一、ASM算法引入 当我们试图去对一个目标物体进行形状建模时，那么就用一个简单的矩形来说明如何对矩形（目标物体）进行形状建模吧。我们用四个顶点和每条边的中点来构造一个矩形，这样我们就可以仅仅通过排列这八个点来建立一个新的矩形实力。为了确保这个模型（八个点）总是能构造一个矩形，我们必须对这些点和他们之间的关联添加相应的限制。如下图所示，P2到P1的距离必须等于其到P3的距离，P3P5构成的向量必须与P5P7构成的向量垂直。 接下来，我们来想想如何对人的手进行形状建模吧，这更符合我们当下的需求。我们用手可以摆出各种各样的姿势，所以我们不仅要描述手指每个节点之间的关系，而且还要描述节点的位置如何随着手的姿态变化而变化。我们需要一种能够自动从样本形状中提取上述规则（类似如何通过对八个点的限制来生成矩形）的方法。 基于此我们就引出了ASM（Active Shape Model，主观形状模型），通过形状模型对目标物体进行抽象。ASM从一系列训练的形状模型中学习，得到一系列形状向量和目标物体的平均形状。SM是一种基于PDM的算法，。在PDM（Point Distribution Model，基于点分布模型）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。 二、ASM算法实现过程 首先我们定义一个含有n个点的向量来表示一个形状x={p1,p2,…,pn}，这些点表示在笛卡尔坐标系中。在2维中表示，pk=(xk,yk)。利用这一表示方法，我们来进行ASM的训练。在实际应用中，ASM算法的实现一般分为训练过程和搜索过程。通过训练图像样本获取训练图像样本的特征点分布的统计信息，并且获取允许特征点存在的变化方向，实现在目标图像上寻找对应的特征点的位置。训练样本需要手动的标记所有的特征点的位置，记录特征点的坐标，并且计算每一个特征点对应的局部灰度模型作为局部特征点调整用的特征向量。