1）BFM檢測器能夠根據目標的形狀而不是表觀來進行檢測；
2）對錶觀信息很接近的目標（bottle，cup）,BFM性能穩定。
1． Learning boundary fragments
1） 訓練模型需要的數據
訓練集（training data）：用方框（bounding box）標出目標的圖片。訓練集中都是正樣本。
驗證集（validation data）:訓練圖片只是被標記是否含有目標，並標出目標的矩心，但是不用框圖框出目標。驗證集中有正樣本，也有負樣本。
訓練集用於提取出邊緣片段（boundary fragment），驗證集用於驗證、提取具有辨別能力的邊緣片段。
2） 提取到的邊緣片段的綜合能力包括：
辨別能力：將目標區分於其他物體的能力；
預測能力：能夠準確的估計目標距心的位置。
3） 每一個候選的邊緣片段（candidate boundary fragment）必須滿足：
匹配能力：often可以跟正樣本的邊緣匹配成功，而且，less often能跟負樣本的邊緣匹配成功；
預測能力：在正樣本中，邊緣片段距心的位置跟實際距心的位置很接近。
圖1.判斷邊緣片段的優劣。第一行表示的是好的邊緣片段。這個邊緣片段often可以跟正樣本的邊緣匹配的很好，less often能跟負樣本匹配成功。同時，它很好地預測到距心的位置。第二行表示的是負樣本。
4） 評判邊緣片段（scoring a boundary fragment）
首先，使用Canny邊緣檢測算子得到圖片的邊緣。對於圖片的邊緣，要求比較低，不要求很perfect，有斷層、錯誤的 邊緣是允許的。
評判標準：
5） 邊緣片段的選擇
候選邊緣片段的獲取：在訓練樣本上，隨機的播散seed，在每個seed上提取邊緣片段。每個seed上的邊緣片段一開始是20個像素，之後以步長30pixels進行增長，直至邊緣片段長度達到520個像素。
邊緣片段的選擇：在每個增長階段都計算其。在這個seed上選擇最小的邊緣片段，但若最小的比閾值大，則 在這個seed上不選擇邊緣片段。如此在每個seed上進行操作。
6） Codebook的創建
爲了減少codebook中數據的冗餘，對選取的邊緣片段進行凝聚聚類操作。
圖2.（a）表示候選邊緣片段的增長過程（從右至左）。（b）表示邊緣片段聚類效果，其中第一列，表 示codebook的entries。
2. Training an object detector using Boosting
爲了提高匹配成功的可信度和距心的預測能力，將邊緣片段組合起來使用。選擇在驗證集正樣本匹配效果好的邊緣片段組合成弱分類器（week detector），然後根據boosting框架，選擇在訓練集匹配效果好的弱分類，構建強分類器（strong detector）。
1） 弱分類器
一個弱分類器一般由2-3個邊緣片段組成。弱分類器需要滿足：
形狀匹配：弱分類器中的邊緣片段具有很好的邊緣匹配能力；
距心一致：弱分類器中的邊緣片段預測的距心具有一致性。
距心準確性：弱分類器預測的距心與實際的距心具有一致性。
（弱分類器的匹配效果評判規則詳見論文）
2） 強分類器
選擇在驗證集正樣本中匹配效果好，距心預測準確的弱分類器，組成強分類器。
圖3.左邊表示一個由6個弱分類構成的強分類器，每個弱分類器中有兩個邊緣片段。右邊表示一個三個弱分類構成的強分類器，每個強分類器包含三個邊緣片段。
3. Object detection
圖4.從左至右，第一列表示原始圖片；第二列表示使用Canny邊緣檢測算法得到的邊緣圖片；第三列表示使用強分類器匹配的結果；第四列表示使用Houghvoting方法，計算得到距心；第五列表示對第三列圖片進行處理得到更接近目標邊緣的圖片，這個處理主要是去處像素小於30的邊緣片段，進行一定的擬合。第六列表示檢測結果，用矩形框框出目標；最後一列表示匹配效果。
4. Conclusion
BFM模型可以用於分類，具有一定的旋轉不變性，即目標旋轉之後，BFM 檢測器仍然可以檢測出物體。
圖5.BFM用於瓶子的檢測，可以發現在背景比較混亂，瓶子進行旋轉的情況，仍然能夠檢測出瓶子。