机器学习理论与实战（十六）概率图模型04

        04、概率图模型应用实例

        最近一篇文章《Deformable Model Fitting by Regularized Landmark Mean-Shift》中的人脸点检测算法在速度和精度折中上达到了一个相对不错的水平，这篇技术报告就来阐述下这个算法的工作原理以及相关的铺垫算法。再说这篇文章之前，先说下传统的基于CLM（Constrained local model）人脸点检测算法的不足之处，ASM也属于CLM的一种，CLM顾名思义就是有约束的局部模型，它通过初始化平均脸的位置，然后让每个平均脸上的特征点在其邻域位置上进行搜索匹配来完成人脸点检测。整个过程分两个阶段：模型构建阶段和点拟合阶段。模型构建阶段又可以细分两个不同模型的构建：形状模型构建和Patch模型构建，如（图一）所示。形状模型构建就是对人脸模型形状进行建模，说白了就是一个ASM的点分布函数（PDM），它描述了形状变化遵循的准则。而Patch模型则是对每个特征点周围邻域进行建模，也就说建立一个特征点匹配准则，怎么判断特征点是最佳匹配。

（图一） CLM模型：形状模型和Patch模型

      下面就来详细说下CLM算法流程：

      一、模型构建之形状模型构建（延续ASM的形状模型函数），如（公式一）所示：

（公式一）

        （公式一）中X-bar表示平均脸，P是形状变化的主成分组成的矩阵，它是一个关键的参数，下面就来看看它是如何得到的。假设我们有M张图片，每张图片有N个特征点，      每个特征点的坐标假设为(xi,yi)，一张图像上的N个特征点的坐标组成的向量用表示，所有图像的平均脸可用（公式二）求出：

（公式二）

        然后每张脸组成的向量都减去这个平均脸向量，就得到一个均值为0的形状变化矩阵X，如下表示：

        一定要注意X此时是一个零均值的形状变化矩阵，因为每个行向量都减去了平均脸向量，也就是相对于平均脸的偏差，对XX’进行主成分分析，得到形状变化的决定性成分，即特征向量Pj以及相对应的特征值λj,选择前K个特征向量以列排放的方式组成形状变化矩阵P，这些特征向量其实就是所有样本变换的基，可以表述样本中的任意变化。有了形状变化矩阵P，（公式一）中的B就可以通过（公式三）得出：

（公式三）

       （公式三）中求出的B其实是形状变化的权重向量，决定哪些特征点起着关键作用。到这里就完成模型构建，当给定一个权重B时，我们就可以用（公式一）重建出一个形状，这个权重B