标签：
????最近组里研究了SDM算法在人脸对齐中的应用，是CMU的论文《Supervised Descent Method and its Applications to Face Alignment》。因为思路简洁巧妙有效，两年下来引用率就有283+了，以后估计1k+，这么有影响力的文章是要学习学习。网上有了相关的原理介绍，例如：http://www.thinkface.cn/thread-2913-1-1.html。自己看了有所了解，但不能真正理解原理思路，还是直接看论文为妥。
1、问题
最小二乘问题中，用牛顿法求解是常用的办法，但用在求解计算机视觉的问题的时候，会遇到一些问题，比如1）、Hessian矩阵最优在局部最优的时候才是正定的，其他地方可能就不是正定的了，这就意味着求解出来的梯度方向未必是下降的方向；2）、牛顿法要求目标函数是二次可微的，但实际中未必就一定能达到要求的了；3）、Hessian矩阵会特别的大，比如人脸对其中有66个特征点，每个特征点有128维度，那么展成的向量就能达到66x128=?8448，从而Hessian矩阵就能达到8448x8448，如此大维度的逆矩阵求解，是计算量特别大的（O(p^3)次的操作和O(p^2)的存储空间）。因此避免掉Hessian矩阵的计算，Hessian不正定问题，大存储空间和计算量，寻找这样一种方法是这篇论文要解决的问题。
2、原理
????大家都知道，梯度下降法的关键是找到梯度方向和步长，对于计算机视觉问题，牛顿法求解未必能常常达到好的下降方向和步长，如下图所示：
（a）为牛顿法的下降量，收敛不能达到最理想的步长和方向。而（b）本文的SDM算法，对于不同的正面侧面等情况都能得到很好的收敛方向和步长。既然Hessian矩阵的计算那么可恶，我们就直接计算梯度下降方向和步长嘛。
????在开始之前，我们需要用数学模型把问题描述出来先，假设给定一张要测试的图片
（这里把图像自左向右自上而下地展成了一维的向量，具有m个像素），
表示图像中的p个标记点，这篇文章里面有66个标记点，如下图黑人肖像所示。
?
?
如下图所示：
?
3、实验结果
a、真实结果和拟合结果比较图：
SDM接近于真实的标记结果，拟合结果很好。（红色的为Ground True，绿色的为SDM拟合结果）
?
b、SDM 和 Netown的迭代收敛比较图：
牛顿迭代法出现迭代失败的情况，而SDM均可以迭代至收敛。
?
c、LFPW数据集合的效果比较图：
对灰度，戴眼镜，侧脸和遮挡都有很好的拟合效果。
?
d、指定跟踪算法和SDM比较图：
指定跟踪器会出现过拟合的现象，而SDM表现则相当的稳定
?
4、参考资料
[1].http://www.thinkface.cn/thread-2913-1-1.html
[2].Supervised Descent Method and its Applications to Face Alignment.pdf
人脸对齐SDM原理----Supervised Descent Method and its Applications to Face Alignment
标签：
原文地址：http://www.cnblogs.com/cv-pr/p/4797823.html
