人脸对齐

人脸对齐问题重点是人脸特征对齐，特征点对齐主要体现在确定关键点的位置上。从而进一步用于人脸姿态，状态的判断。比如在辅助驾驶，疲劳监测，AR等。在人脸检测的基础上，根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，输入为人脸外观图像，输出为人脸的特征点集合。人脸对齐(Facial alignment)： 可以看作在一张人脸图像搜索人脸预先定义的点（也叫人脸形状），通常从一个粗估计的形状开始，然后通过迭代来细化形状的估计。在搜索的过程中，两种不同的信息被使用，一个是人脸的外观 ，另一个是形状。形状提供一个搜索空间上的约束条件。人脸对齐主要将人脸中的 eyes, mouth, nose and chin 检测出来，用特征点标记出来。人脸对齐是一个中间步骤，首先是人脸检测，然后是人脸对齐，人脸对齐的结果可以用于：人脸验证， 人脸识别(Face recognition)，属性计算(Attribute computing)，表情识别(Expression recognition)， 姿态估计（Pose Estimation) 等。实际应用中人脸的不同尺度，姿态，遮挡，光照，复杂表情等对人脸对齐具有较大的挑战性 。综合考虑传统方法和目前最新进展，从技术实现上可将人脸关键点检测分为2大类：生成式方法（Generative methods） 和 判别式方法（Discriminative methods）。Generative methods 构建人脸shape和appearance的生成模型。这类方法将人脸对齐看作是一个优化问题，来寻找最优的shape和appearance参数，使得appearance模型能够最好拟合输入的人脸。这类方法包括：
AAM (Active Appearnce Model)：ASM模型起源于snake模型（作为动态边缘分割的snake模型），该方法用一条由n个控制点组成的连续闭合曲线作为snake模型，再用一个能量函数作为匹配度的评价函数，首先将模型设定在目标对象预估位置的周围，再通过不断迭代使能量函数最小化，当内外能量达到平衡时即得到目标对象的边界与特征。
ASM(Active Shape Model)：是指主观形状模型，即通过形状模型 对 目标物体进行抽象。
ASM 是一种 基于点分布模型（Point Distribution Model, PDM）的算法。在PDM中，外形相似的物体，例如 人脸、人手、心脏等的几何形状可以通过若干关键特征点（landmarks）的坐标依次串联形成一个形状向量来表示。基于ASM的人脸 通常通过 标定好的68个关键特征点 来进行描述：
ASM算法分为训练过程和搜索过程。
ASM的训练过程如下：
搜集 T 个训练样本，样本