回归方法，该方法直接对输入图像特征进行选择，并且选择的特征是最适合后续目标值估计的，这样有助于提高视觉映射的总体估计性能。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：视觉映射。对图像提取视觉特征，并将视觉特征映射到对应的目标值(见图1)。例如：头部姿态估计是一个视觉映射问题，对包含头部的图像提取梯度方向直方图特征，并将该特征映射到姿态角度。

定义2：梯度方向直方图特征。利用像素强度梯度或边缘的方向分布描述一幅图像中的物体的表象和形状的视觉特征提取方法。其实现方法先将图像分成小的叫做方格单元的连通区域；然后采集方格单元中各像素点的梯度方向或边缘方向直方图；最后把这些直方图组合起来就可以构成特征描述子。为了提高精确度，还可以把这些局部直方图在图像的更大的区间(block)中进行对比度归一化(contrast-normalized)，此方法通过先计算各直方图在这个区间(block)中的密度，然后根据这个密度值对区间中的各个方格单元做归一化。通过该归一化能对光照变化和阴影有更强的鲁棒性。

定义7：回归函数。由未知参数构成的与输入变量有关的函数，用于估计输出值。