人脸对齐是计算机视觉中的经典问题之一,其目的是自动计算出给定人脸图像中的面部关键点坐标。精确的人脸关键点定位结果对许多视觉任务具有重要意义,如人脸识别、3D人脸重建、人脸表情分析、人脸姿态估计等。随着相关技术的发展,目前的人脸对齐方法在受控条件下可以达到较低的定位误差。然而,许多人脸相关应用的输入是在自然条件下获取的,由于存在光照、背景、人脸姿态、图像质量等多种干扰因素,人脸对齐问题依然非常具有挑战性。本文主要关注非受限条件下的人脸对齐问题,主要贡献点如下:(1)本文通过实验分析发现,合理的初始值可以使级联回归模型的定位误差率大幅下降。基于该发现,本文提出了由粗到精的两阶段人脸对齐算法框架,将人脸对齐分成粗定位和精定位两个子问题,且每个问题应该使用专用方法解决。(2)针对粗定位问题,本文设计并实现了一种基于深度卷积神经网络的模型,该模型以整张人脸为输入,直接预测所有人脸关键点的位置坐标。在300-W测试集上的结果表明,该模型能有效降低人脸关键点定位失败率。(3)针对精定位问题,本文提出了一种基于参数共享的级联回归模型,该模型中的每个回归步骤均使用相同的参数。与粗定位模型结合后,在300-W测试集上误差率降低到了 state-of-the-art。此外,本文还指出可以将单个回归模型作为梯度预测模型,通过结合梯度下降算法中的技巧,实验表明关键点定位误差率还可以获得进一步下降。