人脸关键点检测是计算机视觉领域的重要研究课题之一,也是人脸识别、人脸属性分析、人脸编辑等任务的基础步骤。近年来,在众多研究学者的共同努力之下,人脸关键点检测取得了长足的发展,但无约束条件下,人脸形状和外观容易受许多内部因素如复杂表情、头部姿态、自遮挡和外部因素如光照、采集设备、实物遮挡的影响,具有极高的可变性,因此,人脸关键点检测仍是一项待攻克的艰巨任务。本文针对无约束条件下人脸关键点检测问题进行研究,研究工作主要包括:针对现阶段人脸关键点检测传统方法在遮挡和光照等无约束条件影响下存在检测精确度不高的问题,提出了一种基于字典学习的更具鲁棒性人脸关键点检测算法,该算法提取人脸关键点的形状特征和关键点下的人脸外观特征对人脸形状和人脸外观建模,构建并学习形状字典和外观字典,然后通过稀疏系数建立人脸形状与人脸外观之间的联系。模型在形状字典的训练过程中引入人脸关键点突变参数和误差权重衰减参数,构建编码误差矩阵,使得形状字典在学习过程中更多地关注有效人脸部分,减轻光照、遮挡等带来的影响。针对目前大多数基于深度学习的人脸关键点检测算法通过不断加深网络深度来提高检测准确率,导致模型复杂度过高的问题,提出了一种端到端的改进堆叠沙漏网络,该堆叠沙漏网络通过改进残差模块的直接映射部分以及引入Inception模块来简化模型。此外,从损失函数的角度出发,针对基于热图回归的人脸关键点检测算法以高斯编码的方式构造真值热图缺少理论支撑和采用极大值函数离线获取预测关键点坐标不可导的问题,使用软极大值函数取代极大值函数,将预测热图转换为预测关键点坐标,充分结合热图回归与坐标回归的优势,进一步提高关键点检测准确度。最后,本文分别在300-W数据集和WFLW数据集上训练与评估,通过分析实验结果,并与现有的人脸关键点检测算法进行对比,以验证本文所提算法的有效性。