前面對人臉對齊的生成模型的經典方法進行了一個簡單介紹，接下來，我將逐步介紹人臉對齊判別模型的一些經典文章，但是首先，我們對判別模型的一些經典工作做一個梳理。
簡單理解判別模型的做法直接找到一個對映函式，直接對映面部表觀到人臉特徵點位置。圍繞這個目的，判別模型分成了兩個方向的工作。
一、區域性對映加整體約束策略：對每一個特徵點構造對映函式，利用全域性形狀作為約束，來限制每個區域性特徵點的位置搜尋。
這個大方向下又可以進一步細分三種經典方法
1、CLMs方法：限制區域性約束模型，其做法基本就是按照這個思路來的。
2、CLR方法：限制區域性迴歸模型，其做法就是對每一個特徵點學習一個區域性迴歸函式，區別是CLR利用圖模型來對每一個區域性迴歸函式來加約束來限制區域性迴歸符的搜尋。
3、DPM方法：區域性可變部分模型，其典型做法就是，通過學習一個區域性表觀模型，加上一個樹結構模型對人臉面部形狀進行搜尋。
二、第二個大的方向及時直接學習一個向量迴歸函式，將人臉表觀直接對映到面部形狀。（這個方法是目前深度學習用到的最多的，人臉形狀直接被編碼在序列向量中）
該方法可進一步劃分：
1、綜合迴歸投票（ensembel regression-voting）：對所有的基於區域性迴歸的特徵點進行一個綜合投票，這樣選出一個魯棒性的形狀預測。
2、級聯迴歸方法：直接學習一個向量迴歸函式，加上boosting的思想，對人臉形狀進行估計。
3、深度神經網路：直接利用神經網路強大的非線性建模能力，在人臉表觀和人臉形狀之間進行建模。
詳細見下圖：

首先我們這裡說一下CLM方法，相似的工作我們可以談到前面講到的ASM方法，CLM是學習區域性檢測符來檢測每一個面部特徵點，一個先驗的形狀模型來表徵人臉形狀的變化，這裡之所以將CLM方法歸為判別方法這一類別中，是因為一般的檢測符是基於判別模型的。
後面首先對基於CLM方法的經典工作做一個介紹。