Nous présentons une approche très efficace et hautement précise pour l’alignement facial, basée sur une régression explicite de la forme (« Explicit Shape Regression »). Contrairement aux méthodes précédentes fondées sur la régression, nous apprenons directement une fonction de régression vectorielle afin d’estimer l’ensemble de la forme faciale (c’est-à-dire un ensemble de points d’intérêt faciaux) à partir d’une image, tout en minimisant explicitement les erreurs d’alignement sur les données d’apprentissage. La contrainte intrinsèque de la forme est naturellement intégrée dans le régresseur au sein d’un cadre d’apprentissage en cascade, et appliquée de manière progressive, du grossier au fin, lors de la phase de test, sans recourir à un modèle paramétrique fixe de forme comme la plupart des méthodes antérieures. Pour rendre la régression plus efficace et rapide, nous avons conçu une régression boostée à deux niveaux, des caractéristiques indexées par la forme, ainsi qu’une méthode de sélection de caractéristiques basée sur la corrélation. Cette combinaison nous permet d’apprendre des modèles précis à partir de grandes quantités de données d’apprentissage en un temps très court (20 minutes pour 2 000 images), et d’exécuter la régression de manière extrêmement rapide en phase de test (15 ms pour une forme composée de 87 points). Des expériences sur des jeux de données exigeants montrent que notre approche surpasser significativement l’état de l’art en termes de précision et d’efficacité.