人脸基准点的自动提取是人脸跟踪、人脸识别、动画以及视频通信中至为关键的步骤,在现实应用中,如视频监控系统采集得到的人脸图像都是不同环境下的具有多种姿态变化的,而且还会受到光照和遮挡等条件的影响,而对于受到较大姿态变化影响的人脸基准点提取一直是一个难题。姿态变化会使人脸图像引入非线性因素,而传统的基于主动形状模型(ASM)的方法不适用人脸姿态改变产生的非线性变化。近年来,基于纹理和形状约束相结合的回归方法成为了研究热点,它们在某些情况下可以处理姿态变化的人脸图像,但是它们需要大量标记好的不同条件下的人脸图像作为训练集。本文引进一个新颖的射影不变量——特征数(CN),它把共线性、交比和6点几何特征结合起来运用于人脸基准点提取。人脸具有很强的结构化特性,不同性别、年龄和种族的人脸存在几何固有属性,如4个眼角共线。利用特征数构造几何形状约束,由于特征数是一个几何不变量,这些约束不受姿态等条件的影响,所以只需要少量的正脸图像作为训练集就可以计算得到这些约束,这些约束同时也反应了人脸基准点的固有几何特性。把这种新的形状约束结合图像纹理约束转化成一个优化问题,其后,就可以用标准的梯度下降解决人脸基准点的提取。在几个公开的人脸数据集中随机选择部分人脸图像进行测试,并且与当前典型的纹理约束为主、形状约束为主、纹理和形状相结合的回归算法进行对比,实验结果表明,本文提出的算法能够更精确地提取人脸基准点,并且适用于不同条件下包括表情的变化、光照的影响、眼镜的遮挡和较大姿态变化的人脸图像。