头部姿态估计作为计算机视觉领域的重要研究课题,近年来受到研究人员的广泛关注。目前头部姿态估计在安全驾驶、智能监控、虚拟现实、人脸识别等多个重要领域都有广泛的应用。目前在主流方法中,头部姿态估计被视为监督分类或回归问题,其结果在很大程度上取决于训练数据地面真值标签的准确性,但是在实际场景中我们很难获取准确的角度标签。现有公共数据集的采集场景和协议标准均不同,因此导致这些数据集标签分布特性的不同。为了解决头部姿态估计对具有不同标签分布特性的数据集的依赖,本文提出了一种基于三维模型重建的头部姿态估计方法。该方法基于三维模型和二维图像的特征点拟合思想,利用神经网络进行数学计算和优化,一定程度上可以减少头部姿态估计对数据标签的依赖。本文主要研究基于三维模型重建的头部姿态估计算法,涉及的相关领域知识包括三维模型重建、人脸特征点检测以及头部姿态估计等。在三维模型重建上,选择基于深层神经网络从二维RGB图像中回归三维形变模型参数来重建三维模型的算法,并通过该方法合成实验所需的训练数据集;在人脸特征点检测上,考虑到人脸特征点检测的准确性,选择基于人脸对齐网络的特征点检测方法;在头部姿态估计上,用神经网络的计算替代传统的数学迭代优化计算过程,提出加入二维图像特征点和三维特征点拟合的损失。本文提出的方法基于三维模型重建,将特征点的拟合与神经网络的计算相结合,在准确度和稳定性上均具有较现有方法更好的性能。丰富的实验证明了该方法的有效性,因此该方法适用于大多数头部姿态估计的应用场景。