关键点匹配算法

基于模型的方法以cootes在1995年提出的asm方法最为代表，asm方法将数十个脸部特征点的纹理和位置关系约束一起考虑来进行计算出一个参数模型。从局部特征中检测到所求的关键点，但是这种方法对噪声非常敏感。asm也是开先河的经典之作，也是后面被follow最多方法。也是cootes等人提出的aam方法，对外观变化和初始化也非常敏感，以上的这些包括他们的改进都是用的PCA参数模型。

基于回归的方法是ASM相关改进的另外一个方向，就是对形状模型本身的改进。CVPR2012，MSRA孙剑组的Face Alignment by Explicit Shape Regression，取得了非常不错的效果（下文简称ESR）。这篇文章没有用PCA去约束形状模型，而是基于训练样本的线性组合来约束形状。而且，其在alignment的效果(LFPW测试集)上是目前看到最好的，此外，这个方法的速度非常快。

Esr使用的是一个cascade regression的框架，是P. Dollár在CVPR2010的Cascaded Pose Regression 中提出的一种方法，用来解决对齐问题。曹旭东的esr方法在此基础上做了几个扩展，使他更为适合做人脸关键点定位，下面且听我详细道来。

这条线可以这样理：ASM－>Cascaded Pose Regression－>Face Alignment by Explicit Shape Regression－>Face Alignment at 3000 FPS via Regressing Local Binary Features

ASM算法：http://chenbiaolong.com/2015/05/29/ASM-one/#概要

        PCA：http://blog.codinglabs.org/articles/pca-tutorial.html

       马氏距离：https://www.zybuluo.com/Antosny/note/108773