随着人类信息技术的不断发展,海量数据使得人们不得不面对知识爆炸的困境。因此,信息的自动化处理逐渐成为人类生产和生活中必不可少的基本需要。如何对图像数据进行自动分析和处理,是计算机视觉与模式识别技术迫切需要解决的难题。主动表观模型(active appearance model,AAM)的诞生正是为了解决这种问题。该方法可以帮助人们自动化地提取可变性目标的形状和纹理特征,并恢复目标图像的结构从而更好地理解图像,因此被广泛地应用于图像和视频信息处理。本文主要针对目前AAM中存在的若干关键问题进行理论分析,并提出相应解决方法。这些问题主要涉及了AAM的形状建模、纹理建模以及模型匹配等过程,并由此提出了新颖的建模和匹配算法,以提高模型在精度和鲁棒性方面的性能。主要的创新性研究成果如下:(1)考虑到像素亮度无法为模型匹配提供足够的信息量,提出一种基于Gabor小波滤波器组的纹理表示方法。利用多尺度多方向的Gabor滤波器组来提取尽可能丰富的局部纹理结构,从而提高AAM的匹配能力。另外,针对Gabor纹理表示带来的较大计算量,使用了三种Gabor滤波器组的变形方法降低复杂度,即? GaborD,对Gabor滤波器组沿方向求和;? GaborS,对Gabor滤波器组沿尺度求和;? GaborSD,对Gabor滤波器组同时沿方向和尺度求和。大量的实验显示,基于Gabor滤波器组的纹理表示有效提高了AAM匹配的精度和鲁棒性。(2)为了增强AAM对光照变化的鲁棒性,使用Gabor相位滤波器组和局部二值模式算子来提取纹理特征。一方面,Gabor相位滤波器组对光照变化具有较好的鲁棒性;另一方面,局部二值模式算子能够压缩冗余特征,得到更加紧致的纹理表示。实验表明,基于Gabor相位特征和局部二值模式的纹理表示方法可以有效消除光照对模型匹配的影响,提高AAM在环境变化情况下的鲁棒性。(3)针对模型匹配过程中的小样本问题(under-sample problem,USP),提出一种基于张量回归模型(tensor-based multivariate linear regression,TMLR)的匹配算法。将图像纹理表示成二阶张量,并利用一种张量回归模型来对AAM中的匹配问题进行建模。另外,提出一种交替迭代投影算法来对张量回归模型进行优化。实验结果表明,该回归模型具有精度高、收敛快等特点,可以有效解决小样本问题,提高AAM的匹配性能。(4)由于AAM的纹理表示包含大量非线性且维数过高,提出一种基于复杂度反馈的形状建模方法。通过定义形状的纹理复杂度来评价形状质量,并利用复杂度反馈机制对形状进行优化,以降低纹理复杂度。另外,引入纹理局部分布的高斯假设,利用统计特征作为纹理表示方法,从而降低纹理维数。实验结果表明,该方法可以极大增强纹理表示的效率,提高了匹配精度和鲁棒性。(5)为了提高基于表观的年龄估计的精度,将AAM与多角度分析相结合进行特征提取。提出了基于多角度分析的判别子空间学习算法及其交替迭代解法,通过最大化同类子空间互信息并最小化不同类子空间互信息的准则来提取判别子空间。利用AAM来对面部特征进行建模和表示,并基于多角度分析提取有效特征来达到年龄识别的目的。实验结果表明,基于AAM和判别多角度分析的自动年龄识别系统能够有效提高识别精度。