人脸特征点定位在人脸识别、表情识别、年龄估计等系统中发挥的关键作用,使其成为近年来的热门研究课题之一。目前对人脸特征点定位算法有很多的研究,准确率也在不断提升,但仍面临着光照不均、姿态偏转较大以及遮挡等挑战。针对当前定位所存在的挑战,本文提出了基于coarse-to-fine的定位方法。coarse即粗定位:利用改进的深度卷积神经网络DCNN(Deep Convolutional Neural Network)方法进行粗定位,fine即精定位:将粗定位的结果作为初始形状,不断迭代回归进行微调,最终得到较精确的定位结果。本文从这两点出发,对初始形状选择和回归参数求解方法进行相关的改进。考虑到DCNN无需初始化的优点,本文利用卷积层较少的DCNN得到人脸样本的粗定位结果,该方法克服了深层网络计算量大、参数复杂的弊端,提升了定位的效率。此外,还结合权重初始化、参数优化等相关的网络优化问题对粗定位的结果进行优化。虽然卷积层较少的DCNN学习到的形状不能够满足精确度的要求,但将该形状作为初始形状进行回归得到的定位效果远好于选取平均形状等作为初始化。因此,本文将该定位结果作为后续回归的初始形状,根据改进的K-means方法的聚类结果选择候选集合,在候选集合中利用级联形状回归方法对粗定位的结果进行调整,进一步得到更精确的定位结果。本文选取SIFT特征为特征提取函数,并对SDM(Supervised Descent Method)回归方法进行改进,通过3个stage的形状迭代更新得到最终的定位结果。本文在公开的300-W等标准定位数据库上对提出的算法进行测试,得到了较好的定位准确率和性能,算法在300-W人脸库上的平均错误率为6.34%,比ESR(Explicit Shape Regression)(7.58%)、SDM(7.5%)等经典定位方法都更加精确,对光照不均、偏转角度大和遮挡等因素也有更强的鲁棒性。