人脸关键点检测,也被称为人脸对齐,是重要的计算机视觉任务。人脸对齐的目标是自动定位出人脸面部关键点。面部关键点指的是预先定义好的位于人脸五官和面部轮廓上的点。关键点检测对于人脸识别,表情识别等有着重要作用。但是现实中获得的人脸图片存在光照、姿态、表情、遮挡等因素的影响,为关键点检测带来了挑战。例如,现实中的人脸存在各种各样的姿态,不同姿态的人脸表观差异大,使得关键点检测仍有很大的研究空间。本文主要针对姿态因素,提出了姿态鲁棒的人脸对齐算法,主要工作和贡献如下:首先,我们提出了基于自适应SDM模型的人脸对齐模型。该算法通过聚类将姿态各异的人脸图片划分成不同的姿态类别,将困难的问题划分成相对简单的子问题进行处理。每一个类别下的人脸姿态相似,差异小,同时给予每一个类别下更接近真实形状的初始形状,使得关键点位置的回归更加高效准确。遵循由粗到细的准则,采用自适应特征提取框来进行特征的提取,随着迭代次数增加特征框不断变小,使得能够提取到有利于关键点检测的判别性特征。在LFPW、HELEN和300W数据集上的实验结果表明我们算法对姿态具有鲁棒性,提高了关键点检测的准确度。接着,我们提出了基于Wing loss的深度人脸对齐网络。该算法是采用级联回归的方式,总共分为两个阶段,每一个阶段都通过一个卷积神经网络产生关键点的位置。在第一阶段与第二阶段中间加入了转换机制,缓解了姿态对关键点检测的影响。同时加入关键点热力图,使得网络能够利用整张人脸信息。我们分析了现有损失函数对关键点检测平均误差的影响,发现都只对大误差有好的表现,进而提出了Wing loss,使得能够兼顾大小误差对关键点检测的影响。在300W、AFLW、MTFL数据集上的实验结果表明该算法对姿态具有鲁棒性,同时对光照、表情、遮挡也具有一定的鲁棒性。