人脸识别技术目前已大规模应用于金融、医疗、安防等领域,从当初仅满足用于单一背景,到如今需要应对光照、姿态、遮挡等复杂环境。尽管现有人脸识别算法在约束条件下已经能够获得较好性能,但是在许多实际无约束环境,由于摄像头与被拍摄人脸之间存在距离较远和高度变化等原因,造成采集的人脸图像分辨率低下,因此导致实际识别性能的大幅降低。低质量低分辨率人脸识别是当前人脸识别领域关注的重要问题。深度学习技术在当前解决图像分类识别任务中表现出良好潜能,而超分辨率技术能够有效提升图像的分辨率,进而有益于后续的图像分类识别任务。为此,本课题致力于采用图像超分辨率技术的深度学习低分辨率人脸识别方法研究。特别地,围绕如何充分利用人脸的身份先验信息,有效改善低分辨率人脸图像的深度特征提取以改进识别性能,做了一些初步探索。论文的具体工作如下:1)提出了一种高分辨率图像辅助特征增强学习的低分辨率人脸识别深度网络。主要思想在于在深度网络的学习阶段,一方面利用高分辨率样本图像约束低分辨率图像的超分辨率重建,另一方面同时利用高分辨率图像的感知特征和身份信息辅助对超分辨率图像的深度特征提取,提升对低分辨率图像的深度特征表达能力,从而改善识别性能。具体地,设计的深度网络整体包含两个通道,其中一个通道为低分辨率人脸识别子网络,顺序执行对输入低分辨率人脸的超分辨率重构、深度特征提取与识别;另一通道为高分辨率人脸识别子网络,顺序对输入的高分辨率人脸进行深度特征提取与识别,其在网络训练阶段辅助低分辨率人脸识别网络的学习。网络训练联合了超分辨率人脸的像素损失、多级特征损失及身份损失,有效改善了低分辨率人脸的特征表示与判别能力,由此带来识别性能的明显改进。实验结果验证了提出方法的可行性和有效性,即使在极低分辨率情况下也得到了识别性能的明显提升。2)提出了一种渐进超分辨率重构的低分辨率人脸识别方法。主要动机在于利用多尺度图像先验引导人脸图像渐进超分辨率重构,并利用多尺度图像身份信息约束低分辨率图像的深度特征增强提取,进而提高低分辨率人脸识别网络的整体性能。具体的,首先采用多级级联的超分辨率网络实现低分辨率人脸的渐进分辨率增强,然后同时提取不同分辨率的人脸特征用于人脸识别;网络训练同时参考了标签图像的像素损失和身份损失。大量实验结果验证了提出方法的有效性。