头部姿态估计是估计人脸图像在三维空间中的旋转角度的过程。头部姿态估计作为计算机视觉中的一个重要研究方向,可应用于很多领域,包括人机交互,虚拟现实,多姿态人脸识别,疲劳驾驶检测等领域。目前,头部姿态估计的方法大体上可以分为三类：基于人脸外观的方法、基于分类的方法和基于模型的方法。早期主要研究基于人脸外观的方法,近年来主要研究基于分类和模型的方法。基于分类的方法通常应用在静态图像中较多,难以模拟出视频中头部姿态变化的连续过程,从而导致了精度难以保证。基于模型的方法是目前的研究热点,它的优势在于高效,并且在特征点定位准确时,精度能够得到保证。本文主要围绕基于三维人脸模型的头部姿态估计进行研究,涉及到的相关领域知识主要包括人脸检测,人脸对齐以及头部姿态估计等。在人脸检测上,选择了基于Haar特征和AdaBoost级联分类器的人脸检测算法,用该算法首先寻找人脸区域；在人脸对齐上,分别考虑到人脸关键点定位准确性和效率的基础上,选择了SDM (Supervised Descent Method,监督下降法)方法,并提出了跟踪方案；在头部姿态估计上,采用关键点选择更加灵活的基于三维人脸模型的POSIT (Pose from Orthography and Scaling with Iterations,比例正交投影迭代变换)方法,并且考虑到可能出现部分关键点跟踪丢失的情况,提出了一种自适应更新三维人脸模型的方法,并利用POSIT估算头部姿态,即自适应地选择更准确的人脸关键点,同时根据这些关键点的位置相应地更新三维人脸模型。本文重点研究了基于模板匹配和POSIT的头部姿态估计方法,并对比了POSIT和自适应POSIT的头部姿态估计方法。此外,提出了基于SDM人脸关键点定位和头部姿态估计的疲劳驾驶检测的应用,并用两组实验模拟其检测过程。实验显示,该方法在Matlab2012a上能够达到每秒15帧的速度,在C++上可以达到每秒22帧的速度。