脸部特征定位，即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。其中包括眼睛、鼻子、嘴巴、下颌、耳朵以及人脸外轮廓等所有需要提取特征点的位置。脸部特征定位可以为人脸识别、姿态表情分析、人脸跟踪等研究工作提供重要的几何信息，特征定位的准确与否直接关系到后续应用的可靠性因而具有举足轻重的地位。
    ASM(Active Shape Models)是基于几何形状信息的方法之一，由Cootes等于1992年提出。它采用点分布模型(Point Distribution Model，PDM)描述形状变化，另一方面计算各特征点法线方向上灰度值的一阶偏导，并建立局部纹理模型。在搜索时通过纹理模型得到当前点的最佳匹配位置，然后调节形状模型，最终达到对特征的精确定位。由于匹配准则的问题ASM容易陷入局部极小点，对于初始位置要求比较高。
    Wiskott等将Gabor小波用于人脸识别领域，提出了弹性图的概念并用于脸部特征的定位。该方法可以适用于一定程度的姿态及表情变化，实践证明是有效的。由于该方法在搜索时需要在整幅图上寻找特征点的最佳匹配位置，这一过程十分费时，计算量也很大。Jiao等使用Gabor小波提取局部纹理特征，Gabor特征的幅值与相位包含了丰富的人脸局部纹理信息，在搜索时可以提供指导。由进一步的研究分析可知，不仅特征点的Gabor系数特征包含局部纹理的有用信息，特征点周围邻域中各点的Gabor系数特征也是很有用的。基于此，提出了一种基于局部信息的脸部特征定位方法RGASM(Region GaborASM)。

1 标准ASM介绍
1．1 形状建模
    如图1所示，在ASM中目标形状用分布在脸轮廓、眼睛及嘴等位置处的一组点的坐标来表示，同类目标形状构成一个训练集。为了描述训练集中各形状相对于平均形状的变化，需要建立一个点分布模型(PDM)。该模型给出训练集中各形状的平均形状，同时提供一些参数，通过调整这些参数可以控制形状的变化。

    训练集中的形状矢量数学的表示为X=[x1，x2，…，xn，yl，y2，…，yn]T，通过Procrustes方法将训练集中所有形状进行对齐，然后对形状矢量进行主成分分析，得到
    X=X+Pb (1)
    其中，X是平均形状，P是特征向量矩阵，b是形状参数。
    矢量b定义了一组形状参数，可以通过改变b中的元素值使式(1)中的形状变化。为了使变化后的形状近似于训练集中的形状，应该将b中元素值的变化范围加以限制。
1．2 局部纹理模型
    局部纹理模型用来描述每个特征点周围区域的纹理特征，ASM的纹理模型是通过统计在特征点所在位置处法线方向采样所得的灰度剖面的一阶差分的变化得到的。
    对于第i幅图像的第j个特征点，在其法线方向采样得到灰度剖面gij，计算得到训练集中所有图像对于第j个特征点的灰度剖面gij(i=l，2，…，N)，将它们归一化并求得平均值gi以及方差矩阵Si，从而建立局部纹理模型。
1．3 搜索过程
    采用1．1节和1．2节中方法，可以训练出一个灵活的形状模型及局部纹理模型。利用它们可以对新的人脸图像进行特征点搜索，搜索过程的示意图，如图2所示。

    其中关键是求解达到最佳位置的偏移量。搜索时，同样沿法线方向采样得到比建模时长的搜索剖面，在其中寻找与该点对应的灰度模型的均值矢量最匹配的子特征矢量，并将该子特征矢量中心位置作为当前点的最佳匹配位置。目标函数为子特征矢量gs与该点对应模型的均值矢量gj的Mahalanobis距离

   
    分析可知，在当前位置处搜索当前点的最佳匹配位置就需要使得fj(gs)取得最小值。
    根据以上所述，在搜索时通过纹理模型得到当前点的最佳匹配位置，然后调节纹理模型，通过不断的迭代直到形状的改变量可以忽略不计为止。

2 基于Gabor小波变换的脸部特征定位方法
2．1 利用Gabor小波变换提取局部纹理特征
    1964，年，Gabor提出了著名的以自己名字命名的Gabor函数，它是高斯函数在频域中的平移，能够同时在时域和频域中很好的兼顾对信号分析的分辨率要求。二维Gabor函数较好的描述了哺乳动物初级视觉系统对简单视觉神经元的感受特性。Daugman于上世纪80年代首次将其应用在计算机视觉领域。
    二维Gabor函数表达形式为