SDM(Supervised Descent Method and its Applications to Face Alignment )

sdm

SDM 人脸对齐的核心内容很简单，就是特征到偏移量的映射：
                                          Ix = R
I 是特征，x是映射矩阵，R是偏移量。SDM人脸对齐方法训练的目的就是得到映射矩阵x，步骤如下：
      ）归一化样本，使样本的尺度统一；
      ）计算均值人脸；
      ）将均值人脸，作为估计人脸放在样本上，使均值中心和原始人脸形状中心对齐；
      ）计算基于每一个均值人脸的标记点的特征，sift，surf或者hog，切记不要基于灰度值的相互特征；
      ）将所有点的特征串在一起，形成样本特征，所有样本特征形成矩阵I；
      ）计算估计人脸和真实人脸之间的偏移量，并形成矩阵R；
      ）解线性方程Ix=R， matlab中可用x = I \ R，lapack中可用函数dgelsd。
估计形状加上预测偏移量就是结果，在实际情况中，共需要训练多层，二层以后需要使用上一层对齐的结果作为估计形状。
      实际在运用过程中可能会遇到各种问题，总结下来有以下几点：
      ）速度太慢，尤其是使用sift，surf特征；
      ）无效，基于灰度值类的特征由于在标记点周围的小窗口内，灰度值基本一致，变化不大，这也是人脸的一个显著特征；
      ）效果有待提高，hog特征有效的解决上述问题，但是始终不理想，尤其是，水平大角度偏转。

re

1. CSDN_newbee;

2. SDM_pdf;

3. github;

4. author_homepage;

5. github-patrikhuber;

6. materials;

7. matlab_code;

8. Derive;

9. 106points;

end