人脸识别技术因其具有易于获取、操作简便、无需接触等优点,逐渐成为诸多生物识别技术中的热门研究课题。随着大数据和人工智能技术的不断研究,基于人脸识别的视频监控系统在交通管理、信息安全和刑侦破案等领域得到了广泛的应用。由于视频监控系统下存在人脸姿态和表情变化不受约束、环境光的强弱变化以及采集距离较远等不利因素,它们都会影响被采集者人脸特征信息的提取,导致识别性能不理想。该问题也一直困扰着研究人脸识别的相关学者,相关学者将这类问题定义为低分辨率人脸识别问题。本文针对这类问题,分别从人脸特征幻影、稳健特征提取以及低分辨率人脸识别系统等方面进行了研究与实现。主要研究内容如下:(1)现有的基于Gabor特征幻影的低分辨率人脸识别中算法采用重建人脸特征取代之前算法中复杂的人脸重建,更加高效而不失精度,但仅以简单线性地重建高分辨率的Gabor特征,其识别性能的提高受到很大的限制。考虑高低Gabor特征人脸的非线性关系,提出一个改进的方案,根据高低分辨率图像的内在相似结构,采用基于流形学习的局部线性嵌入算法(LLE)构建相应的高分辨率Gabor特征;为了充分提取人脸的特征信息,继续改进现有的后续投影空间算法,提出了多分辨率的广义典型相关分析,利用不同分辨率的提取和组合来增强人脸特征提取。在YALE和UMIST数据集上的实验表明,无论是特征重建,还是后续的投影空间,改进后的人脸识别率都要高于原来的算法,特别是在极低分辨率人脸中,有了显著提升。(2)传统单一的特征提取算法在低分辨率下的健壮性较差,识别率不能满足应用要求。为了提高识别率,增强识别算法在低分辨率下的稳定性,本文提出了多特征融合的低分辨率人脸识别方法,特征提取将局部三值模式(LTP)和局部主成分分析(PCA)相融合。首先,分别利用LTP和局部PCA提取人脸特征,对所获得的人脸特征分别进行分块处理并统计分块图像的直方图,并通过等价模式进行降维。在ORL和YALE数据集上的实验结果表明,本文所提算法,对比同类算法,识别率突出,鲁棒性强。(3)在QT的环境中,借助OpenCV视觉库以及本文所提的多特征融合算法,设计了一个低分辨率人脸识别系统。利用监控摄像头进行识别测试。系统测试结果证明,本文所提的多特征融合算法能够对低分辨率人脸进行有效识别,较好地满足应用要求。