自上个世纪六十年代,人脸识别初次在数字图像处理领域中崭露头角,已走过长达半个世纪的发展之路,识别研究也从单一的仿真环境到适应多种多样的复杂环境、也从简单且光照充足无变化的正脸图像到多种表情变化,大年龄跨度以及多重遮挡的人脸。虽然发展至今,在特定的约束环境下,现有诸多人脸识别算法可以取得优秀的识别效果,但若应用至实际生活中,剥离设定好的特定环境,面对现实生活中的低分辨率人脸往往识别性能不够理想。本文针对的研究对象即是此种情境下的非传统人脸图像。现有的解决低分辨率人脸识别的方法主要有二。其一是超分辨率增强,通过增强低分辨率人脸图像达到与高分辨率维度匹配的目的。其二是简单直接地对低分辨率人脸图像进行特征提取,获取有效面部信息。有诸多较为成熟的高分辨率特征提取方法,故基于此基础,本文采用已取得不错结果的方法进行分析和改进,并结合多尺度空间理论,将其在低分辨率人脸图像上进行应用。本文的主要工作如下:1、基于融合高斯金字塔特征的低分辨率人脸识别算法的研究。本文受多尺度空间表达思想的启发,为进一步攻克低分辨率人脸图像的识别和验证难点,取多种对应的特征提取方法与高斯图像金字塔相结合,提出一种融合低分辨率人脸图像局部和全局信息的特征提取方法。首先,通过对人脸图像进行分解,建立高斯图像金字塔,来满足构造多尺度表达空间的目的;其次,利用不同的特征提取方式得到金字塔中各层图像的关键特征信息,其中底层使用局部二值模式方法,中间层运用一组Gabor滤波,顶层运用HOG提取边缘信息获得HOG特征谱,三层特征谱融合构成特征融合金字塔;最后,将获得的特征向量通过分类器进行决策融合,来完成整个低分辨率人脸图像识别过程。2、基于多尺度特征级融合的低分辨率人脸识别算法的研究。在已有研究基上,为进一步提高低分辨率人脸识别的性能,提出一种基于多尺度特征级融合的低分辨率人脸识别算法。首先,对低质量人脸图像并行使用两种特征提取方法,分别是获取全局信息的多尺度二值模式和兼具局部信息和边缘纹理信息的GHOG;然后将获得的人脸特征图通过二维经验模式分解的逆变换,得到具有补充面部特征的特征级融合图像。最后,通过将融合图像投入至一定数量的分类器中进行训练来实现筛选过程,得到分类效率良好的分类器,同时使用多尺度融合投票法完成决策层的集成过程,以此获得识别结果。本文在AR、CMU-PIE、YALE、ORL、FERET等人脸数据库中设计多种仿真实验以及与其他针对性算法的对比实验。经实验证明,本文提出算法研究对低分辨率人脸数据相较识别准确率更优越。