人脸特征点定位是机器学习领域中一项基础性的研究,广泛应用于人脸数据分析、人脸识别和人脸重构。人脸特征点定位的主要难点在于人脸外观易受光照、表情、姿态等因素的影响,从而发生形变引起特征的丢失,最终导致特征点定位的失败。通常,流行的人脸特征点定位算法针对正面的人脸样本进行训练和测试,对于多角度的人脸特征点定位效果不佳。然而现实生活中的应用如犯罪分子识别、敏感人物检测、非限定性场景下的人脸表情识别和人脸动画等都属于多角度人脸特征点检测研究。而多角度的头部姿态会引起脸部外形的非线性变化,对人脸特征点定位的影响较大。由于有这些外界因素的影响,人脸特征点定位成为一项具有挑战性的研究任务。本文在已有算法的基础上进一步进行分析与研究,提出一种多角度的人脸特征点定位的方法。该方法采用头部姿态估计和条件回归森林相结合,将原非线性问题转换为分段线性问题,有效地提高了人脸特征点定位的精度。该方法主要包含两部分:第一部分是头部姿态估计,采用局部保持投影(LPP)和广义回归神经网络(GRNN)相结合的方法,进行二维平面角度头部姿态估计,该方法首先用局部保持投影对图像数据进行降维,然后采用广义回归神经网络将数据映射到线性可分空间,通过广义回归神经网络的结果对头部姿态进行精确估计。实验表明,该方法能够很好地估计出头部姿态,具有较快运行速度和较强的鲁棒性。第二部分是人脸特征点定位,采用基于头部姿态的条件回归森林对二维图像进行人脸特征点定位。面部的一些变化依赖于全局人脸的特征如头部姿态,因此我们从头部姿态对人脸进行分类学习。条件回归森林是从参数空间中得到几个条件概率来代替常规随机回归森林的单个概率,因此不再需要处理全部人脸在外形上的变化。通过不同头部姿态分别训练对应的条件树,在预测时也通过头部姿态进行决策。实验表明,该方法有效地降低了头部偏转引起的特征点定位误差,人脸特征点定位的精确度得到提高。最后是表情动画合成,基于获取到的人脸特征点定位信息,建立图像与三维模型表情的对应关系。通过这种对应关系训练径向基回归网络,获取人脸表情权重,进行表情动画合成,并搭建表情动画合成系统。系统采用Microsoft Visual2010开发工具,并驱动Ogre模型生成表情动画。该系统是本文方法的实例化体现,且为后续研究提供技术平台。