A Low Complexity Approximation of Probabilistic Appearance Models. Modèles Probabilistes D’apparence: Une Représentation Approchée de Faible Complexité

A Low Complexity Approximation of Probabilistic Appearance Models.

Modèles Probabilistes D’apparence: Une Représentation Approchée de Faible Complexité

R. Hamdan F. Heitz  L. Thoraval 

Auteur à contacter : Fabrice HEITZ, LSIIT/CNRS, 4 bd Sébastien Brant, 67400 Illkirch

Corresponding Author Email: 
heitz@lsiit.u-strasbg.fr
Page: 
147-160
|
Received: 
23 March 2001
|
Accepted: 
N/A
|
Published: 
30 June 2001
| Citation

OPEN ACCESS

Abstract: 

Appearance models yield a compact representation of shape, pose and illumination variations. The probabilistic appearance model, proposed by Moghaddam et al. (Moghaddam and Pentland, 1997; Tipping and Bishop, 1997b), has recently shown excellent performances in pattern detection and recognition, outperforming most other linear and non-linear approaches. Unfortunately, the complexity of this model remains high. In this paper, we introduce an efficient approximation of this model, which enables fast implementations in statistical estimation-based schemes. Gains in complexity and cpu time of more than 10 have been obtained, without any loss in the quality of the results.

Résumé

Les modèles d'apparence permettent d'encoder les variabilités de forme, de pose, et d'illumination dans une seule représentation compacte. Le modèle d'apparence probabiliste de Moghaddam et al. (Moghaddam and Pentland, 1997; Tipping and Bishop, 1997b), reposant sur une interprétation statistique de l'Analyse en Composantes Principales (ACP) s'est récemment illustré par ses excellentes performances en détection et en reconnaissance des formes, surpassant de nombreuses autres méthodes linéaires et non linéaires.  Ce modèle, performant, se heurte toutefois à une complexité calculatoire importante. Nous proposons, dans cet article, une approximation de ce modèle qui se prête à une mise en œuvre rapide, dans le cadre de schémas d'estimation statistique. Des gains en complexité et en temps de calcul supérieurs à 10, sont obtenus, sans aucune perte de qualité dans les résultats des traitements.

Keywords: 

Appearance models, probabilistic models, fast algorithms, detection, maximum likelihood

Mots clés

Modèles d'apparence, modèles probabilistes, algorithmes rapides, détection, maximum de vraisemblance.

1. Introduction
2. Modèle Probabiliste D'apparence
3. Modèle Probabiliste Approché
4. Application à la Détection D'objets
5. Conclusion
A. Annexe: Complexité Comparée des Deux Modèles
  References

H. Andrews et B. Hunt (1977), Digital Image Restoration, Prentice-Hall. 

R. Dahyot, P. Charbonnier et F. Heitz (2001), Détection robuste d’objets : une approche par modèle d’apparence. In 18e Colloque GRETSI, Toulouse. 

K. Fukunaga (1990), Introduction to Statistical Pattern Recognition, Academic Press. 

G. Golub et C.V. Loan (1989), Matrix Computations, John Hopkins series in the mathematical sciences, Baltimore, John Hopkins University Press. 

R. Hamdan (janvier 2001), Détection, suivi et reconnaissance des formes et du mouvement par modèles probabilistes d’apparence. Thèse de l’Université Strasbourg 1, ftp://picabia.u-strasbg.fr/pub/www/hamdan/these.pdf. 

R. Hamdan, F. Heitz et L. Thoraval (1999), Gesture localization and recognition using probabilistic visual learning, In IEEE Int. Conf. Computer Vision Pattern Recognition, Fort Collins, Colorado. 

A. Jain, R. Duin and J. Mao (2000), Statistical pattern recognition: A review, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(1), 4-37.

D. Lowe (1991), Fitting parameterized 3D models to images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 13(5), 441-450.

T. Minka (1999),Automatic choice of dimensionality for PCA. Technical Report TR No 514, MIT, Medialab, Vision and Modeling Group.

B. Moghaddam (1999), Principal manifolds and Bayesian subspaces for visual recognition. Technical Report TR-99-35, Mitsubishi Electric Research Laboratory, http://www.merl.com.

B. Moghaddam, T. Jebara et A. Pentland (1999), Bayesian modelin of facial similarity, Advances in Neural Information Processing Systems, 11.

B. Moghaddam et A. Pentland (1997), Probabilistic visual learning for object representation, IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7), 696-710.

H. Murase et S.K. Nayar (1995), Visual learning and recognition of 3-D objects from appearance, International Journal of Computer Vision, 14(1), 5-24.

W. Murase et M. Lindenbaum (1995), Partial eigenvalue decomposition of large images using spatial temporal adaptive method. IEEE Transactions on Image Processing, 4(5), 620-629.

G. Saporta (1992), Probabilités, Analyse des données et Statistique, Technip.

C. Schmid et R. Mohr (1997), Local grayvalue invariants for image retrieval, IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5), 530-534.

H. Schneiderman et T. Kanade (2000), Statistical method for 3D object detection applied to faces and cars. In Proceedings of the IEEE Conference on computer Vision and Pattern Recognition, Hilton Head, South Carolina.

M.E. Tipping et C.M. Bishop (1997a), Mixtures of principal component analyzers, Technical Report NCRG/97/003, Neural Computing Research Group, Dept. of Computer Science & Applied Mathematics, Aston University, Birmingham, UK.

M.E. Tipping et C.M. Bishop (1997b), Probabilistic principal component analysis. Technical Report NCRG/97/010, Neural Computing Research Group, Dept. of Computer Science & Applied Mathematics, Aston University, Birmingham, UK.

M. Turk et A. Pentland (1991), Eigenfaces for recognition, Journal of Cognitive Neuroscience, 3(1), 71-86.

A. Van-Der-Veen, E.F. Deprettere et A.L. Swindlehurst (1993), Subspace-based signal analysis using singular value decomposition, Proceeding of the IEEE, 81(9), 1277-1308.