视频监控在公共安全领域中的作用越来越重要,然而其面临的一个主要难题是:由于成像设备自身限制和公共场所复杂环境影响,往往导致视频中的人脸图像的分辨率比较低,从而清晰度较差、不易辨认。因此,如何使用图像超分辨率重建技术重建出高质量的人脸图像,成为当前的一个研究热点。本文的研究目标是将低分辨率(16*16像素)的单帧人脸图像(或人脸视频)重建为高分辨率(64*64像素)的单帧人脸图像(或人脸视频),具体研究内容如下:(1)首先综述了多种典型的图像超分辨率重建方法,与传统方法相比较,基于深度学习的方法具有更大的优势;然后分析了多种典型的卷积神经网络模型,可知网络越深提取的特征越高阶,重建能力越强。(2)针对单帧人脸图像,提出了两种图像超分辨率重建方法,分别是基于级联残差网络和基于生成对抗网络的方法。基于级联残差网络的方法对网络中每一层的图像特征进行累加来提高重建质量。而基于生成对抗网络的方法则基于密集网络构建生成器模型,因为密集网络使用并联的方式可以有效保留网络中每一层的图像细节。(3)针对人脸视频,提出了一种融合单帧重建网络的人脸视频超分辨率重建方法,能够重建出丰富的人脸图像细节,获得更好的重建效果。(4)分析了损失函数对于重建效果的影响,仅使用均方误差作为损失函数的方法可以提高重建图像的峰值信噪比和结构相似性,引入感知损失可以丰富重建图像的细节,提高重建图像的视觉效果。