人脸这一固有特征对于辨识个人身份有着重要作用。近年来,人脸识别、图像检测等相关技术的研究达到了前所未有的高度,并成功应用在了智能交通、身份鉴定、安防、刑侦、智能家居等各个领域。然而,受到软、硬件条件的限制,以及例如距离远、成像畸变、下采样等各种因素的影响,摄像头获取到的人脸图像可能存在模糊、分辨率较低且面部细节丢失等问题,从而影响检测与识别的精度。为了解决这一问题,本文利用深度学习相关技术展开研究工作,提出了基于改进生成对抗网络的人脸超分辨率技术,并构建了相关网络模型,具体研究内容如下:1、本文在介绍了典型的生成对抗网络相关技术的基础上,分析了其基本模型和训练方法,选取了合适的训练参数,从理论上证实了生成对抗网络在人脸超分辨率上的应用相比于其余传统超分辨率算法以及SRCNN、DRCN、ESPCN等深度学习方法具有很大的优势,其生成的超分辨率人脸图像在提高了放大倍数的同时,还获得了更好的人脸高频细节。2、本文对于典型生成对抗网络做了相应的改进。首先对于网络结构做了一定的改进,包括在生成网络部分去除了其BN层并提出了基于全新卷积的残差密集块(OctRRDB);在判别网络部分将原始判别网络替换为相对平均生成对抗网络中的判别网络;提出了一种新的损失函数和一种网络插值方法。通过以上改进以期待于实现更好的人脸超分辨率效果。3、自主构建了多尺度、多种类、多场景的人脸数据集,为基于改进后生成对抗网络的人脸超分辨率工作和低分辨率人脸识别工作提供了可靠的数据支撑和参考依据。将改进后的生成对抗网络应用于人脸超分辨率中,设计了合适的训练方法和训练参数,并训练出满意的网络模型。基于该方法的人脸超分辨率算法使人脸图像更加清晰,并解决了基于典型生成对抗网络的人脸超分辨率算法中出现的伪影问题。4、基于改进生成对抗网络的人脸超分辨率技术在人脸识别中进行了应用和检验,结果表明该算法可以使人脸识别的精度得到有效的提高。因此,基于该方法的人脸超分辨率技术对于人脸识别、人脸检测都有着积极的影响,对于学术研究及其在智能交通、身份鉴定、安防、刑侦以及智能家居等领域的应用具有较好的参考价值。