ASM博文阅读笔记

博文阅读：http://blog.csdn.net/carson2005/article/details/8194317

（一）形状归一化

1、将训练集中的所有人脸模型对齐到第1个人脸模型

2、计算平均人脸模型a

3、将所有人脸模型对齐到平均人脸模型a

4、重复（2）（3） 直到收敛

简单理解，就是寻找一个平均脸（稳定的脸）。（1）对齐到第一个人后，所有人脸还是有一定的差距，因此找到一个平均人脸。然后再将所有人对齐到平均人脸；对其后，仍然存在差异，所以再计算平均脸，再对齐。这样最终所求的平均脸将是一个稳定的值。

最终得到稳定的特征点

a1 = （x1,y1,x2,y2,......xi,yi.....)

a2 = （x1,y1,x2,y2,......xi,yi.....)

ai  = （x1,y1,x2,y2,......xi,yi.....)

an = （x1,y1,x2,y2,......xi,yi.....)

但具体怎么求？还得找个代码来理解。

（二）求局部特征

如何对像素灰度值求导呢？ --是否是 后一个像素灰度值减前一个像素灰度值呢？

（假设就是这样） 

每个特征点会得到一个2m+1维的特征向量；这样对于n个样本，第i个特征点，就可以计算得到n个（2m+1）维向量。

这个特征向量称为 该点的纹理特征

对n个样本的第i个点的纹理特征进行统计，假设高斯分布：可得到均值和方差。这个分布就代表了该特征点的模型

对所有点都这样做，就得到一个模型，这个模型具有如下特点：

1、每个特征点都服从高斯分布，但是有各自的均值和方差

2、假设有一个测试样本，可测试每个样本点是否符合对应样本点的分布。即原文式（8）

（三）PCA

对于式（4） 

形状模型表示成 平均脸形+调整；这个调整是在变换域反变换得到。即Pb，b是变换域的值，乘以P后就表示在原空间的表示。

这样调整b就可以得到不同的脸部形状，也就是样本中的每个脸形，都可以又平均脸形+调整得到

具体用途？？

以上就得到形状模型和对应点的分布模型

（四）搜索：

1、首先找两个点来大致确定初始位置，如找两个眼睛，将形状模型与之对应。（通过缩放、旋转、平移来调整平均形状）

2、预调整形状，也就是调整b，那么就需要有一个调整的大致方向。这时就会使用到对应点的纹理分布模型

那么如何用呢?

首先，在法线方向（或者其他方向，按一定规则）选取一定数量的点，取灰度值，并求导，得到纹理特征。

其次，截取2m+1长度，与该特征点的分布进行比较，得到其相似度，原文公式（8）fsim

再次，将使argmin（fsim）的点作为候选特征点，每个特征点都这样做，就得到新的形状a‘ = （x1,y1,x2,y2,.....)

然后，目标有了，那么就需要计算b了，计算公式（5）。

最后，判读b的变化不大，趋于稳定，此时结束循环，得到最终的形状模型；否则，对于新形状模型继续第一步操作。