人脸对齐任务是在一张人脸图像上自动定位出人脸特征点位置的过程,它是人脸识别中关键的一步,也是很多人脸信息处理任务的基础,如人脸跟踪、表情识别、头部姿态估计等。由于许多复杂因素,如遮挡、表情变化、光照条件等,人脸对齐任务仍然面对着很大的挑战。级联回归由于其在精度和速度方面都表现得非常优秀,已经成为最流行和最先进的人脸对齐方法之一,而监督下降法(SDM)就是一种经典的级联回归方法,它由牛顿法演变而来,在人脸对齐方向取得了很好的结果。但SDM算法仍然存在提升的空间。本文从两个方面入手改进了SDM算法,主要工作内容如下:(1)当SDM算法采用不同特征时会产生不同的结果,而不同特征在每一次迭代时对形状增量的影响也有区别。因此,本文用多特征选择的方式对SDM算法进行优化,在SDM训练的每一次迭代,都使用三种特征分别进行训练和形状更新,计算更新后的三个形状坐标与真实的形状坐标之间的均方误差,哪一个值更低,当前迭代就选择哪种特征。实验结果表明这种改进思想是有效的。(2)在一些复杂条件下,比如表情夸张或头部姿态变化过大,这时初始形状与真实形状的差距过大,SDM往往无法取得较好的结果。针对这一问题,本文提出一种由粗略到精细的SDM人脸对齐算法(CFSDM),先用简单的卷积神经网络(CNN)结构预测人脸特征点的大致位置,然后将得到的坐标赋予SDM作为它的初始形状坐标,再进行后续的对齐操作。实验结果表明,在一些复杂条件下,本文提出的方法可以提升原算法实验的精度,取得更好的对齐结果。