对SDM算法的一些改进

在参考了Github和Github 的源码，学习了很多，现将一些资料在整理如下：

以下内容为转载的：详细参考http://wangcaiyong.com/2015/08/14/sdm/

我们下载了Github上的代码，并仔细阅读了其中的细节。

最后我们对源代码做了一些修正(新代码已上传到Github)，主要包括：

1. 修复了代码运行中出现的一些bug。
2. 添加了一些函数，使代码更简洁
3. 训练阶段我们采用了分批处理，优化了内存
4. 参考论文《Extended Supervised Descent Method for Robust Face Alignment》，优化了源程序
5. 在测试阶段，我们使用了逆的缩放和平移变换将得到的aligned_shape
6. 转换为原始图片的特征点true_shape
7. 添加了详细的注释，使之更容易明白。

Dependency:

Vlfeat library:  http://www.vlfeat.org/

提供了hog/sift特征函数，程序默认使用hog特征，如果要使用sift特征，你可以使用xx_sift.m提供的接口（见commom/desc/xx_sift.m）.如果使用Vlfeat的sift,你需要修改程序。因为程序默认的sift接口为xx_sift.m

libLinear: http://www.csie.ntu.edu.tw/~cjlin/liblinear/

使用其提供的svm方法计算超定方程组的根

mexopencv: https://github.com/kyamagu/mexopencv

使用其提供的人脸检测程序（不过程序中我们一般以ground_truth的特征点的包围盒替代，更准确）

Datasets in use:

[300-W] http://ibug.doc.ic.ac.uk/resources/facial-point-annotations/

该数据集仅提供了68个特征点的数据，也就是w300类型的数据

新增函数列表

• /common/cropImage/cropImage.m
• /common/desc/xx_sift.m
• /common/flip/flipImage.m
• /common/io/write_w300_shape.m
• /source/train/learn_single_regressor2.m