Saragih 在 Face alignment through subspace constrained mean-shift 统一了asm/clm之类的算法，都称之为基于局部模型的算法（CLM）。Saragih主要考虑了
（1） 如何对局部特征检测器响应进行拟合近似。
（２）如何对近似后的响应，联合shape约束，进行最优求解。
对局部特征检测器响应的建模可以用二次拟合，高斯模型（ASM），多高斯模型，KDE 核密度估计。
进行最优求解时，需要注意两个座标系的转换关系，
训练时：
对于PDM建模，都是shape对齐以后，因此 s = mean_s + pb. 这里的shap 座标都是在模型座标系空间定义的。
对于图像中的目标shape,一般使用在全局座标系空间的座标。
如下式子中，（Xi，Yi）假设为图片中目标shape的座标，那么为了计算得到bj,即模型座标系空间中的shape 投影到PCA后的参数信息。 需要将（Xi，Yi）对齐到mean_s，对齐后，计算得到 d(Xi,Yi)，即variation，再投影得到参数信 息，看是否违背shape 约束。
f(s) = sum(Ri(Xi,Yi)) - sum(bj*bj/lamda_j)
为了将（Xi， Yi)对齐到mean_s,目前经常使用的是最小二乘法，对齐过程中，只假设（scale,angle,Tx,Ty)四个参数，即假设similar transform.
对齐时：
（1）一般先要获得初始位置估计，得到startshape.
（2） 在startshape附近寻找局部特征位置
（3） 联合局部特征总体响应和shape约束进行优化，此处需要将图像座标系shape映射到模型座标系，以求解和约束b参数。
（4）最优化得到shape，未收敛则进入下一次迭代。