头部姿态估计是计算机视觉的热点研究方向之一,并在人机交互、学习者行为分析等领域有着广泛的应用。虽然已经很多方法在实验数据集上报告了良好的结果,然而这些方法在实际应用时性能却急剧下降。究其原因:大部分头部姿态估计算法采用有监督学习方式训练,对数据集的头部姿态客观标注过于依赖;然而,由于标注困难,现有数据集的头部姿态标注存在较大误差。为规避头部姿态估计方法对数据集标注的依赖,本文研究了人脸三维重建和基于三维模型与二维图像特征点匹配的头部姿态估计方法。主要内容和贡献如下:1)提出了一种基于形变模型和深度学习的人脸重建方法。构建了一个“形状+表情”的人脸几何混合模型,提出了针对人脸特征点的损失,用于训练网络自动从人脸图像回归人脸参数,最终能生成带有表情的个性化人脸几何模型。本文提出利用编码-解码结构,直接从图像中重建得到人脸纹理的UV贴图,进而将纹理UV贴图映射到几何模型上,完成三维人脸重建。我们提出结合生成对抗网络的生成作用,让整个结构进行自监督训练,进一步完善人脸整体细节。本方法在AFLW2000-3D数据集上取得了0.0413的纹理重建误差,三维人脸对齐精度提升了2.8%,平均重建时间仅为27.5ms。2)提出了一种基于三维人脸模型和二维图像特征点匹配的头部姿态估计算法。在研究内容1)中重建得到三维人脸的基础上,提取模型中三维人脸特征点,再用特征点检测器从图像上检测二维人脸特征点。据此,本文构建了三维人脸特征点与二维人脸特征点间的空间映射模型,进而得到关于特征点匹配的无约束非线性优化问题。本文提出了一种包含二阶段求解的迭代优化算法来求解该优化问题,并计算得到头部姿态。本方法在在Pointing’04和Pandora上分别取得了4.78°和5.06°的最低平均绝对误差,在五个数据集上综合平均误差不超过6°,误差标准差小于1。本文提出了一种重建具有个性化几何形状和真实纹理的三维人脸模型的方法,与现有方法相比,纹理重建质量高,三维人脸对齐精度高,平均重建耗时27.5ms。在重建人脸模型的基础上,本文提出了一种头部姿态估计方法,并将本方法和其他当前最先进方法,在五个被广泛使用的公共数据集上进行了丰富的实验对比和分析,结果表明,本方法在单个数据集上都能取得稳定且良好的实验结果,在跨数据集实验中平均误差不超过6°,误差标准差不超过1,鲁棒性更强。