Saragih 在 Face alignment through subspace constrained mean-shift 統一了asm/clm之類的算法，都稱之爲基於局部模型的算法（CLM）。Saragih主要考慮了
（1） 如何對局部特徵檢測器響應進行擬合近似。
（２）如何對近似後的響應，聯合shape約束，進行最優求解。
對局部特徵檢測器響應的建模可以用二次擬合，高斯模型（ASM），多高斯模型，KDE 核密度估計。
進行最優求解時，需要注意兩個座標系的轉換關係，
訓練時：
對於PDM建模，都是shape對齊以後，因此 s = mean_s + pb. 這裏的shap 座標都是在模型座標系空間定義的。
對於圖像中的目標shape,一般使用在全局座標系空間的座標。
如下式子中，（Xi，Yi）假設爲圖片中目標shape的座標，那麼爲了計算得到bj,即模型座標系空間中的shape 投影到PCA後的參數信息。 需要將（Xi，Yi）對齊到mean_s，對齊後，計算得到 d(Xi,Yi)，即variation，再投影得到參數信 息，看是否違背shape 約束。
f(s) = sum(Ri(Xi,Yi)) - sum(bj*bj/lamda_j)
爲了將（Xi， Yi)對齊到mean_s,目前經常使用的是最小二乘法，對齊過程中，只假設（scale,angle,Tx,Ty)四個參數，即假設similar transform.
對齊時：
（1）一般先要獲得初始位置估計，得到startshape.
（2） 在startshape附近尋找局部特徵位置
（3） 聯合局部特徵總體響應和shape約束進行優化，此處需要將圖像座標系shape映射到模型座標系，以求解和約束b參數。
（4）最優化得到shape，未收斂則進入下一次迭代。