人脸识别之PDM模型-Training Models of Shape from Sets of Examples

   这是我找到的最早关于人脸识别中PDM模型的论文。对该论文翻译并进行了深入的理解。

1 点分布模型

    假设我们希望推导出一个表示印刷电路板上的电阻的模型，就像图1显示的那样。不同的电阻有不同的形状，所以刚性模型将是不适用的。图2显示了一些从各个电阻的背光图像获得的电阻边界的一些示例。我们的目标是使用图2的例子作为训练集建立一个描述典型形状和允许变化的模型。

        

1.1 标记训练集

    为了建模一个形状，我们通过一系列点来表示。我们已经在电阻的周围选择性的放置了一些点，如图3所示。必须要为训练集中的每一个图形做。这些标记点是十分重要的，每一个标记的点表示对象的一个特定部分或其边界。例如，在电阻模型中，点0和31 总是表示导线的结束，3,4,5表示电阻的最边位置。这个方法的工作原理是模拟不同标记点在形状变化时如何移动。如果标记不正确，则在每个训练形状的不同位置放置一个特定的点，该方法将无法捕捉形状变化。

     这些点正确的放置在每个例子图像位置上是十分重要的。这通常会要求熟悉应用的人去选择最合适的一组点，并能够将这些点放置在不同的例子中。这个过程是需要花费时间的，虽然我们已经开发了很多工具去加速这一进程。应该注意的是，虽然标记训练集是人为做的，但是找到平均形状和主要的变化模式是自动的。手动的减少这些变化模式是非常困难的，尤其是对于更复杂的生物的形状。

1.2 对齐训练集

     我们的建模方法是通过检查训练集上标记点的坐标的统计来工作的。为了能够比较不同形状的等价点，他们必须使用相同的方式对齐一组轴。我们通过缩放、旋转和平移训练形状来实现所需的对齐，以使他们尽可能的接近。我们的目标是求得不同形状上的等效点之间的距离的平方和的最小值。这是广义Procrustes分析的一种形式。

        我们首先考虑对齐两个形状，x _i是描述第i个形状的n个点的向量：

     M_j[x_j]是旋转θj，缩放s_j，给出两个相似的形状，xi&#x