ASM（active shape model）算法学习总结

最新推荐文章于 2025-05-22 10:37:57 发布

原创

最新推荐文章于 2025-05-22 10:37:57 发布 · 6.5k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#asm #图像处理 #人脸对齐

本文是对ASM（Active Shape Model）算法的总结，介绍了ASM的基本概念、优势与不足，以及训练和特征点提取的详细步骤。ASM是一种基于点分布模型的统计学习方法，常用于图像处理中的人脸对齐等任务。通过对训练集进行标记、对齐和PCA降维，构建形状模型，并通过局部特征匹配实现特定物体的匹配。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

引言

大二利用ASM算法做完项目后，一直没有进行总结。时至今日读了ASM原始论文，以及多篇ASM算法介绍的博客，做以下总结。

ASM（active shape model）大多地方译作：主动（主观）形状模型，我个人认为如果译作：动态形状模型 更为合适，原始论文指出ASM是形状可变的图像结构模型。（new methods of building and using flexible models of image structures shose shape can very）。

简介

ASM的基础是：图像的结构能够被一系列的点来表示。可以是表示边缘的点、内部结构的点甚至是外部的点。这意味着ASM可以用来提取物体的特征点、可以做为表示物体特征的一种形式。【这种以点来做物体特征的方法曾用于ChaLearn Lookingat People New2015 competitions 中年龄预测部分】

以下两种见于博客中对ASM的简介：

ASM是一种基于点分布模型（Point Distribution Model,PDM）的算法。在PDM中，外形相似的物体，例如人脸、人手、心脏、肺部等的几何形状可以通过若干关键特征点（landmarks）的坐标依次串联形成一个形状向量来表示。个人认为这种说法直观上更易于理解。

ASM基于统计学习模型的特征点提取的一种方法。