人脸特征相较于其他生物特征而言,具有易获取,弱配合的优势,对于部分特殊个体,存在大批量的公开数据集可以获得。目前来说,人脸识别技术发展迅猛,但往往集中于图像质量较好的实际情况,在实际非约束场景中的应用往往面临着一些问题:一是高清图像视频的采集对于图像采集设备和数据存储过程提出了相对较高的要求,在实际应用场景中有时不能满足;二是由于温度、背景光等环境因素和摄像头高度、镜头焦距等设备本身因素影响,获取图像中人脸部分存在图像噪声和人脸细节特征不足的问题。从以上问题出发,本文提出了融合图像去噪和超分辨率的人脸识别新模式,力图解决实际应用中面临的图像噪点和低分辨率情况。主要工作如下:1.图像去噪模块,考虑到原始图像中存在图像噪声影响后续过程,设计图像去噪模块去除原始图像中的冗余信息。区别于传统的基于高斯模型或泊松模型进行噪声模拟的方案,选择通过设计噪声估计子网络缩小模拟噪声和真实噪声的区别,并利用卷积编码网络结合噪声估计子网络,构建图像去噪神经网络模型,以此进行图像帧噪声的去除。2.人脸识别模块,利用MTCNN对于图像进行人脸检测。考虑到图像中人脸分辨率大小未知,依据检测人脸大小将人脸分为高分辨率人脸和低分辨率人脸,对于高分辨率人脸,利用Arc Face损失函数和LRes Net100E-IR结构构建的人脸识别网络进行人脸特征提取,对于低分辨率人脸,利用超分辨率模块处理后再利用人脸识别模型形成对应的人脸特征向量。3.超分辨率模块,由于街景图像中存在人脸图像尺寸分辨率过低的问题,通过构建基于生成对抗神经网络的超分辨率模型,实现对于低分辨率图像的超分辨率化,尽可能还原人脸细节内容。同时利用自主集成的方法进一步优化改善超分辨率的实际效果。并通过诱导试验量化比较了各模块对于最后识别效果的改善程度。