人脸识别之ASM模型-Active Shape Models - 'Smart Snakes'

       因为想要看懂openface论文所使用的算法，就打算把看openface论文所涉及到的主要的论文看一遍，大概需要看5篇论文。最先看了PDM模型的论文，翻译之后加了一些自己的理解。http://blog.csdn.net/u013263891/article/details/79408688，因为ASM模型是基于PDM模型的，所以想要真正的理解ASM还是需要仔细理解一下PDM模型。

       这是所看的这方面的第2篇论文，一样也是T.F.Cootes, C.J.Taylor两位大神的，我也看了一些其他人写的关于ASM模型的论文，比如http://blog.csdn.net/carson2005/article/details/8194317，这篇博客不知道博主看的是谁的论文，与我这篇论文的大致思路是一样的，但是主要的不同会是对每个点的进行调整的计算。

        因为PDM模型是通过对b向量参数的调整，对形状的整体进行调整，并没有详细到每一个点，所以它的精确度有待提高，而ASM则是对形状中的每一点进行了调整。

1 点分布模型

       

        首先我们得到PDM模型，这个模型主要由这些点的平均形状和主要的变化模式组成

       通过选择b的值我们可以在得到一个新的形状，然后我们可以通过定义位置，方向，比例来在图像框架中创建实例X

       M(s,θ)[ ] 是旋转θ 缩放s

     （Xc,Yc）表示的是图像中模型中心的位置

2 对PDM优化

       我们反复的使用下面看两步

2.1 计算模型中的每一点的建议位移

      给定初始估计的一组模型的边界点，我们试图拟合一个图像对象的轮廓（图2），我们需要估计一个调整位移，已将每一个边界点移动到图像的边缘。我们使用沿着模型边界的法线调整到边缘强度最大的位置，也即是图像的边缘点（如图3）。

     （图像最基本的特征是边缘。所谓边缘是指其周围象素灰度有阶跃变化的那些象素的集合。边缘点是指它两边象素的灰度值有显著的不同。边           缘点存在于这样一对邻点之间，即一个在较亮的区域内部，另一个在外部。边缘强度，实质上是边缘点梯度的幅值。定义数字图像第 i 行第 j           列的x、y方向的一阶差分为：