在有遮挡条件下对人脸五官点位置进行精准预测是人脸五官定位中一个棘手的问题,这是由环境的复杂性和遮挡处信息缺失所导致的。很多学者提出一些有遮挡条件下人脸五官定位的方法,而这些方法大多都没有显式地针对遮挡点进行特殊处理,从而导致这些方法在遮挡点处的预测性能欠佳。本文认为遮挡条件下模型预测能力欠佳是模型在遮挡点处的拟合能力有限导致的,如果能将五官点遮挡信息预测出来,再根据遮挡信息来调整人脸五官定位模型在遮挡点处的拟合能力,人脸五官定位算法的性能将会得到提高。根据上述问题本文提出一种新的人脸五官定位模型,该模型首先通过构建人脸五官点遮挡检测模型来获得五官点的遮挡信息,而后利用该信息对基于神经网络的人脸五官定位模型的阶段模型间添加目标位置偏移策略,最后利用反偏移操作来降低模型在遮挡点处的拟合难度,从而达到降低模型预测误差的目的。为了进一步提高人脸五官点遮挡检测模型的精确度,文章引入热力图机制和深度回归模型机制。热力图机制能够减弱背景噪声对人脸五官点遮挡检测模型的影响,从而提高了人脸五官点遮挡检测模型的召回率和准确率;考虑到在遮挡检测任务中分类模型不能很好地挖掘模型提取特征,本文利用回归模型替换分类模型,从而进一步提高了人脸五官点遮挡检测模型的召回率和准确率。通过引入上述两种机制,人脸五官定位模型的预测性能均有所提高。为了更加全面地说明目标位置偏移策略在人脸五官定位算法中的有效性,本文利用随机森林和支撑向量机替换上述级联回归模型中的基回归器,并对人脸五官定位模型添加目标位置偏移策略。可以从本文的实验结果中看出,添加目标位置偏移策略能够使得模型的预测效果得到改善,从而说明了该策略在这些模型上的有效性。