上一篇博客中提到了SGM的第一部分，基于分层互信息（HMI）的代价计算，时隔两个月，本文继续说说自己对SGM代价聚合部分的理解。

EM算法(Expection Maximuzation)的中文名称叫做期望最大化，我的理解EM算法就是一种引入隐含变量的坐标向上法，它与其他优化方法的目的相同，就是求解一个数学模型的最优参数，不同之处在于EM算法交互迭代的对象是隐含变量与模型参数，一般隐含变量表现为数据的类别。期望说白了就是数据的权重平均，在EM算法中，可以理解为数据的类别，那么既然确定好了数据的类别，下一步就是想办法求取新数据构

之前做过一段时间的人脸姿态估计研究，取得了比较理想的效果，拿出来和大家分享一下，第一次写博客，肯定有表达不清晰的地方，还请大家多多批评哈！当时自己刚开始这方面的研究，特别想找到关于这方面的博客介绍，可惜没有，于是产生了写一篇该方向上博客的想法，废话不多说，开始介绍！人脸姿态估计，顾名思义，给定一张人脸图像，确定其姿态，姿态由什么构成呢？很简单（pitch，yaw，roll）三种角度，分别代

早就想写这篇文章，但是一直没抽出空，主要是画图比较麻烦，嘿嘿~ 现在介绍如何利用经典的Levenberg_Marquardt算法求解无约束的非线性最小二乘问题。Levenberg_Marquardt算法是以两位数学家命名的搜索算法，它比较于常见的最速下降（又被称作梯度下降），牛顿法等，具有较好的全局收敛性，所以得到了较多的重视与应用。

之前做过一段时间的人脸姿态估计研究，取得了比较理想的效果，拿出来和大家分享一下，第一次写博客，肯定有表达不清晰的地方，还请大家多多批评哈！当时自己刚开始这方面的研究，特别想找到关于这方面的博客介绍，可惜没有，于是产生了写一篇该方向上博客的想法，废话不多说，开始介绍！人脸姿态估计，顾名思义，给定一张人脸图像，确定其姿态，姿态由什么构成呢？很简单（pitch，yaw，roll）三种角度，分别代

SGM算法源于《Stereo Processing by Semi-Global Matching and Mutual Information》一文，我认为这篇文章是立体匹配算法中最给力的，放眼KITTI，可以发现目前排名前五十的算法几乎一半都是对SGM的改进，具有最强的实用价值。SGM中文名称“半全局匹配”，顾名思义，其介于局部算法和全局算法之间，所谓半全局指的是算法既没有只考虑像素的局部区域

在上一篇博客中，自己介绍了Levenberg_Marquardt的算法流程，特点以及在非线性最小二乘问题上的应用，信赖域算法也是自己曾经研究过的算法，并且在姿态估计上进行了应用，比较下来，得到的精度和Levenberg_Marquardt算法不相上下，但是收敛速度却不如LM。本文介绍一下自己对信赖域算法的理解，与童鞋们分享一下。

KPCA，中文名称”核主成分分析“，是对PCA算法的非线性扩展，言外之意，PCA是线性的，其对于非线性数据往往显得无能为力，例如，不同人之间的人脸图像，肯定存在非线性关系，自己做的基于ORL数据集的实验，PCA能够达到的识别率只有88%，而同样是无监督学习的KPCA算法，能够轻松的达到93%左右的识别率（虽然这二者的主要目的是降维，而不是分类，但也可以用于分类），这其中很大一部分原因是，KPCA能

之前的博客介绍过自己对于正则化的理解

从最大似然到EM算法浅解zouxy09@qq.comhttp://blog.csdn.net/zouxy09        机器学习十大算法之一：EM算法。能评得上十大之一，让人听起来觉得挺NB的。什么是NB啊，我们一般说某个人很NB，是因为他能解决一些别人解决不了的问题。神为什么是神，因为神能做很多人做不了的事。那么EM算法能解决什么问题呢？或者说EM算法是因为什