随着科学技术的快速发展,人们安全意识逐渐提高。对人脸应用的需求日益增加。人脸信息较其他人体生物特征而言具有无侵入性,更加容易被观察的特点。人脸识别技术是近年来人工智能化的一个研究热点,人脸识别和人脸表情分类可被应用于公安刑侦破案、辅助医学实验、摄像监视系统、疲劳检测等领域。人脸特征点的定位是人脸识别和表情分类的中间环节,人脸特征点定位的正确率直接影响着人脸识别和人脸表情分类的结果。人脸特征点定位是进行人脸识别的必要前提,已经成为许多学者研究的热点问题。　　 本课题以人脸表情识别作为研究背景。人脸表情识别是一种重要的生物特征识别技术,有着广泛的应用前景,是智能人机交互的重要组成部分,也可作为研究人类行为的一个辅助方法。人脸表情识别由人脸检测,人脸特征点定位和人脸表情分类这三大部分组成。其中,人脸特征点定位是在人脸检测的基础上进行的,目的是定位出人脸面部各个特征点的位置,为后续的表情分类做准备。　　 人脸特征点定位是人脸信息处理的一个关键步骤。人脸面部器官具有较多特征点,不同研究者对人脸特征点的选择也有所不同,但特征点基本包括:眼睛的角点以及周围的轮廓点,嘴巴角点以及周围的轮廓点,鼻子周围的轮廓点,眉毛角点以及周围轮廓点,还包括人脸脸夹轮廓点等等。由T.Fcootes等人提出的主动表观模型算法(Active AppearanceModel,AAM)是以其高效的定位效果被广泛的应用于人脸特征点定位领域。2001年卡耐基梅隆大学的Baker等人对AAM拟合计算部分进行了改进,通过提前计算Hessain和梯度值,减少了循环迭代的运算量,进而提高了AAM算法的拟合效率。　　 AAM算法是一种基于统计模型的算法,该算法包括两个部分,第一部分是建立AAM模型,第二部分是建立主动表观模型后.采用合适的拟合算法定位出人脸特征点的位置。建立模型时该算法既考虑了人脸形状的信息,同时也考虑了人脸的纹理信息。AAM算法首先是对人脸图像样本集进行训练,然后分别对人脸的形状信息和纹理信息进行分析建立形状模型和纹理模型,合理地综合这两者建立AAM表观模型。AAM拟合计算是将AAM模型生成的实例图像与待测人脸图像进行拟合。定义一个能量函数来评价AAM模型生成的人脸图像实例与待测人脸图像之间的差值,AAM拟合计算的过程就是通过不断地调整模型参数使这个能量函数达到最小。最后准确地定位出待测人脸图像特征点的位置。　　 本文仔细分析了AAM的算法原理和演变过程,对AAM算法中的形状建模,纹理建模以及表观建模进行了深入的研究。同时,阐述了AAM拟合算法的推导和演化过程,本文采用的是基于反向组合算法的AAM拟合算法。尽管AAM算法在人脸特征点定位方面取得了显著的成效,但AAM算法也存在着一些不足,本文针对其不足之处提出了相应的解决方案。对于在AAM拟合过程出现的人脸形状非法变形的问题,在拟合计算中通过加入阻尼系数来提高AAM算法特征点定位的正确率。本文在matlab环境下搭建一个AAM算法的实验平台,目的是验证现有算法并为算法的改进打下基础。通过对比分析实验结果可以得出,加入阻尼系数后提高了AAM特征点定位的正确率,这个方法有效的避免了出现非法形变的问题。最后,对本文工作进行了总结,对今后的工作进行了展望。