目标的特征提取和建模是计算机视觉领域中的一项关键任务,它对图像分析和图像理解的效果有着重要影响。一种好的特征提取方法会大大降低后续处理的难度。在各种特征提取方法中,F. T. Cootes等人提出的Active Appearance Models (AAM),活动表观模型算法是一种高效而又准确的特征提取建模算法。该算法利用主成分分析(PCA)方法来分析训练图像,并对形状和纹理分别进行建模,有效地去除了二者之间的非线性耦合,降低了特征的复杂度。因此,基于AAM的特征提取方法在目标检测、识别及跟踪等领域均得到了广泛的应用。然而,随着应用范围的增加,传统的AAM算法已不能满足准确率和精度的需求。为了提高算法的性能,本文对AAM模型建模过程的深入分析,并从如下三个方面对其进行了改进。首先,本文改进了AAM特征提取算法。通过引入具有良好的多尺度特性和方向特性的Gabor滤波器组,AAM可以提取更加丰富的纹理信息。这些信息可以帮助AAM更加精确的定位特征点。因此,基于Gabor变换的AAM特征提取算法可以有效地增强AAM的特征定位能力。其次,由于引入Gabor纹理特征导致了模型效率的降低,本文提出利用Gabor滤波器组来减小模型复杂度。该算法利用遗传算法选择最优的Gabor滤波器组来提取图像纹理,在不影响精度的情况下,极大减小了计算量和模型复杂度。最后,为了克服传统向量化方法的缺点,本文提出了一种基于张量的Gabor特征的提取建模方法。传统的向量化方法往往不考虑图像的空间结构信息,这使得原始数据的结构遭到破坏,无法获取原始数据中潜藏的更紧致的表示模式。因此,我们通过引入基于张量子空间的降维方法(TSA)来保留这种空间几何信息,提高算法效率。实验结果证明了本方法的有效性。