主动形状模型

主动形状模型（ASM）是物体形状的统计模型，它迭代变形以适应新图像中物体的例子，由TimCootes和ChrisTaylor在1995年开发。

主动形状模型是一种应用广泛且发展成熟的人脸特征点定位方法。人脸特征点定位是人脸识别中的核心问题之一，它指的是在图像或图像序列的给定区域内搜索部分或所有人脸特征（如眼、鼻、嘴、耳等）的位置、关键点或轮廓线。

在定位图像中的人脸特征点之前，人脸图像对计算机而言只是像素值的集合；只有定位特征点之后，计算机才能够进一步解释人脸图像。实际上，人脸特征点定位完成了从像素级别的低层语义向特征级别的高层语义的转化。

这些形状受到PDM（点分布模型）统计形状模型的限制，只能以在标记的例子训练集中看到的方式变化。一个物体的形状由一组点（由形状模型控制）表示。ASM算法的目的是将模型与新图像相匹配。

ASM的工作方式是交替进行以下步骤。通过在每个点周围的图像中寻找该点的最佳位置来生成一个建议的形状。

这通常是使用所谓的轮廓模型来完成的，它寻找强的边缘或使用Mahalanobis距离来匹配点的模型模板。将建议的形状与点的分布模型相一致，在这里通常称为形状模型。

该技术已被广泛用于分析人脸、机械装配和医学图像（二维和三维）的图像。它与主动外观模型密切相关。它也被称为智能蛇方法，因为它类似于主动轮廓模型，会尊重明确的形状约束。

主动形状模型可分为两个子模型一一局部纹理模型和全局统计模型。

局部纹理模型用于局部搜索，它描述特征点附近的纹理特征，因此可将其作为局部搜索的目标函数，从而局部搜索可看成在特征点的邻域中寻找与该特征点纹理特征最相似的点；

全局统计模型用于全局约束，它限定了人脸图像中允许出现的人脸形状。

与局部纹理模型不同，它并非单个特征点的模型，而是对所有特征点整体建模，通过计算样本形状向量的统计量来约束可能出现的未知人脸形状。

局部搜索时某些特征点可能陷入局部极值，或者由于局部纹理模型描述不充分，导致搜索到的特征点偏差较大，这时，全局统计模型可以对这些点进行修正。