三维人脸特征点定位作为人脸识别相关技术应用的基础,广泛运用于人脸识别,人脸表情识别,人脸匹配,人脸对齐,人脸形状分析等领域,而人脸表面变化复杂,为了克服姿态变化,遮挡等情况的影响,业界需要鲁棒的三维人脸特征点定位算法。本文在以往的研究基础上,通过对鼻尖点特性的分析和深度模型在特征点定位中的应用,分别实现了一个鼻尖点的单独定位算法和一个多特征点定位算法。本文内容的主要工作和创新点如下:1)提出了一种对姿态鲁棒的三维人脸鼻尖点快速定位算法。鼻尖点定位的准确性决定了人脸切割等人脸预处理步骤的好坏。然而人脸在发生姿态变化时,鼻尖往往并非处于正方向的最高点,这给传统的一些鼻尖定位方法带来了严重的影响。为了克服这个问题,本章提出的算法将鼻尖点定位分成两步:第一,对每个顶点构建稀疏邻域集,在局部基准坐标下提取顶点附近的领域点到局部基准坐标系平面的距离,得到一种新的旋转不变性特征,局部基准坐标能量。依据该能量可以迭代筛选出可能为鼻尖的候选点。第二,在候选点中计算每个顶点的散度特征,散度可以描述顶点附近矢量场的膨胀与收缩程度,而鼻尖处的矢量场在人脸表面中膨胀程度最大,因此拥有散度值最大的候选点为最终鼻尖点。本章算法无需任何训练过程和分类器,对姿态变化具有很好的鲁棒性。2)提出了一种基于降噪自编码网络的特征点定位方法。人脸表面往往存在着遮挡物,导致了特征点定位出现了严重偏差。人脸被遮挡可看作数据的一种损坏情况,降噪自编码器作为一个深度模型,能够从被损坏的数据中提取未被损坏数据的特征。本章基于降噪自编码器提出了一个并行的降噪自编码网络,网络由四个分区域训练得到的降噪自编码器构成,每个降噪自编码器对不同区域的特征点定位准确度不同,同时从人脸全局特征预测特征点粗略位置并作融合,融合参数可根据对人脸被遮挡程度进行评估得到。接着对于粗定位的结果进行局部特征的提取,通过线性回归层预测出形状残差,使得粗定位结果更加逼近真实位置。为了验证本文两种算法的有效性,在人脸数据库FRGCv2.0和Bosphorus上分别设计了多组试验,和当前的一些算法进行了对比,本文算法取得了第一的表现。实验结果证明了本文两种算法的鲁棒性。