人脸检测技术从上世纪六十年代提出至今已经获得了长足的发展,并在近年随着深度学习研究的发展,每年都会新出现大量优秀的人脸检测算法。当前的人脸检测算法虽然在有约束特定环境中,能够取得相当好的检测率,但是随着人脸检测技术应用范围的扩大,人脸检测需要面对越来越多的非限制场景,这些场景下的人脸图像经常质量较低,导致人脸的检测率大幅下降,因此对低分辨率人脸的检测技术显得至关重要。低分率人脸检测面对的问题主要在于人脸区域包含的特征信息过少,无法提取到足够准确描述人脸的特征信息。目前一种较为有效的低分辨率人脸检测方法是先利用超分辨率图像重建技术对低分辨率的人脸图像进行增强,得到高分辨率的图像之后,再进行人脸检测操作。SRGAN是第一个将生成对抗网络(GAN)应用到超分辨率重建领域的深度学习算法,取得了很好的效果。本文针对SRGAN网络进行了研究和改进,并针对低分辨率人脸检测的特点,将其与R-FCN网络结合,提出了一种拥有两级人脸检测器的新的低分辨率人脸检测模型。本文的主要工作如下:1、研究并改进了SRGAN超分辨率图像重建算法。本文通过引入EM散度到SRGAN网络模型中,提出了一种用于超分辨率图像重建的SRGAN-EM模型,原始SRGAN模型中,使用JS散度来评估真实样本与生产样本间的相似性,会导致GAN网络带来的训练困难,因此现有的GAN网络常常会引入K-Lipschitz限制,但这通常并不能完全解决GAN网络中的训练困难问题。本文通过引入EM散度,提出了一种比K-Lipschitz约束更加宽松的约束条件,对SRGAN存在的这些问题进行了优化,最后通过实验证明SRGAN-EM模型具有更优越的性能。2、本文利用SRGAN-EM,结合R-FCN设计了一个新的拥有两级人脸分类器的低分辨率人脸检测模型。本文在R-FCN的固有网络结构上,通过添加生成尺度更小的Anchors和使用Soft-NMS算法进行边框回归,降低了对小尺寸和重叠人脸区域的漏检,对部分R-FCN网络中无法分类的低分辨率样本进行超分辨率重建再分类,提高了对低分辨率人脸的检测能力。通过在Wider Face与SFD模型和原始R-FCN模型在数据集上的对照实验表明,本文提出的低分辨率人脸检测系统对低分辨率人脸有更好的检测能力,并且对人脸区域分辨率的鲁棒性更强。