基於模型的方法以cootes在2023年提出的asm方法最為代表，asm方法將數十個臉部特徵點的紋理和位置關係約束一起考慮來進行計算出乙個引數模型。從區域性特徵中檢測到所求的關鍵點，但是這種方法對雜訊非常敏感。asm也是開先河的經典之作，也是後面被follow最多方法。也是cootes等人提出的aam方法，對外觀變化和初始化也非常敏感，以上的這些包括他們的改進都是用的pca引數模型。
基於回歸的方法是asm相關改進的另外乙個方向，就是對形狀模型本身的改進。cvpr2012，msra孫劍組的face alignment by explicit shape regression，取得了非常不錯的效果（下文簡稱esr）。這篇文章沒有用pca去約束形狀模型，而是基於訓練樣本的線性組合來約束形狀。而且，其在alignment的效果(lfpw測試集)上是目前看到最好的，此外，這個方法的速度非常快。
esr使用的是乙個cascade regression的框架，是p. dollár在cvpr2010的cascaded pose regression 中提出的一種方法，用來解決對齊問題。曹旭東的esr方法在此基礎上做了幾個擴充套件，使他更為適合做人臉關鍵點定位，下面且聽我詳細道來。
這條線可以這樣理：asm－>cascaded pose regression－>face alignment by explicit shape regression－>face alignment at 3000 fps via regressing local binary features
asm演算法：概要
pca：
馬氏距離：
演算法 最近點匹配
改進 示例 1.主要思路 輸入預處理 遞迴查詢輸出 2.遞迴分析 選取中線將平面內的點劃分為兩個部分 這樣就會產生距離最短兩種情況 兩個點都在中線兩邊，這個好辦用分治遞迴處理 兩個點分別在中線兩邊，這個是演算法的難點 針對第二種情況進行分析 d min 左邊最短的距離，右邊最短的距離 p1為左邊的點...
SIFT演算法提取關鍵點
這裡只是用了一層影象 原理框圖 而為了簡化計算，我們不直接求二維的高斯卷積核，而是將它變成兩個一維的卷積核，原理如下圖 1.構建影象尺度空間 影象的高斯金字塔 所謂高斯金字塔，是指假設乙個金字塔型的結構，金字塔的第一層為原影象，然後將影象做一次高斯平滑 高斯卷積或者高斯模糊 而在高斯平滑裡有乙個引數...
sift演算法特徵點如何匹配？
我需要把一張 和訓練集中的進行匹配。我把一張 提取特徵值並建立kd樹，然後把訓練集的依次讀進來，然後把的特徵點依次放進kd樹裡面找最近的點，第乙個問題就是這2個點的距離，方向之比，長度之比在什麼範圍內算是匹配的？第二個問題是匹配的特徵點與總共的特徵點之比達到什麼範圍就可以認為2幅是匹配的？第三個問題...