CLM 系列代码实现考虑

Saragih 在 Face alignment through subspace constrained mean-shift 统一了asm/clm之类的算法，都称之为基于局部模型的算法（CLM）。Saragih主要考虑了

（1） 如何对局部特征检测器响应进行拟合近似。

（２）如何对近似后的响应，联合shape约束，进行最优求解。

对局部特征检测器响应的建模可以用二次拟合，高斯模型（ASM），多高斯模型，KDE 核密度估计。

进行最优求解时，需要注意两个坐标系的转换关系，

训练时：

对于PDM建模，都是shape对齐以后，因此 s = mean_s + pb. 这里的shap 坐标都是在模型坐标系空间定义的。

对于图像中的目标shape,一般使用在全局坐标系空间的坐标。

        如下式子中，（Xi，Yi）假设为图片中目标shape的坐标，那么为了计算得到bj,即模型坐标系空间中的shape 投影到PCA后的参数信息。 需要将（Xi，Yi）对齐到mean_s，对齐后，计算得到 d(Xi,Yi)，即variation，再投影得到参数信 息，看是否违背shape 约束。

        f(s) = sum(Ri(Xi,Yi)) - sum(bj*bj/lamda_j)

        为了将（Xi， Yi)对齐到mean_s,目前经常使用的是最小二乘法，对齐过程中，只假设（scale,angle,Tx,Ty)四个参数，即假设similar transform.

对齐时：

（1）一般先要获得初始位置估计，得到startshape.

（2） 在startshape附近寻找局部特征位置

（3） 联合局部特征总体响应和shape约束进行优化，此处需要将图像坐标系shape映射到模型坐标系，以求解和约束b参数。

（4）最优化得到shape，未收敛则进入下一次迭代。