ASM是基于統計學習模型的特征點提取的一種方法。這個方法是95年就提出來的，不過至今仍是我認為比較好的人臉特征點提取的方案。方法的提出人Tim Cootes后來還提出了aam算法，也很有名，但如果簡單是特征點的定位的話，我認為asm的效果可能更好一些。ASM跟大多數統計學習方法一樣，也包括train和test（or fit）兩部分，也就是形狀建模build和形狀匹配fit。這個算法其實很簡單，可以用來做實時性的檢測，但我還是看了很久，而且還有理解有問題的地方，肯定有很多不對的地方，希望大家多多指正。

一、模型的建立（build）

1.選擇合適的特征點

特征點的選取很重要啊，這點不用我多說啦。好的特征點大概應該或多或少滿足如下幾點：邊緣點、曲率大的、T型連接點和以上這些點的連線上的等分點。（如下圖）

記錄好這些特征點的順序，以便于后面確定圖形的邊界和連線等等。這也是asm方法的優點，得到的特征點是有序的。這樣得到一組特征點集X

我們這里把它看做是一個2n維的向量

2.形狀統計模型

剛剛得到的2n維向量維數很高（因為圖像中我們選擇的特征點往往很多），但這2n維彼此是有很強的相關性的，彼此的位置距離是大致不變的。這里作者使用最最常用的PCA來進行降維，提取出主成分，這里作者叫它modes。于是任意一組特征點集可以看做是主成分向量空間的一個坐標點，而這個坐標原點就認為是這些點集的平均，這樣任意點就是坐標原點加上一個向量。即：

這里P是包含了前t個主成分的協方差矩陣，b是一個t維的向量，用來控制特征點形狀的變化，當b為0時，x即坐標原點（平均形狀），其實是很好理解哈。但這里b不要太大，如果太大，會導致整個形狀變化超出人臉的變化范圍，會使人變得異常猙獰，大家懂的。。。所以作者這里做了約束

這步還有個問題，就是PCA中主成分個數t的選取，有兩種方法：1）選擇前s個；2）選擇前k%的分量，這里作者推薦使用第二種方法。

3.把模型和新點集進行匹配

這個過程是asm方法的核心所在了，貫穿始終。說來也簡單，無非就是把剛得到的模型進行旋轉，放縮，平移。

其中T為旋轉放縮平移矩陣

我們的目的就是是模型X和圖像特征點集Y最接近，這里目標函數選擇是其各點歐氏距離和最小

具體的匹配過程就是，先初始化b向量為0，得到模型X，用其他方法找到變換矩陣T，這個很簡單，可以用其他方法（haar人臉檢測器，光流法，kalman濾波等等等等）大致找到目標的位置和大小以及方向。求的Y，再利用Y反求b，并且更新b，直到收斂。這里比較容易陷入局部最小，也是該方法的一個缺點。

二、模型在圖像中的匹配（fit）

說白了，也就是在圖像中找到模型的匹配點，前面已經說過了，可以利用其它方法大致找到模型的位置大小方向（不要小瞧這步，如果預處理的不好，是很容易陷入局部最小的），接下來就是如何改善參數得到好的匹配結果了。模型中可以調整的參數有b、Xt、Yt、s、theta這5個參數。這里作者提到了兩種手段：

1）先驗信息認為特征點主要是圖像的強邊緣點，并且圖像灰度的梯度服從高斯分布，只要找到模型特征點附近梯度最大的值，即認為是特征點所在的位置

示意圖如下：

這種方法很明顯，對圖像的噪聲很敏感，我這里不太推薦

2）對模型特征點周圍的紋理信息進行采樣，對比圖像和模型訓練集的紋理，找到紋理最接近的點即認為是特征點。作者這里比較紋理的工具是馬氏距離。為了提高搜索的效率，作者還提到了多分辨率搜索周圍像素紋理，對于粗糙的尺度，搜索范圍大，對于細致的尺度，進行細致的搜索，提高了匹配的效率。這個方法是我比較推薦的。

至于代碼，找到了很多版本，有基于opencv的，也有matlab的，大家可以到wiki的asm頁面找到對應的鏈接，但我自己實踐下來，總結一下，matlab我不是太熟悉，代碼量太大，我放棄了學習。asmlib-opencv是一個在國外讀書的國人寫的，有源代碼，但效果一般。還有個很牛的國人的作品asmlibrary，但核心部分只提供了lib，他的方法效果很好，代碼風格也非常棒，實時性也很好，這里感謝作品作者對我的指點。還有個牛人猛寫了不基于opencv的stasm，代碼量太大，我果斷放棄了。至于其他的一些作品都是只有demo，沒有code，很讓人遺憾。如果哪位大神有asm效果很好的基于opencv的源代碼，能提供給小弟，不勝感激。

from:?http://blog.csdn.net/yang_xian521/article/details/7468571

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的ASM（active shape models）算法介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。