Supervised Descent Method学习之路（持续更新）

工作面试，给了我一篇Supervised Descent Method and its Applications to Face Alignment。一篇CMU的Xuehan Xiong教授发表于2013年6月的论文，引用率很高，算法也很精妙。虽然从没在这个领域摸爬滚打过，但是还是被里面的算法所吸引，遂认真学习一番~

 

SDM工程项目所需函数记录：

将数据集打包为tar文件，便于上传到服务器：

 

tar -cvf 打包后路径及文件名 需打包文件夹路径
tar -xvf 需解包文件夹路径 （为空则解包到当前路径下）

 

关于路径的异常处理：

import os
assert os.path.exists(file_path)
assert os.path.isdir(folder_path)

 

读取MATLAB的.mat文件：

from scipy import io
io.loadmat(path)

 

读取.pts的坐标文件：

with open(file_path) as f: rows = [rows.strip() for rows in f]
coords_set = [point.split() for point in rows[rows.index('{') + 1:rows.index('}')]]
return np.array([tuple([float(point) for point in coords]) for coords in coords_set])

 

获取文件夹里全部文件的名称所组成的list，如果需要根据扩展名获取还可以利用正则表达式匹配：

assert os.path.exists(folder_path)
assert os.path.isdir(folder_path)
return os.listdir(folder_path)

 

显示人脸的标记点：

from PIL import Image
from pylab import *
img = Image.open(filepath)
im = array(img)
imshow(im)
plot(X,Y,'b*')  #其中，X和Y为所有坐标的x与y组成的array
show()

 

图像像素向量的生成与逆推：

#x is a numpy ndarray
x_flatten = x.flatten()                    #将x压缩为一个一维向量
x_recover = x_flatten.reshape(x.shape)     #将x_flatten还原为原始数组