總體而言，FaceSDK較易找到人臉但特徵點取得較不準確，而STASM 2.4找到人臉的要求較高，但是找到的特徵點會比較準確。考慮到本專題所需，「偵測特徵點位置正確性」比「偵測出人臉」更為重要，且輸入圖片規格皆為完整臉形、臉置於中央，故STASM 2.4較為優異。另外因為另外由於FaceSDK程式是商業試用軟體，不僅未公佈algorithm，程式的使用還有時效性，故STASM 2.4於研究使用上，應該還是比FaceSDK更勝一籌！

    STASM帶有ASM的特性，它非常依賴於初始點集，因STASM是用無表情人臉作為原始點集，故取有表情的人臉的特徵點會產生誤差。目前使用兩個方法做矯正，首先是嘴巴的改進，先由STASM 2.4取出的嘴巴特徵點找出嘴巴區域，在對此區域做Histogram Stretch，嘴角將會是最深的部分，取此區域左右兩端最深色點即為嘴角。

    而嘴唇輪廓點因為嘴唇的顏色變化不大，不可採用上述方式進行，應採用Gradient的方法：Gradient可以找出顏色變化較大的邊緣線，利用這個特性去調整嘴唇輪廓點，使其調到附近Gradient最大(顏色變化最大)的地方即可。其他的Facial Feature Points也可依Gradient的方法來做修正。

    圖形化介面的改進與STASM取點準確度都可以是未來繼續研究的方向，以上兩種矯正取點方法都還維持在黑白圖形灰階值的矯正上，我想未來繼續的研究可能可以使用有色圖來做矯正，例如說：分別取出RGB圖片中三種顏色存成各種色版，再針對各色版做矯正。

    最後放上「表情誇張化」總成果圖一張，此即我們專題的最終成果示例。