在实际情况中,由于拍摄的硬件条件及一些其他因素的影响导致采集到的人脸图像分辨率较低无法直接使用,因此人脸超分辨率重建技术就显得十分重要。人脸超分辨率重建就是指利用机器学习的方法,通过训练样本学习高低分辨率人脸图像之间的映射关系,利用学习到的映射关系将输入的低分辨率人脸图像重建成高分辨率人脸图像。本文考虑了人脸超分辨率重建技术在真实场景中的应用情况,重点针对有噪声的人脸图像和不同视角的人脸图像重建进行研究,主要的研究成果及贡献如下:1、基于位置的Needle聚类和多元回归的人脸超分辨率重建算法。Needle是一种将图像金字塔中每层图像的对应位置块串联在一起的结构。为了增强对噪声人脸图像的重建效果,本文使用了Needle结构来取代传统的图像块,使用Needle结构进行聚类能够得到更加准确的聚类效果,聚类之后将图像块提取出来通过偏最小二乘法投影到流行空间中,在流行空间中学习高低分辨率图像之间的映射关系。本章算法与多个对比算法利用FEI人脸库和CAS_PEAL_R1人脸库在不同程度的噪声情况下进行实验,实验结果表明,在存在较大噪声的情况下,该方法与利用图像块匹配的算法相比在峰值信噪比上能够提升大约0.2~0.5dB。2、基于子空间非线性回归的自由视角人脸超分辨率重建算法。考虑到真实场景中人脸图像的多姿态问题,本章提出了一种对自由视角人脸图像的重建算法。算法利用低分辨率图像块训练出一个稀疏字典,将字典的每个原子视为子空间基向量,根据图像块在子空间基向量的表示系数来对所有的训练图像块划分类别,利用极限学习回归模型学习类别中高低分辨率图像块之间的非线性回归关系。重建阶段,输入的低分辨率人脸图像块选择所属的类,之后根据类中的回归函数预测高分辨率图像块。本章利用FEI人脸库中正面人脸样本、多姿态的人脸样本以及从网上采集的自由视角人脸图像进行实验,实验结果表明,该算法相较于A+算法的重建效果在峰值信噪比上能够提升大约0.6~0.8dB。