Nous avons démontré des idées de base pour ajuster un modèle de forme à une image. L`algorithme utilise des idées de l`approche bien connue de modèle de forme active (ASM) et les combine avec les méthodes que nous avons développées pour adapter des modèles de processus gaussien. Le modèle de forme active (ASM) est une méthode basée sur le modèle, qui utilise un modèle antérieur de ce qui est attendu dans l`image, et tente généralement de trouver la meilleure position de correspondance entre le modèle et les données dans une nouvelle image. Il a été appliqué avec succès à de nombreux problèmes et nous appliquons ASM à la reconnaissance faciale. Nous représentons toutes les formes avec un ensemble de repères pour former un modèle de distribution de points (PDM) respectivement. Après l`alignement des repères et l`analyse des composants principaux, nous construisons un profil de niveau gris pour chaque repère dans toutes les versions multi-résolutions d`une image d`apprentissage. Dans la procédure de recherche, nous donnons à la position du modèle une estimation initiale. Nous adoptons beaucoup d`améliorations à l`ASM classique, comme l`augmentation de la largeur du profil de recherche pour réduire l`effet du bruit, le regroupement des repères pour éviter la déformation de la bouche dans la procédure de recherche et de modifier la direction du profil de recherche. Les modèles de forme active (Smo) sont des modèles statistiques de la forme des objets qui se déforment de façon itérative pour s`adapter à un exemple de l`objet dans une nouvelle image, développé par Tim Cootes et Chris Taylor en 1995. [1] les formes sont contraintes par le modèle de forme statistique PDM (modèle de distribution de points) pour ne varier que d`une manière observée dans un ensemble de formation d`exemples marqués.
La forme d`un objet est représentée par un ensemble de points (contrôlé par le modèle de forme). L`algorithme ASM vise à faire correspondre le modèle à une nouvelle image. Il est étroitement lié au modèle d`aspect actif. Il est également connu comme une méthode “serpents intelligents” [1], car il est un analogue à un modèle de contour actif qui respecterait les contraintes de forme explicites. Afin d`utiliser cet algorithme de montage ASM modifié dans des applications pratiques, quelques détails supplémentaires doivent être pris en considération. Les paramètres de pose (c.-à-d. la rotation et la traduction) doivent être ajustés en même temps que la forme. Pour améliorer la convergence de l`algorithme, l`algorithme est généralement appliqué dans un paramètre à échelle multiple. En outre, ce ne sont généralement pas les intensités qui sont modélisées directement, mais plutôt les changements de gradient dans les images. Cela rend la procédure plus robuste.
[1] Cootes, Tim. «une introduction aux modèles de forme active». Traitement et analyse d`images, Oxford University Press, 2000, pp. 223-248. Méthodes de subspace pour la reconnaissance de modèle dans l`environnement intelligent pp 1-31 | Citer comme malgré ces légères différences dans le cadre mathématique, vous devriez être en mesure de comprendre le document donné ce que vous avez appris dans ce cours. Vous devriez également être en mesure de voir comment la théorie des processus gaussiens peut être utilisé pour améliorer l`ajustement ASM. La technique a été largement utilisée pour analyser des images de visages, d`assemblages mécaniques et d`images médicales (en 2D et 3D). Malheureusement, discuter de tous ces aspects n`est pas possible dans le cadre de ce cours.
Si vous êtes intéressé à apprendre plus en détail comment vous pouvez appliquer des ASMs dans des applications pratiques, nous vous invitons à lire ce document écrit par Tim Cootes, l`un des inventeurs de la méthode originale, qui fournit une introduction facilement accessible et pratique au sujet . [1] les apprenants qui ont rejoint ce cours ont également bénéficié de ces cours..