Theo phương pháp tối ưu hóa chuẩn thì chúng ta phải tiến hành tính giá trị δp theo từng bước lấy mẫu, nhưng trong thực nghiệm thì chúng ta có thể lấy một giá trị xấp xỉ cố định. Giá trị này được tính từ tập huấn luyện và kết hợp với lõi Gauss (Gauss kernel) để làm mịn tập dữ liệu:
( )( ( ) ( )) i jk i jk i k j dr w c r p c r p dp (2.30)
Trong đó w(x) là hàm trọng số của chuẩn hóa Gauss.
Từ đây ta có thể tính toán được R và sử dụng nó suốt quá trình tìm kiếm. Với kết quả tính toán này ta có thể áp dụng cho dữ liệu ảnh trong việc tìm ra phần nền (background) hoặc xác định vùng mà mô hình đã đè lên phần nền và loại bỏ chúng khỏi mô hình. Trong một số ứng dụng mà phần nền đã đoán trước được thì không cần áp dụng điều này.
Giá trị thích hợp của δc, δt, δu được xác định dựa trên thực nghiệm. Tùy vào đặc thù của mô hình được thao tác trong ứng dụng chúng ta có thể tìm các giá trị tương ứng thích hợp để mang lại hiệu suất cao nhất.
2.2.3. Ràng buộc tìm kiếm trong AAM
Trong một số ứng dụng nếu ta chỉ áp dụng duy nhất phương pháp AAM thì không đủ. Trong phương pháp so khớp độ chính xác phụ thuộc rất nhiều và xuất phát điểm của quá trình tìm kiếm trong khi phương pháp AAM bản thân nó không có một sự ràng buộc chặt chẽ như vậy. Hướng tiếp cận cơ bản nhất để xác định các điểm khởi đầu và ràng buộc cho AAM là cung cấp một ước lượng tương đối cho một tập điểm bằng tay hoặc bằng một hệ định vị đặc trưng tự động.
Trong phần này nhóm nghiên cứu xin trình bày sự hiệu chỉnh công thức so khớp của phương pháp AAM đã trình bày ở phần trên bằng phương pháp thống kê. Với phương pháp thống kê này ta có thể tính toán được tiền xác suất của mô hình tham số và tiền ràng buộc của vị trí điểm. Và từ những điểm ràng buộc này những điểm tiếp theo có thể thác triển liên tiếp theo như hiệu ứng domino với một sự biến thiên nhất định. Phương pháp này có thể xem như là một cách tích hợp AAM với một công cụ định vị đặc trưng, trong đó AAM vẫn đóng vai trò chủ đạo, còn công cụ đóng vai trò ước lượng lỗi của kết quả đầu ra.