人脸研究一直是模式识别、计算机视觉和计算机图形学领域中的经典问题之一。由于人脸是一种极为复杂的、多维的模式,也是一种典型的非刚性模式,具有非常复杂的生理学构造,再加上人们对人脸的熟悉和敏感,因而人脸方面的研究相对来说比较困难。任何人脸处理系统的第一步都是检测人脸在图像中的位置。然而,从一幅图像中检测人脸是一项极具挑战性的任务,因为其尺度、位置、方向和位姿都是变化的,面部表情、遮挡和光照条件也是变化的。有些视频流中的人脸太小,以至于无法进行人脸跟踪,可以先对视频流进行超分辨率放大,然后再跟踪。为了对视频中的人脸进行超分辨率放大,首先需要研究静态图片中人脸的超分辨率放大。本文针对人脸研究领域中如上两个关键问题进行了探究,并针对现有方法的不足,分别提出改进算法。⑴改进基于Adaboost算法的人脸检测算法。Adaboost算法是一种经典的学习算法,它将一簇弱分类器通过线性组合构建一个高检测率的强分类器。针对经典Adaboost算法存在着训练速度缓慢、检测结果过分依赖训练样本的现象,提出一种改进的人脸检测算法。算法在原有Adaboost算法的基础上,利用特征约简来提高训练速度,引入样本扩张、多分辨率搜索等策略来提高检测效率。算法还在一定程度上解决了遮挡、旋转、光照对人脸检测带来的影响等问题。实验结果表明,该方法具有较快的训练速度和良好的检测性能。⑵提出融合全局特征与局部细节信息的人脸图像超分辨率算法。从低分辨率人脸图像来预测高分辨率人脸图像是一个很有挑战性的课题,因为低分辨率人脸图像损失了很多细节信息。本文提出一种基于样本学习的两阶段人脸超分辨率技术。在第一阶段,采用steerable金字塔重构全局的高分辨率人脸图像;在第二阶段,为了补偿全局高分辨率人脸图像的局部细节特征,采用残差人脸图像合成技术。实验结果表明本文提出的方法能够根据低分辨率人脸图像合成具有较好视觉效果的高分辨率人脸图像。