人脸特征提取与定位是计算机视觉中的经典问题之一,是解决很多人脸相关问题的基础,准确的人脸特征点定位结果对视觉任务如:人脸识别、3D人脸重建、人脸表情分析、人脸姿态估计等具有非常重要的意义。近年来,人脸特征点定位研究取得了巨大进步,约束人脸的特征点定位精度已经能满足实际应用需求,而非约束人脸图像(即人脸图像存在姿态、表情、遮挡、照明、年纪和化妆等变化)的特征点定位仍存在定位不准确、精度低等问题。本文主要研究基于迁移学习的人脸特征提取与定位算法,该算法针对两种非约束人脸(即:稀疏人脸和稠密人脸)的表述,设计了一种基于深度卷积神经网络的人脸特征提取与定位算法,实现了稀疏人脸特征点定位,并将其迁移学习至局部二进制特征(LBF:Local Binary Feature)的方法中,进一步解决了稠密人脸的特征提取与定位问题。本文重点完成了以下的工作:(1)设计了一种基于深度卷积神经网络的人脸特征提取与定位算法,完成了稀疏人脸特征提取和定位。利用深度卷积神经网络构建了一个三层级联的CNN网络结构,使用ReLU激活函数在同一网络结构下具有更加快速的收敛。该方法其应用于稀疏人脸特征点定位中,选用在人脸图像存在部分遮挡和不同表情背景下,与L.Liang的方法、M.Valstar的方法和Luxand的方法进行了对比试验,该方法的平均错误率和失败率低于2%,取得了比较理想定位效果。(2)设计了一种迁移学习算法,完成了稠密人脸特征提取和定位。迁移学习利用预训练的知识,加速深度卷积神经网络的训练过程。论文将深度卷积神经网络与迁移学习进行结合,把基于深度卷积神经网络的人脸特征提取与定位算法迁移学习到局部二进制特征方法中,提出了两种基于迁移学习的人脸特征提取与定位算法,分别是直接迁移的方法和级联精调迁移的方法。利用迁移学习,本文方法能迁移卷积神经网络来提取面部局部特征,再对单独提取的每个特征点进行串联,进行一个全局约束回归,最终准确地预测出稠密人脸特征点。(3)通过实验,将论文提出的方法与主流的人脸特征点定位方法(如:RCPR、ESR、SDM、CFAN、DeFA、LBF、CFSS、3DDFA、LAB、Wing-Loss)进行了对比分析,从平均错误率上看,定位效果达到了主流方法的平均水平。在与个别算法(如:RCPR、ESR、SDM、CFAN、3DDFA)的对比中,本文方法在定位精度上处于领先地位;与LBF方法相比,定位效果相当,但本文提取到的特征由原来的100K+维降低到了4352维。与目前最新的算法Wing-Loss对比,本文方法在迭代次数少一倍情况下,效率(EFFECTIVE)提高一倍多。证实了本文提出的基于移学习算法在人脸特征提取与定位方面,取得了较好的应用效果。