瓧
5.1
STASM的矯正
STASM基本上是使用ASM來取點，ASM是一種目前常用的物體定位方法，它是基於統計學的可變形模型所創建的一種方式，現在常可見於人臉取點上。
ASM的優點是它可以允許目標物一定程度的形狀變化，並且還是能保證變化後的形狀仍代表某物體或結構，但是它的缺點便是目標搜索依賴於初始點集，故容易陷入局部極值。
舉例來說，若ASM原Model是一無表情閉嘴巴之人臉，則若輸入一無表情閉嘴巴之人臉，可得到理想的結果，但若一開口笑的人臉，在嘴巴取點上即可能會有所偏差。
合於初始點集的人臉
不合於初始點集的人臉
上面兩張圖即為原程式取點狀態，當輸入符合要求的圖(左圖)時，便可得到正確的取點，當輸入圖不符合原始Model的嘴形(右圖)時，便會出現取點的誤差。
瓧
5.2
Histogram Stretch
Histogram Stretch是將原來某區域的灰階值拉開，讓對比加深，可以使電腦更容易找到邊界。
嘴角的位置顏色變化大，很適合用Histogram
Stretch來修正。
首先取出嘴巴的區域，將原下巴到鼻下、原臉頰至嘴角中間處定義為原嘴巴區塊，並將之由彩色轉黑白。
恷
彩色轉黑白
再對其做Histogram
Stretch將原Histogram拉開至0~255
恷
將原Histogram拉開至0~255
於是便可將對比拉大
恷
Histogram Stretch結果
再做高反差修正，即在 找出一個
Threshold 值，當灰階值比Threshold小的點設為
0，比 Threshold大的設為255，於是整個區塊便會轉成只有黑白兩種顏色的
Binary Image。
根據學長的實驗，以
Otsu 的演算法 [5] 找出的Threshold
的一半來做高反差修正，所得結果 Binary Image 效果會比較好，所以我也依此實做。
恷
高反差修正
最後找出Binary Image中最左邊與最右邊的黑點，即知是嘴角的位置。如此便可修正原取點，得到新嘴角的位置。
瓧
5.3
Gradient
矯正完嘴角的位置，便需要一起矯正嘴唇取點，因為嘴唇的顏色變化不大，無法使用Histogram Stretch，故使用陳厚鈞學長的方法[6]，取嘴唇16個點中9個點做修正，其餘點則對照已矯正得點去算出自己的位置。
從嘴唇的上緣、嘴唇的下緣以及下嘴唇的上緣各取三個點，使用
Gradient 來找出影像的邊緣。
原圖
取Gradient
故可以發現Gradient值在邊緣部分都特別大，這個特性即是用以矯正的基礎。選擇Gradient最大的地方作為新的嘴唇邊緣取點處。
瓧
5.4
矯正結果
除了嘴巴部分外，因為發現Gradient值在邊緣部分都特別大，故可再對原其他特整點做Gradient矯正。
以下是一矯正結果示例：
原圖
矯正後
原圖
矯正後
由上兩例可發現，原圖(左圖)所取之嘴巴特徵點連線並不像照片中的嘴形，而是略呈橢圓，但在矯正過後(右圖)，所取之特徵點即更符合原始嘴巴的扁平嘴形了。此即嘴巴校正的結果。