长久以来,人脸识别、人脸分析等基于人脸的相关研究一直被人们重点关注,是计算机视觉领域研究的热点方向。然而,由于拍照距离、环境噪声等因素的影响,获得的自然场景图片中人脸的尺度往往较小、清晰度较低,从而导致人脸细节信息不足,严重影响了人脸识别等算法的准确性。因此,研究自然场景下的人脸超分辨率重建算法,对改善人脸图像质量,提高人脸细节信息以及提升人脸识别等算法性能具有重要意义。本文研究的主要目的是实现自然场景下人脸区域的自动检测和超分辨率重建,主要工作如下:1.研究了现阶段人脸检测和超分辨率重建技术的发展背景和研究现状。深入了解了基于卷积神经网络的人脸检测算法和超分辨率重建算法的基本内容,在此基础上,重点研究了 SSD目标检测模型和VDSR超分辨率重建模型的算法原理和结构特点,并针对自然场景下人脸对象的结构特性,提出了相应的改进措施。2.提出了基于SSD改进模型的多尺度人脸检测算法,实现了自然场景下对人脸区域的定位检测,并通过改进模型网络结构,提升了模型性能。首先,本文将SSD模型基础网络部分的卷积输出进行密集连接,从而提升卷积网络的特征表达能力;然后,分别在conv3₃层和conv5₃层增加两个人脸检测分支,并以特征融合的方式引入了人脸上下文信息,进一步提高了模型对小尺度人脸的检测准确率。3.提出了基于VDSR改进模型的人脸超分辨率重建算法,实现了对人脸图片的超分辨率重建。本文在VDSR模型的基础上,对其网络结构进行了模块划分,并在非线性映射模块中引入了改进的残差网络结构,消除了 BN操作对图像空间信息的破坏;然后通过将各残差单元的特征信息进行融合输出,充分的利用了人脸特征信息,提高了模型细节恢复能力;最后,在重建模块中加入了反卷积层,进一步简化了模型重建步骤。4.本文分别对改进的人脸检测算法和人脸超分辨率重建算法进行了测试实验。针对人脸检测算法,本文将改进的SSD算法与其它几种人脸检测算法进行了实验对比,检测结果显示,在WIDER FACE测试集上本文算法的检测性能良好,检测准确率均优于其它几种算法,基本满足了对自然场景图片中不同尺度人脸的检测定位;针对超分辨率重建算法,本文首先讨论了学习率、BN操作以及网络深度对模型重建效果的影响,在兼顾图像质量和时间损耗的情况下,确定了最佳模型结构,并将其与通用图像超分辨率方法进行了实验对比,实验结果显示,在不同放大倍数下,本文算法对人脸细节恢复能力更强,重建图像的PSNR和SSIM值更高,视觉效果更好。