在计算机视觉领域,关于深度学习的研究逐渐增多,其发展也日新月异,特别是在人的面部包括生物特征和表情识别、头部姿态估计、活体检测等领域的应用广泛。日前,在社会发展的需求和促进下,各式各样的计算机技术在不断地被发掘,其中,计算机视觉中的头部姿态估计研究已经成为该领域的一大热点。国内外众多的科学研究院、大学实验室、公司研究机构等陆续都在开展对头部姿态估计的研究,将深度学习应用于头部姿态估计算法,旨在提高运行的速率和检测的准确率。头部姿态多种多样,人的点头、摇头可以代表当下人内心的认同或者否定的想法,面部五官同时也能反映心理想法或者情绪状态。人的注意力和视线定位同样也能反映当前人的心理活动。随着科技的进步,头部姿态估计开始应用于智慧教室、医疗医学、疲劳驾驶等与生活息息相关的场景中。在智慧教室中,通过捕捉学生的头部姿态可以了解到学生对课堂的参与度;在医疗医学中,通过捕捉患者的生物特征或头部姿态可以匹配患者的医疗信息;在疲劳驾驶中,通过捕捉驾驶员的面部表情和头部动作可以提示目前该驾驶员的驾驶状态是否处于危险疲劳驾驶。文章是基于卷积神经网络的头部姿态估计应用研究,利用并改进现有的深度学习算法,优化卷积神经网络的网络结构,结合相机模型和其他模型,在公共数据和自建数据上进行训练试验。本课题的研究可以减少外界环境因素的影响,能够有效提高头部姿态估计的鲁棒性和模型运行速度。文章的具体工作内容如下:（1）引发交通事故的因素有许多如超速行驶、酒后驾车等,其中因驾驶员在疲劳状态下驾驶机动车辆而导致的交通事故已经成为了主要原因之一,因此,如何利用计算视觉技术来准确有效地检测是驾驶员的驾驶状态成为了目前的研究热点。文章采用了基于人脸关键点的驾驶员头部姿态估计,通过该方法来判断是否涉及疲劳驾驶。首先从摄像头采集视频序列,定位每帧图像中的人脸信息,利用相机模型估计人的头部姿态;然后,通过基于多任务卷积神经网络的人脸关键点检测方法判断人的睁闭眼状态、嘴部的张口哈欠状态和头部的转头姿态。实验结果表明,基于人脸特征点的头部姿态估计方法能准确的判断疲劳状态,在公共数据集300-W和Multi-PIE中疲劳检测的准确率达到97%,有较好的实时性和鲁棒性。（2）在头部姿态估计方法中最为常见的是68个特征点定位,但是过多的特征点使得训练模型偏大,不利于提高特征点定位的准确率。文章提出了基于深度残差和人脸对齐的头部姿态估计方法。首先,通过对深度残差网络结构的优化提高网络的计算速度、非线性能力;然后,识别人脸并定位面部特征点中眼部、鼻尖、嘴部、下巴轮廓中的10个特征点;最后,结合3D人脸模型对头部姿态进行估计。实验表明在公共数据集Helen、CFP数据上的归一化平均误差为2.63和3.97。在Celeb A和互联网上随机抽取图像作为自建数据集,试验后的归一化平均误差为2.6,具有较好的鲁棒性,实时运行速度达到每秒25-33帧。（3）由于受到部分遮挡或角度过大无法定位面部关键特征点的情况,传统的头部姿态估计方法会出现准确率下降或无法进行头部姿态估计的情况。文章提出了优化LeNet-5网络的多角度头部姿态估计方法。首先,通过对卷积神经网络的深度、卷积核大小等进行优化来更好地捕捉图像的全局特征;其次,改进池化层,用卷积层代替池化层增加网络的非线性能力;最后,引入Ada Bound优化器,利用Softmax回归模型做姿态分类训练。实验结果表明,该方法不需要定位面部关键特征点,在光照阴影、头发等遮挡情况下也可以实现多角度转动下的头部姿态估计如抬头、低头、偏头等角度,在Pointing’04公共数据集和CAS-PEAL-R1公共数据集上准确率达到了98.7%,运行速度平均在22-29帧/秒。