1、
基于模型的方法在解释对象图像方面引起了研究者们的极大兴趣。通过拟合模型的有
效实例可以得到鲁棒的输出结果。此外，根据一组模型参数解释图像的能力为场景解释提
供了基础。为了实现这些好处，对象外观模型应该尽可能的完整，且能够合成接近目标物
体的任意图像。
尽管基于模型的方法以及被证明是有效的，而且也存在着一些合适的方法，但大都有
着大量的参数，虽然也可以利用通用的方法进行优化求解，但是一般情况下会很慢。
本文中提出一种直接优化方法，方法不会每次都去求解一个一般的优化问题去将模型
拟合一张新图片上。相反，我们对每一次的优化问题都很相似这个点进行扩展，而这些相
似之处在离线的时候就学习到。这样即使在高维空间下也能快速收敛。
本文通过总结之前相关工作讨论了图像解释的概念。 2 中解释了如何构建对象外观紧
凑模型，这个模型可以很好的生成与训练集中相似的通用模型。
1.1
【5】中虽然提取了灰度外表的 3D 模型，允许全部组合形状和外观，然而却没能给出
合理的搜索算法来对新图像进行建模。
【6】中对形状和局部灰度外观进行建模，使用 ASM 模型灵活的定位新图像中的对象。
【8】中将 ASM 扩展，生成一个形状和灰度外观的联合模型，但依然依赖 ASM 去在新
图像中定位脸部。本文新方法可以看做是【8】的延伸，其利用联合外观模型的全部信息去
拟合图像。
本文新方法得益于早前的两篇文章。【7】中显示了本质特征模型的参数能被用来推导
形状模型点到正确的位置。这里描述的 AAM 就是这个方法的一个扩展。【2】中用手工制
作的模型去跟踪面部的特征点，但是没有尝试对整个脸部建模。 AAM 可以被归纳为：学习
与每个模型参数的变化对应的图像差异模式，并用于修改模型估计。（学习与模型参数变
化相一致的图像差异模式，并用之来修改模型估计）
[18]中在离线处理阶段使用不同的图像去跟踪、学习图像误差和参数补偿之间的关系
（该方法大致是使用图像差异来驱动跟踪，在离线处理阶段中学习图像误差和参数偏移之
间的关系。）。不同之处在于，【18】使用的单独一张图像，而 AAM 使用一个训练集。
2、
这一部分介绍外观模型是如何建立的。方法就像【8】中提到的那样，只是扩展了正规
化和加权重步骤。首先需要一个标记了特征点的训练集。
给定一个训练集我们可以用 6 中的方法生成一个形状变化模型。标记点描述了对象的
形状。将所有数据对齐到标准帧(ASM 中，标准帧指的是所有帧的平均。这里指的是标准帧
还是仅仅对齐到一个共同的框架上就可以？)---（不管怎样，这里的最终结果和 ASM 一样，
所以每个步骤也和 ASm 一样）上并用向量 x 来表示，之后使用 PCA，得到每个样本的形状
变化模型的表示：
为了构建统计意义上的灰度外观模型我们扭曲每个样本图像，目的是为了使其控制点
匹配到平均形状（使用三角化方法）。从对齐到标准形状后的图像中的由平均形状覆盖的
区域部分采样灰度信息 gim。（我们从平均形状覆盖的区域上的形状归一化图像中采样灰
度信息 gim。）（那么这里，意思是灰度信息 gim 是整个覆盖区域的像素点的灰度值？）
为了最小化全局光照变化的影响，我们通过应用缩放 a 和偏移 b 来标准化示例样本:
评论0