人脸姿态估计算法，主要用以估计输入人脸块的三维欧拉角。一般选取的参考系为相机坐标系，即选择相机作为坐标原点。姿态估计可用于许多业务场景，比如在人脸识别系统的中，姿态估计可以辅助进行输入样本的筛选（一般人脸要相对正脸才进行召回和识别）；在一些需要人脸朝向作为重要业务依据的场景中，人脸姿态算法也是不可或缺的，比如疲劳驾驶产品中驾驶员的左顾右盼检测。
人脸姿态估计的算法，其大致可分为两类：一类是通过2D标定信息来估计3D姿态信息的算法，如先计算人脸的关键点，然后选取一个参考系（平均正脸的关键点），计算关键点和参考系的变换矩阵，然后通过迭代优化的算法来估计人脸的姿态（可参考Opencv中的SolvePnP算法，或参考中的1和2）；另一类就是通过数据驱动的方式训练一个回归器，由该回归器对输入人脸的块进行一个直接的预测。
两类方法各有利弊，在项目中都能得到不用程度的应用。下面我们来看看上述两类方式的优缺点对比，为了方便大家区分，我们这里称第一类算法为landmark-based，第二类为landmark-free。
两类方法对比
小宋是呢 认证博客专家 AI工程师 作者简介：深度学习开发分享博主。全网粉丝2万+，阅读量100万+，深度学习博客专家以及微信公众号《极简AI》主要作者。创作内容是基于深度学习的理论学习与应用开发技术分享。 撰写并发表深度学习论文两篇，获得国家级及省级一等奖奖项八次，以第一作者授权实用新型及发明专利共计十余项，天池与BDCI比赛Top10奖项数次。 在某AI视觉公司担任算法工程师，从事计算机视觉及时序序列数据的检测识别；深度学习工程化经验丰富，擅长针对新算法研究与应用，包括对模型调优、模型转化及多平台部署等。
