头部姿态估计在智能监控领域有着巨大的应用价值。头部姿态一般体现着个体感兴趣的目标及其行为趋势,它是行为识别的重要依据。然而,给定一幅人脸图像,估计其中头部的姿态具有相当大的难度,特别是估计姿态中的俯仰和偏航角尤为困难。不同人脸型的差异,摄像头位置不同造成的尺度变化、人的表情变化、环境光照变化等因素都会对算法准确程度产生影响。头部姿态估计方法可以分为二大类:基于图像的方法和基于模型的方法。前者的基本过程是用主元分析和流形学习等技术将人脸图像数据进行降维,在得到的低维空间中对不同姿态进行分类。后者首先抽取出图像中人脸部有意义的形状或纹理特征,这些特征通常以参数化模型的方式表达,然后基于这些特征进行姿态估计。相对于前者,此类方法可以更好的捕捉细微的头部姿态变化。本文提出了一种基于主动形状模型的头部姿态估计算法。主动形状模型是建立在大量训练基础上的形状模型。它通过对几何特征和纹理特征的训练得到模型参数以估计目标的特征点集。该模型能准确的表达不同表情,不同人、不同视角的人脸形状变化。算法首先用主动形状模型进行人脸特征点集定位。然后基于这个估计出的特征点集用相关向量机来预测出头部姿态信息。在CAS-PEAL-R1人脸数据库上的实验表明本文提出的算法的估计结果比基于图像的姿态估计方法更准确。