随着信息技术和人工智能的快速发展,计算机逐渐具备模拟人的思维和智慧的能力,计算机视觉成为了一个热门的研究课题。近年来,人脸检测、人脸识别、特征提取、人脸特征点跟踪等方方面面的研究方法也逐渐丰富和成熟。其中,人脸特征点跟踪是后续人脸识别和表情分析的基础。学者们已提出了很多的跟踪算法,但是在现实应用中,视频中的人脸容易受到姿态、表情和遮挡等各种内外因素的影响,使得人脸特征点跟踪变得非常困难。复杂背景下人脸特征点的跟踪问题,仍然值得深入研究。本文的主要研究工作和创新性主要体现在以下几个方面：1、对主流跟踪算法进行分析对比,仿真实验对比分析了粒子滤波算法与EKF、UKF算法在跟踪问题上的误差率。实验对比分析了Meanshift、光流、KLT等跟踪方法的准确率。实验证明,选取粒子滤波用于面部特征点的跟踪,是行之有效的。2、在构建的形状约束模型基础上,提出了一种基于颜色和纹理特征的粒子滤波人脸特征点跟踪算法。由于鼻子特征点在整个跟踪过程中变化很小,因此以它为基准点对眉毛、眼睛、嘴巴等关键特征点构建一个形状约束模型。然后,提取各个特征点区域的颜色和纹理特征,计算每个特征点在下一帧与上一帧中全部特征的相似度,将相似度最高的地方作为该特征点的最佳目标位置。当特征点的误差超过约束模型中的约束条件时,重启ASM算法进行特征点定位,然后再进行粒子滤波跟踪。实验证明,该算法能有效改善复杂背景下的姿态、表情和遮挡变化带来的影响,具有很好的准确性和鲁棒性。3、提出了一种改进的Condensation人脸特征点跟踪算法。对于跟踪的特征点,利用增量PCA算法实现均值和特征基的在线更新,提取特征点在子空间里的深度和宽度信息作为观测值,同时加入遗忘因子,在新样本更新过程中,考虑了旧样本的存在,从而更新了均值。实验证明,该算法对复杂背景下的姿态、表情和遮挡等变化,都具有很好的鲁棒性。