计算机算法的性能提升可以为日常生活中的各种应用带来颠覆性的改变,本文面向视频流的人脸超分辨处理算法,旨在将原始低分辨视频中人脸部分进行真实还原处理,在提升目标人脸图像分辨率和清晰度的同时有效提高人脸识别的准确性,为人脸识别技术的运用提供更好的应用场景,为公共安全领域提供良好的技术支撑。本文结合视频超分辨算法和人脸超分辨算法两项关键技术,并在此基础上实现算法在边缘计算平台FPGA上的部署。本文从基于稀疏编码和字典学习的经典超分辨算法出发,着重研究了使用神经网络的方法实现视频超分辨任务。在视频处理过程中,本文联立视频处理算法的通用特点,设计提出了一种高效的通用视频处理框架。在视频人脸超分辨的算法实现中,本文采用人脸特征提取,使用人脸损失构建神经网络的训练策略,在提高人脸超分辨重建后图像的主观感知效果的同时,提高了人脸识别中身份信息的真实还原度。由于视频处理算法的实现需要前后相邻帧画面信息,本文结合通用视频处理框架,规划实现了一种延迟一帧的算法实时处理框架。实验结果表明,低分辨视频中的人脸图像在本文的视频人脸超分辨算法下可以达到超分辨后与真实图像之间结构相似度0.933,峰值信噪比32.998 d B,人脸特征向量距离值0.273的指标。相较于现阶段较为成熟的超分辨算法FSRCNN,EDSR,ESRGAN,本文算法不仅可以有效降低模型参数量,还可以获得较为优异的客观评价指标。视频超分辨的演示结果也表明,在处理连续视频图像时,本文的算法对于目标人脸的处理自然流利,且恢复出的人脸细节信息正确且丰富,有较好的实用场景。除此之外,在视频流超分辨算法的执行过程中,为了解决识别对象的移动,脸部的转向等情形下人脸识别准确率下降的问题,本文使用人脸后验信息补充的算法,能有效地提高识别的准确率。在实验测试的样本中,基于后验信息补充的视频人脸超分辨算法可以将目标人脸与参考人脸的特征向量距离平均值稳定在0.3以下。本文已将超分辨算法在FPGA端进行实现,Vitis-AI框架下的实验结果表明,本文中的视频人脸超分辨算法在通用视频处理框架下可以达到2.45 GB/s运行带宽,以及3.87 TMACs的吞吐率性能,对于输入56×56尺寸的图像可以达到163.3帧的处理速度,满足视频处理的实时性要求。