人脸图像去模糊在人脸识别、视频监控等领域有广泛的应用,备受研究者关注。图像模糊的形成原因主要有相机抖动、物体移动等。图像去模糊可以看作是一个反卷积问题,这是一类具有病态性的反问题,特别是人脸图像去模糊更是一个具有挑战性的难题。尽管现有的人脸图像去模糊算法很多,但是仍有许多问题亟待解决,比如人脸图像存在饱和区域影响模糊核估计;人脸模糊图像显著边缘提取不准确;人脸模糊图像显著边缘提取费时等。本文针对这些问题展开研究,主要研究工作包括:(1)针对人脸图像存在饱和区域影响模糊核估计的问题,本文提出了带有饱和区域的人脸图像去模糊算法(FDSA)。FDSA算法自适应地提取模糊人脸图像显著边缘,能够改善人脸模糊图像显著边缘提取不准确的问题。同时我们提出基于模糊核翻转的人脸模糊图像饱和区域去除方法,通过模糊核翻转函数去除人脸图像中的饱和区域。实验结果表明,所提出的FDSA算法能够准确去除人脸模糊图像中可能存在的饱和区域,提升人脸图像去模糊效果。(2)针对人脸模糊图像显著边缘提取不准确的问题,本文提出了基于样本集(样本库中的样本,为方便叙述,简称样本集)局部匹配的人脸图像去模糊算法(FDLMS)。FDLMS算法利用人脸特有结构,建立模糊人脸图像与样本集之间的关系,充分利用样本集提高模糊人脸图像显著边缘提取准确度,使用提取的显著边缘引导人脸图像去模糊。实验结果表明,FDLMS算法能够为人脸图像去模糊提供可靠的显著边缘,取得较好的人脸去模糊效果。(3)针对人脸模糊图像显著边缘提取费时的问题,本文提出了基于深度学习的人脸图像去模糊算法(FDDL)。FDDL算法提出一种人脸显著边缘提取网络,该网络首层去除人脸模糊图像细节,后续层增强图像边缘。与基于样本集局部匹配的人脸图像去模糊方法相比,FDDL算法大大减少了人脸显著边缘提取时间,可以满足实时性要求。实验结果表明,FDDL算法能够提升人脸显著边缘提取效率,取得较好的人脸去模糊效果。