虽然经过几十年的研究与发展,人脸识别问题仍然是计算机视觉中研究的热点和难点。近年来,人脸识别系统在公安系统、军事、医学等领域得到了广泛的应用,超低分辨率下的人脸图像存在着细节信息严重缺失、含有噪声等因素,对识别算法的研究造成了很大的困难。本文研究的对象是超低分辨率人脸图像,这些图像通过检测、对齐和重构步骤,实现图像分辨率提高,细节的增强。目前现在已经存在的人脸图像重构方法中,绝大部分方法都是将尺度为24×24像素或者24×32的人脸图像作为输入的低分辨率图像。但是研究表明,24×24像素的人脸图像识别率仍然较高,是可分辨的。而低于该尺度的图像,本文称为超低分辨率图像,存在识别困难等问题。所以,超低分辨率图像的重构更有意义。本文首先介绍了人脸重构方面的研究现状,针对超低分辨率人脸图像的重构问题,本文提出了包括人脸检测、对齐、重构三步骤的整体算法。在人脸检测阶段,本文采用的是基于Haar-like特征和AdaBoost分类器的检测方法,其主要步骤是先计算人脸图像的Haar-like特征,再通过AdaBoost算法训练出若干个最优弱分类器分类器,将弱分类器结合起来,构成一个强分类器,可以区分出人脸和非人脸,最后采用分类器级联把强分类器级联到一起来提高准确率和效率。该方法具有明显优势,不仅检测精度高,运算速度也比其他方法快很多。在人脸对齐阶段,针对超低分辨率下的人脸对齐,本文采用了基于SIFT特征的人脸对齐算法。首先先提取图像的SIFT特征点,根据任意两幅图像的SIFT特征点匹配情况进行图像聚类,将相似度高的图像聚成一类,每类生成一个模板;对类内的图像,采用SIFT特征及最小熵算法生成模板,本文在最小熵函数中加入了两个约束条件,一是为了避免变换过大偏离初始位置,二是针对人脸的垂直对称性加入了对称约束,提高了模板生成的准确性,并使得本算法更适用于人脸对齐。对于新检测到的人脸图像,先通过SIFT特征判断所属的类别,然后根据相应的类模板和训练阶段迭代时产生的分布域序列来进行实现对齐。将SIFT特征运用到人脸对齐算法中是因为SIFT特征具有尺度缩放、旋转和仿射变换不变性,同时对微视角变化、噪声、光线等因素有较好鲁棒性,独立性和扩展性。由于人脸图像对齐之后,人脸的形状更加规则,各器官的空间位置分布更加满足垂直对称结构,而且人脸图像对齐之后眼睛的中心位置容易获得,因此,本文通过对齐的效果图和人眼的均值线来衡量对齐的效果,并以此来确定对称约束的参数。在重构阶段,本文采用了基于字典学习的半耦合重构算法。该算法属于基于学习的重构算法,主要通过学习方法训练出字典对和映射函数,字典对主要用来分别描述高低分辨率图像域的结构特征,映射函数则用来反映他们之间的内在联系。本文的算法主要分为训练阶段和重构阶段,脸重构算法由两个阶段构成:一个是字典对和映射函数的训练阶段,一个是高分辨率人脸预测阶段。在训练阶段放宽了字典对的约束条件,并不要求字典对是完全耦合的,以便映射函数可以表达的更加精确。该算法训练了多个模型,因此具有更强的鲁棒性和适用性。在预测阶段,利用了人脸图像的非局部自相似性方面的先验知识,改善了图像的重构效果。该算法的实验中共需要考虑三个参数——图像块大小,训练的图像数目,训练模型时图像的分辨率大小。该实验选取来自FERET人脸数据库中正面人脸图像,将尺度为12×12像素的测试集图像重构成尺度为24×24像素的高分辨率图像,重构之后,通过峰值信噪比的大小作为评价重构效果的标准。本文实现了上述算法,确定了算法中的参数,并进行了对比实验。实验表明,本文提出的人脸对齐与重构的整个系统达到了提高准确率的效果,也证明了人脸对齐这一中间环节对于人脸识别的重要性和有效性。