🍔 🌲 👏🏼 सक्रिय उपस्थिति मॉडल 🧑🏿‍🤝‍🧑🏿 🚴🏼 💪🏽

एक्टिव अपीयरेंस मॉडल (एएएम) छवियों के सांख्यिकीय मॉडल हैं जिन्हें विभिन्न विकृतियों के माध्यम से एक वास्तविक छवि के लिए अनुकूलित किया जा सकता है। एक दो-आयामी संस्करण में इस प्रकार का मॉडल 1998 में टिम कौट्स और क्रिस टेलर द्वारा प्रस्तावित किया गया था [1]। प्रारंभ में, चेहरे की छवियों के मापदंडों का अनुमान लगाने के लिए सक्रिय उपस्थिति मॉडल का उपयोग किया गया था, लेकिन फिर उन्हें सक्रिय रूप से अन्य क्षेत्रों में लागू किया जाने लगा, विशेष रूप से चिकित्सा में, एक्स-रे छवियों और चुंबकीय अनुनाद इमेजिंग का उपयोग करके प्राप्त छवियों के विश्लेषण में।

चित्रण का वर्णन

आकृति चेहरे की छवि के लिए सक्रिय उपस्थिति मॉडल को अपनाने का परिणाम दिखाती है। ब्लू ग्रिड मॉडल की प्रारंभिक स्थिति को दर्शाता है, और लाल एक दिखाता है कि क्या हुआ था।

यह आलेख उपस्थिति और संबंधित गणितीय उपकरण फ़ंक्शन के सक्रिय मॉडल के साथ-साथ उनके कार्यान्वयन के एक उदाहरण के बारे में संक्षिप्त विवरण पर चर्चा करता है।

सक्रिय उपस्थिति मॉडल का अवलोकन

पिछले वर्षों में, सक्रिय उपस्थिति मॉडल के गणितीय उपकरण को सक्रिय रूप से विकसित किया गया है और इसी तरह के मॉडल के निर्माण के लिए 2 दृष्टिकोणों को प्रतिष्ठित किया जा सकता है: क्लासिक (वह जो Kutes द्वारा शुरू में प्रस्तावित किया गया था) और तथाकथित उलटा रचना (2003 में मैथ्यू और बेकर द्वारा प्रस्तावित) के आधार पर [2])।

हम पहले दो दृष्टिकोणों के सामान्य भागों पर विचार करते हैं। सक्रिय उपस्थिति मॉडल में, दो प्रकार के पैरामीटर मॉडलिंग किए जाते हैं: आकार (आकार पैरामीटर) से जुड़े पैरामीटर, और सांख्यिकीय छवि मॉडल या बनावट (उपस्थिति पैरामीटर) से जुड़े पैरामीटर। उपयोग करने से पहले, मॉडल को पूर्व-चिह्नित छवियों के एक सेट पर प्रशिक्षित किया जाना चाहिए। छवियों का मार्कअप मैन्युअल रूप से या अर्ध-स्वचालित मोड में किया जाता है, जब एक एल्गोरिथ्म का उपयोग करते हुए लेबल के अनुमानित स्थान होते हैं, और फिर उन्हें एक विशेषज्ञ द्वारा परिष्कृत किया जाता है। प्रत्येक लेबल की अपनी संख्या होती है और एक विशेषता बिंदु को परिभाषित करता है जिसे मॉडल को एक नई छवि के अनुकूलन के दौरान खोजना होगा। इस तरह के मार्कअप (एक्सएम 2 वीटीएस फेस डेटाबेस) का एक उदाहरण नीचे दिए गए चित्र में दिखाया गया है।

प्रस्तुत उदाहरण में, छवि पर 68 अंक चिह्नित हैं, जो सक्रिय उपस्थिति के मॉडल का आकार बनाते हैं। यह रूप चेहरे के बाहरी समोच्च, मुंह, आंख, नाक, भौं के समोच्च को दर्शाता है। मार्कअप का यह चरित्र आपको अपनी छवि से चेहरे के विभिन्न मापदंडों को निर्धारित करने की अनुमति देता है, जिसका उपयोग अन्य एल्गोरिदम द्वारा आगे के प्रसंस्करण के लिए किया जा सकता है। उदाहरण के लिए, यह व्यक्तिगत पहचान, ऑडियो-विज़ुअल भाषण पहचान के लिए एल्गोरिदम हो सकता है, जो किसी विषय की भावनात्मक स्थिति का निर्धारण कर सकता है।

सक्रिय उपस्थिति मॉडल के लिए प्रशिक्षण प्रक्रिया सभी रूपों की स्थिति के सामान्यीकरण के साथ शुरू होती है ताकि पैमाने, ढलान और विस्थापन में अंतर की भरपाई हो सके। इसके लिए, तथाकथित सामान्यीकृत प्रोक्रिस्टोव विश्लेषण का उपयोग किया जाता है। हम यहां एक विस्तृत विवरण नहीं देंगे, और एक इच्छुक पाठक संबंधित विकिपीडिया लेख पढ़ सकता है। यह सामान्यीकरण से पहले और बाद में [3] के अनुसार बहुत सारे लेबल कैसे दिखते हैं।

सभी रूपों के सामान्य होने के बाद, उनके संघटक बिंदुओं से एक मैट्रिक्स बनता है

जहाँ

। इस मैट्रिक्स के मुख्य घटकों को उजागर करने के बाद, हम संश्लेषित रूप के लिए निम्नलिखित अभिव्यक्ति प्राप्त करते हैं:

।
यहां

- प्रशिक्षण नमूने (मूल रूप) के सभी कार्यान्वयन पर औसतन एक फॉर्म,

- प्रमुख वैक्टर के मैट्रिक्स,

- पैरामीटर बनाएं। उपरोक्त अभिव्यक्ति का अर्थ है कि रूप

को आधार फॉर्म के योग के रूप में व्यक्त किया जा सकता है

और मैट्रिक्स में निहित eigenforms का एक रैखिक संयोजन

। मापदंडों के वेक्टर को बदलना

हम इसे वास्तविक छवि में फिट करने के लिए सभी प्रकार के आकार विकृति प्राप्त कर सकते हैं। ऐसे रूप का एक उदाहरण नीचे दिखाया गया है [7]। नीले और लाल तीर मुख्य घटकों की दिशा दिखाते हैं।

यह ध्यान दिया जाना चाहिए कि कठोर के साथ सक्रिय उपस्थिति के मॉडल हैं और कठोर विरूपण नहीं है। कठोर विरूपण वाले मॉडल केवल चक्कर परिवर्तन (रोटेशन, शिफ्ट, स्केलिंग) से गुजर सकते हैं, जबकि गैर-कठोर विरूपण वाले मॉडल अन्य प्रकार के विकृति से गुजर सकते हैं। व्यवहार में, दोनों प्रकार के विकृति के संयोजन का उपयोग किया जाता है। इस मामले में, स्थान पैरामीटर (रोटेशन कोण, स्केल, विस्थापन या एफ़िन ट्रांसफ़ॉर्मेशन गुणांक) को भी आकार मापदंडों में जोड़ा जाता है।

उपस्थिति के घटकों के लिए प्रशिक्षण प्रक्रिया फॉर्म के घटकों (मूल रूप और मुख्य घटकों के मैट्रिक्स) की गणना के बाद की जाती है। यहां सीखने की प्रक्रिया में तीन चरण होते हैं। पहला कदम प्रशिक्षण छवियों से निकालने के लिए है जो आधार आकार को सबसे अच्छा फिट करते हैं। ऐसा करने के लिए, मूल रूप के निशान और प्रशिक्षण छवि के निशान से मिलकर फार्म का त्रिभुज प्रदर्शन किया जाता है। फिर, टुकड़े-टुकड़े प्रक्षेप का उपयोग करते हुए, उत्पन्न बनावट के संबंधित क्षेत्रों को त्रिभुज के परिणामस्वरूप प्राप्त प्रशिक्षण छवि के क्षेत्रों का मानचित्रण किया जाता है। एक उदाहरण के रूप में, नीचे दिया गया आंकड़ा IMM डेटाबेस छवियों में से एक के लिए इस तरह के रूपांतरण का परिणाम दिखाता है।

सभी बनावटों के बनने के बाद, प्रकाश की विभिन्न स्थितियों की भरपाई के लिए दूसरा चरण उनका फोटोमेट्रिक सामान्यीकरण है। इसे करने के लिए बड़ी संख्या में तरीके विकसित किए गए हैं। उनमें से सबसे सरल औसत मूल्य घटाना और पिक्सेल चमक के विचरण को सामान्य करना है।

अंत में, तीसरे चरण में, एक मैट्रिक्स बनावट से बनता है, जैसे कि इसके प्रत्येक कॉलम में संबंधित बनावट के पिक्सेल मान होते हैं (मैट्रिक्स के समान)

)। यह ध्यान देने योग्य है कि प्रशिक्षण के लिए उपयोग किए जाने वाले बनावट एकल-चैनल (ग्रेस्केल) या मल्टी-चैनल (उदाहरण के लिए, आरजीबी रंग अंतरिक्ष या किसी अन्य) हो सकते हैं। मल्टी-चैनल बनावट के मामले में, पिक्सेल वैक्टर प्रत्येक चैनल के लिए अलग-अलग बनते हैं, और फिर उनका संयोजन किया जाता है। बनावट मैट्रिक्स के मुख्य घटकों को खोजने के बाद, हम संश्लेषित बनावट के लिए अभिव्यक्ति प्राप्त करते हैं:

।
यहां

- प्रशिक्षण नमूने के सभी बनावटों के औसत से प्राप्त मूल बनावट,

- खुद के बनावट के मैट्रिक्स,

- सक्रिय उपस्थिति के मापदंडों के वेक्टर। निम्नलिखित एक संश्लेषित बनावट [7] का एक उदाहरण है।

व्यवहार में, मॉडल को पुन: उपयोग करने के प्रभाव को कम करने के लिए, मुख्य घटकों के मैट्रिक्स में केवल 95-98% सबसे महत्वपूर्ण वैक्टर को छोड़ दिया जाता है। इसके अलावा, यह संख्या प्रपत्र के मुख्य घटकों और उपस्थिति के मुख्य घटकों के लिए भिन्न हो सकती है। प्रायोगिक अध्ययन की प्रक्रिया में या पार-सत्यापन प्रक्रिया का उपयोग करते हुए एक मॉडल का परीक्षण करते समय परिष्कृत आंकड़े पहले से ही चुने जा सकते हैं।

इस पर, विभिन्न प्रकार के सक्रिय उपस्थिति मॉडल का सामान्य हिस्सा समाप्त हो जाता है और अब हम दोनों दृष्टिकोणों के बीच के अंतरों पर विचार करेंगे।

क्लासिक एक्टिव अपीयरेंस मॉडल

इस प्रकार के एक मॉडल में, हमें संयुक्त मापदंडों के वेक्टर की गणना करने की भी आवश्यकता है, जो निम्न सूत्र द्वारा दिया गया है:

।
यहां

- वजन मूल्यों के विकर्ण मैट्रिक्स, जो आपको पिक्सेल और पिक्सेल तीव्रता के बीच की दूरी के योगदान को संतुलित करने की अनुमति देता है। प्रशिक्षण नमूना (बनावट-रूप जोड़ी) के प्रत्येक तत्व के लिए, अपने स्वयं के वेक्टर की गणना की जाती है

। फिर वैक्टर के परिणामस्वरूप सेट को एक मैट्रिक्स में संयोजित किया जाता है और इसके मुख्य घटक पाए जाते हैं। इस मामले में, संयुक्त आकृति और बनावट मापदंडों का संश्लेषित वेक्टर निम्नलिखित अभिव्यक्ति द्वारा निर्धारित किया जाता है:

।
यहां

- संयुक्त मापदंडों के मुख्य घटकों का मैट्रिक्स,

- संयुक्त उपस्थिति मापदंडों के वेक्टर। यहाँ से हम संश्लेषित रूप और बनावट के लिए नए भाव प्राप्त कर सकते हैं:

।

व्यवहार में, मैट्रिक्स

रिट्रेनिंग के प्रभाव को कम करने और गणनाओं की संख्या को कम करने के लिए शोर घटकों को हटाने के अधीन है।

प्रपत्र, उपस्थिति और संयुक्त मापदंडों के मापदंडों की गणना के बाद, हमें तथाकथित भविष्यवाणी मैट्रिक्स को खोजने की आवश्यकता है

जो न्यूनतम वर्ग त्रुटि के अर्थ में, निम्नलिखित रैखिक समीकरण को संतुष्ट करेगा:

।
यहां

, और

- स्थिति वेक्टर और संयुक्त उपस्थिति मापदंडों की गड़बड़ी। उपरोक्त समीकरण को हल करने के लिए विभिन्न तरीकों का विकास किया गया है। उनका विस्तृत विचार [3 - 6] में किया गया था।

विश्लेषण की गई छवि के लिए सक्रिय उपस्थिति मॉडल का अनुकूलन, सामान्य मामले में, निम्नानुसार होता है।

प्रारंभिक सन्निकटन के आधार पर, सभी मॉडल मापदंडों और affine रूप परिवर्तनों की गणना की जाती है;
त्रुटि वेक्टर की गणना की जाती है । विश्लेषण की गई छवि से बनावट निकालने से इसके टुकड़े विरूपण का उपयोग होता है;
गड़बड़ी की सदिश गणना की जाती है। ;
संयुक्त मापदंडों और कॉइन ट्रांसफॉर्मेशन के वेक्टर को उनके वर्तमान मानों को वर्टेब्रेशन वेक्टर के संगत घटकों के साथ अपडेट किया जाता है;
आकार और बनावट को अपडेट किया जा रहा है;
हम अभिसरण तक पहुंचने के लिए चरण 2 तक आगे बढ़ते हैं।

इस एल्गोरिथ्म में कई संशोधन और सुधार प्रस्तावित किए गए हैं, लेकिन इसकी सामान्य संरचना और सार एक ही है।

उपरोक्त एल्गोरिथ्म काफी प्रभावी है, लेकिन इसमें एक गंभीर कमी है जो वास्तविक समय के अनुप्रयोगों में अपने आवेदन को सीमित करता है: यह धीरे-धीरे रूपांतरित होता है और इसके लिए बहुत अधिक गणना की आवश्यकता होती है। इन कमियों को दूर करने के लिए, [2, 7] में एक नए प्रकार के सक्रिय उपस्थिति मॉडल का प्रस्ताव किया गया था, जिसकी चर्चा अगले भाग में की जाएगी।

सक्रिय व्युत्क्रम संरचना उपस्थिति मॉडल

मैथ्यूज और बेकर ने एक सक्रिय उपस्थिति मॉडल को अपनाने के लिए एक कम्प्यूटेशनल रूप से कुशल एल्गोरिदम का प्रस्ताव रखा जो केवल फॉर्म पैरामीटर (तथाकथित "प्रोजेक्ट-आउट" मॉडल) पर निर्भर करता है। इसके कारण, इसकी गति में उल्लेखनीय वृद्धि संभव थी। अनुकूलन एल्गोरिथ्म, जो लुकास-कनाडा दृष्टिकोण पर आधारित था, त्रुटि फ़ंक्शन का न्यूनतम पता लगाने के लिए न्यूटन विधि का उपयोग करता है।

लुकास-कनाडा एल्गोरिथ्म टेम्पलेट और वास्तविक छवि के बीच न्यूनतम औसत वर्ग त्रुटि के अर्थ में स्थानीय रूप से सर्वश्रेष्ठ मैच खोजने की कोशिश करता है। इस मामले में, टेम्पलेट पैरामीटर वेक्टर द्वारा निर्दिष्ट विरूपण (affine और / या piecewise) के अधीन है

जो अपने पिक्सेल को एक वास्तविक छवि के पिक्सेल में मैप करता है।

सीधे पैरामीटर खोजना

एक nonlinear अनुकूलन समस्या है। इसे लीनियर विधियों द्वारा हल करने के लिए, लुकास-कनाडा एल्गोरिथ्म मानता है कि विरूपण मापदंडों का प्रारंभिक मूल्य ज्ञात है और फिर पुनरावृति पैरामीटर वेतन वृद्धि का पता लगाता है

प्रत्येक पुनरावृत्ति वेक्टर पर अद्यतन

।

रिवर्स रचना की उपस्थिति का सक्रिय मॉडल अनुकूलन प्रक्रिया के दौरान अपने स्वयं के मापदंडों को अपडेट करने के लिए एक समान दृष्टिकोण का उपयोग करता है, सिवाय इसके कि विरूपण एक बुनियादी बनावट के अधीन नहीं है

, और विश्लेषण की गई छवि।

प्रशिक्षण के चरण में रिवर्स रचना की उपस्थिति के सक्रिय मॉडल को, स्टीपेस्ट वंश की तथाकथित छवियों और उनके हेसियन की गणना की जाती है। मॉडल का अनुकूलन उपस्थिति के शास्त्रीय मॉडल के समान तरीके से होता है, सिवाय इसके कि इस मामले में केवल आकार पैरामीटर और (वैकल्पिक रूप से) स्थान पैरामीटर अपडेट किए जाते हैं।

यह ध्यान देने योग्य है कि मैथ्यूज और बेकर ने बड़ी संख्या में संभावित बदलावों का प्रस्ताव दिया है, जिसमें उनके द्वारा विकसित किए गए मॉडलों के विभिन्न गुण हैं। अधिक विस्तृत समीक्षा के लिए एक इच्छुक पाठक [2, 7 - 9] का संदर्भ ले सकता है।

सॉफ्टवेयर कार्यान्वयन

सक्रिय उपस्थिति मॉडल के लिए उपरोक्त प्रशिक्षण और अनुकूलन एल्गोरिदम के व्यावहारिक कार्यान्वयन और अनुसंधान के लिए, लेखक ने एक विशेष सॉफ्टवेयर लाइब्रेरी विकसित की है जिसका नाम है Aamopotbox। लाइब्रेरी को GPLv3 लाइसेंस के तहत वितरित किया जाता है और इसका उपयोग विशेष रूप से गैर-वाणिज्यिक और अनुसंधान उद्देश्यों के लिए किया जाता है। इस लिंक पर सोर्स कोड उपलब्ध हैं।

AAMToolbox असेंबली के लिए OpenCV 2.4, 1.42 या उच्चतर पुस्तकालयों, NetBeans IDE 6.9 को बढ़ावा देना आवश्यक है। उबंटू लिनक्स ओएस संस्करण 10.04 और 10.10 वर्तमान में समर्थित हैं। अन्य प्लेटफार्मों पर प्रदर्शन और संग्रह का परीक्षण नहीं किया गया है।

AAMToolbox क्लासिक सक्रिय उपस्थिति मॉडल और रिवर्स रचना के सक्रिय उपस्थिति मॉडल दोनों के साथ काम करने के लिए एल्गोरिदम को लागू करता है। दोनों प्रकार के एल्गोरिदम तक पहुंच एक एकल इंटरफ़ेस के माध्यम से है, जो किसी दिए गए प्रशिक्षण सेट पर मॉडल का प्रशिक्षण प्रदान करता है, प्रशिक्षित मॉडल की एक फ़ाइल से बचत और पुनर्स्थापित करता है, एक वास्तविक छवि के लिए मॉडल का अनुकूलन। दोनों रंगीन चित्र (तीन-चैनल रंग में) और स्केल चित्र समर्थित हैं।

मॉडल को प्रशिक्षित करने के लिए, आपको पहले एक प्रशिक्षण नमूना तैयार करना होगा। चयन में दो प्रकार की फाइलें शामिल होनी चाहिए। पहला प्रकार वास्तविक चित्र है जिसके द्वारा मॉडल को प्रशिक्षित किया जाएगा। दूसरे प्रकार की फाइलें मार्कअप टेक्स्ट फाइलें होती हैं और प्रशिक्षण नमूने की संबंधित छवियों पर चिह्नित रूपों के लेबल होते हैं। निम्नलिखित ऐसी फ़ाइल का एक टुकड़ा है।

1 228 307 2 232 327 3 239 350 5 270 392 6 294 406 7 314 410 8 343 403 9 361 388 10 372 370 11 382 349 12 388 331 13 393 312 14 374 243

यहां पहला कॉलम लेबल नंबर है, दूसरा कॉलम लेबल का X-निर्देशांक है, तीसरा कॉलम लेबल का Y- समन्वय है। प्रत्येक छवि की अपनी मार्कअप फ़ाइल होनी चाहिए।

सक्रिय उपस्थिति मॉडल के लिए प्रशिक्षण कोड बहुत सरल है।

 #include "aam/AAMEstimator.h" void trainAAM() { //      aam::AAMEstimator estimator; //     ,  //    // aam::ModelPathType     // std::pair<std::string, std::string>,   //       ,  //  -    . std::vector<aam::ModelPathType> modelPaths; //  -     ...................................................... // //       aam::TrainOptions options; //     .    0  1. options.setPCACutThreshold(0.95); // ,     : // true -  , false -   options.setGrayScale(true); //       . //       //  . options.setMultithreading(true); //    : // aam::algorithm::conventional -  , // aam::algorithm::inverseComposition -    options.setAAMAlgorithm(aam::algorithm::conventional); //   .     . //   ,       //  .     triangles  //   std::vector<cv::Vec3i>      //  (    0. options.setTriangles(triangles); //      . //        , //        . options.setScales(4); estimator.setTrainOptions(options); //    estimator.train(modelPaths); //      estimator.save("data/aam_test.xml"); }

प्रस्तुत कोड के टुकड़े के निष्पादन के परिणामस्वरूप, यह आपको किसी दिए गए प्रकार की उपस्थिति के सक्रिय मॉडल को प्रशिक्षित करने और इसे एक फ़ाइल में सहेजने की अनुमति देता है। यह ध्यान देने योग्य है कि प्रशिक्षण के दौरान, छवियों सहित सभी डेटा रैम में है, इसलिए बड़ी संख्या में छवियों (कई सौ) को लोड करते समय, आपको यह सुनिश्चित करना चाहिए कि इसकी पर्याप्त मात्रा उपलब्ध है (2 - 3 जीबी)। विभिन्न प्रकार के सक्रिय उपस्थिति मॉडल के लिए प्रशिक्षण प्रक्रिया का संचालन करने वाले कोड के एक उदाहरण के रूप में, आप लाइब्रेरी प्रोजेक्ट के "एएएम अनुमानक परीक्षण" इकाई परीक्षण देख सकते हैं। यदि इसे लॉन्च किया जाता है, तो यह उचित फ़ाइलों में रंग छवियों और ग्रेस्केल (कुल 4 अलग-अलग मॉडल) के लिए संस्करण में प्रत्येक प्रकार के मॉडल को प्रशिक्षित और बचाएगा।

छवि के लिए सक्रिय उपस्थिति मॉडल का अनुकूलन कोड इस तरह दिखाई देगा:

 #include "aam/AAMEstimator.h" void aplyAAM() { //  . //         aam::AAMEstimator estimator; estimator.load("<___>"); //   cv::Mat im = cv::imread("<___>"); //      std::vector<cv::Rect> faces; cv::cvtColor(im, im, CV_BGR2GRAY); cascadeFace.detectMultiScale(im, faces, 1.1, 2, 0 |CV_HAAR_FIND_BIGGEST_OBJECT //|CV_HAAR_DO_ROUGH_SEARCH |CV_HAAR_SCALE_IMAGE , cv::Size(30, 30) ); if (faces.empty()) { return; } cv::Rect r = faces[0]; aam::Point2D startPoint(rx + r.width * 0.5 + 20, ry + r.height * 0.5 + 40); // ,        aam::Vertices2DList foundPoints; //   .   verbose  //       . estimator.estimateAAM(im, startPoint, foundPoints, true); }

सक्रिय उपस्थिति मॉडल के अनुकूलन के प्रदर्शन को देखने के लिए, आपको इकाई परीक्षण "Aply मॉडल परीक्षण" और "Aply मॉडल IC परीक्षण" चलाने की आवश्यकता है, जो समर्थित प्रकारों के मॉडल की छवि के लिए अनुकूलन को पूरा करता है। नीचे दिया गया आंकड़ा परिणामों में से एक का उदाहरण दिखाता है।

ये परीक्षण स्पष्ट रूप से क्लासिक सक्रिय उपस्थिति मॉडल और व्युत्क्रम संरचना के सक्रिय उपस्थिति मॉडल के अभिसरण की दर में अंतर प्रदर्शित करते हैं। हालांकि, बाद के विचलन को कुछ मामलों में इसके अनुकूलन के लिए एल्गोरिथ्म के विचलन के लिए जिम्मेदार ठहराया जा सकता है। इसके उन्मूलन के लिए कई दृष्टिकोण प्रस्तावित किए गए हैं, लेकिन वे AAMToolbox लाइब्रेरी में विचाराधीन नहीं हैं (कम से कम फिलहाल)।

निष्कर्ष

लेख ने संक्षिप्त रूप में सक्रिय उपस्थिति मॉडल और संबंधित बुनियादी अवधारणाओं और गणितीय तंत्र की जांच की। लेखक द्वारा विकसित AAMToolbox सॉफ्टवेयर लाइब्रेरी जो लेख में वर्णित एल्गोरिदम को लागू करता है, पर भी विचार किया जाता है। इसके उपयोग के उदाहरण दिए गए हैं।

पर्दे के पीछे सक्रिय उपस्थिति और संबंधित एल्गोरिदम के तीन आयामी मॉडल थे। शायद निम्नलिखित लेखों में उनकी चर्चा की जाएगी।

संदर्भ

टी। कोट्स, जी। एडवर्ड्स, और सी। टेलर। सक्रिय उपस्थिति मॉडल। कंप्यूटर विज़न पर यूरोपीय सम्मेलन की कार्यवाही में, खंड 2, पृष्ठ 484-498, 1998।
एस। बेकर, आर। ग्रॉस, और आई। मैथ्यू। लुकास-कनाडे 20 वर्ष: एक एकीकृत रूपरेखा: भाग 3. तकनीकी रिपोर्ट CMU-RI-TR-03-35, कार्नेगी मेलन यूनिवर्सिटी रोबोटिक्स इंस्टीट्यूट, 2003।
प्वाइंट एनोटेशन और रैखिक सबस्पेस तकनीकों का उपयोग करके एमबी स्टैगमैन विश्लेषण और चेहरे की छवियों का विभाजन। तकनीकी रिपोर्ट IMM-REP-2002-22-22, सूचना विज्ञान और गणितीय मॉडलिंग, डेनमार्क के तकनीकी विश्वविद्यालय, 2002
टीएफ कोट, जीजे एडवर्ड्स, और सीजे टेलर। सक्रिय उपस्थिति मॉडल। IEEE ट्रांस। पैटर्न पहचान और मशीन इंटेलिजेंस पर, 23 (6): 681–685, 2001।
टीएफ कोट और सीजे टेलर। चिकित्सा छवि विश्लेषण और कंप्यूटर दृष्टि के लिए उपस्थिति के सांख्यिकीय मॉडल। प्रोक में। SPIE मेडिकल इमेजिंग 2001, खंड 1, पृष्ठ 236–248। एसपीआईई, 2001।
टीएफ कोट और सीजे टेलर। सक्रिय उपस्थिति मॉडल को विवश किया। कंप्यूटर विजन, 2001. ICCV 2001. कार्यवाही। आठवां IEEE अंतर्राष्ट्रीय सम्मेलन, 1: 748–754 खंड 1, 2001 पर।
इयान मैथ्यू और साइमन बेकर एक्टिव अपीयरेंस मॉडल्स पर दोबारा गौर किया। इंटरनेशनल जर्नल ऑफ़ कंप्यूटर विज़न, वॉल्यूम। 60, नहीं। 2, नवंबर, 2004, पीपी। 135 - 164।
एस। बेकर, आर। ग्रॉस, और आई। मैथ्यू। लुकास-कनाडे 20 वर्ष: एक एकीकृत रूपरेखा: भाग 1. तकनीकी रिपोर्ट CMU-RI-TR-02-16, कार्नेगी मेलन विश्वविद्यालय रोबोटिक्स संस्थान, 2002।
एस। बेकर, आर। ग्रॉस, और आई। मैथ्यू। लुकास-कनाडे 20 वर्ष: एक एकीकृत रूपरेखा: भाग 2. तकनीकी रिपोर्ट CMU-RI-TR-03-01, कार्नेगी मेलन विश्वविद्यालय रोबोटिक्स संस्थान, 2003।

सक्रिय उपस्थिति मॉडल

सक्रिय उपस्थिति मॉडल का अवलोकन

क्लासिक एक्टिव अपीयरेंस मॉडल

सक्रिय व्युत्क्रम संरचना उपस्थिति मॉडल

सॉफ्टवेयर कार्यान्वयन

निष्कर्ष

संदर्भ

More articles: