Site updated: 2015-06-06 14:31:06

Author: chenbiaolong

2015/05/29/ASM-one/index.html

@@ -111,8 +111,8 @@ <h2 id="概要">概要</h2>
 <h2 id="训练图像的标定">训练图像的标定</h2>
 <p>为了建立ASM，需要一组标有n个特征点的N幅人脸图象(包括多个人的不同表情和姿态)作为训练数据。特征点可以标记在脸的外部轮廓和器官的边缘，如下图所示。</p>
 <div class="figure">
-<img src="http://7u2qr4.com1.z0.glb.clouddn.com/blog1353147003_8880.png" alt="此处输入图片的描述">
-<p class="caption">此处输入图片的描述</p>
+<img src="http://7u2qr4.com1.z0.glb.clouddn.com/blog1353147003_8880.png" alt="标定的人脸图像">
+<p class="caption">标定的人脸图像</p>
 </div>
 <p>这张图中有67个标定点，需要注意的是各个标定点的顺序在训练集中的各张照片需要一致。比如<code>2</code>和<code>12</code>这两点分别对应脸和耳朵的连接处，在其他的训练图像中也要有一样的标定点。 假设我们一共有<code>N</code>张的训练图，每一张图都有<code>n</code>个点，第<code>i</code>张图像的第<code>k</code>点坐标表示为 <span class="math display">\[\left(x_{i,j},y_{i,j}\right)\]</span> 对于第i张图像，各个标定点可以用一个矩阵表示： <span class="math display">\[X_i=\left [ x_{i0},y_{i0},x_{i1},y_{i1},...x_{i(n-1)},y_{i(n-1)}\right ]^T\]</span> 其中1&lt;=<code>i</code>&lt;=N; ##训练图像的对齐 为了研究训练图象的形状变化，比较不同形状中相对应的点，应先对这些图象进行对齐。对齐是指以某个形状为基准，对其它形状进行旋转，缩放和平移使其尽可能的与基准形状接近的过程。 <strong>与基准形状尽可能接近</strong>，在数学上我们经常用欧式距离的大小衡量接近的程度。假设图像i的标定点矩阵为<strong>Xi</strong>,图像j的标定点矩阵为<strong>Xj</strong>,二者的欧式距离大小为 <span class="math display">\[d_{ik}=\sqrt{(x_{i0}-x_{k0})^2+(y_{i0}-y_{k0})^2+(x_{i1}-x_{k1})^2+(y_{i1}-y_{k1})^2+...+(x_{i(n-1)}-x_{k(n-1)})^2+(y_{i(n-1)}-y_{k(n-1)})^2}\]</span> 也可以用如下的矩阵运算形式表示： <span class="math display">\[
 d_{ik}^2=(X_i-X_k)^T(X_i-X_k)