人脸超分辨率是一种将低分辨率人脸图像重构成高分辨率人脸图像的技术,在监控安防等领域有着重要的应用价值。由于实际情况中的应用多数是针对单张人脸图像进行超分辨率处理,因此相对于基于多帧重构的方法,使用图像先验知识对单张图像进行重构的基于学习的人脸超分辨率方法是当下的研究热点。本文开展基于流形结构保持的人脸超分辨率算法研究,针对基于学习的人脸超分辨率方法中的基于局部的方法作为学习要点,发现过去研究中的不足,提出改进的算法。因此,本文的主要研究内容如下:(1)研究并改进了基于局部约束表示算法,结合不受降质过程影响,流形结构更可靠的原始高分辨率图像块,以及可以将特征映射到高维空间从而达到非线性特征合成的核函数,提出了基于局部约束核双层表示的人脸超分辨率算法。该算法将高分辨率层加入模型作为约束项从而补偿丢失的细节信息,然后将高低分辨率特征映射到高维空间,使部分非线性的高频特征变得线性可分。该算法分别在FEI数据库和CAS-PEAL数据库中验证了其有效性。(2)提出了一种基于局部约束核双层表示的上下文图像块人脸超分辨率方法,引入图像块之间的上下文关系;加入了高分辨率层约束项以及在高分辨率样本空间中寻找相似图像块,从而改善在降质过程中丢失高频细节信息这一问题。利用核技巧将特征信息映射到高维空间获取非线性特性。通过在FEI数据库和CAS-PEAL数据库中分为无噪声和有噪声两种情况验证了算法的性能以及对噪声的鲁棒性。(3)提出了基于自适应近邻选择的核上下文图像块人脸超分辨率算法,在运用位置信息的同时,加入了上下文信息,扩大了图像块的感受野,增强了基于局部块方法的全局特性。采用自适应选择K近邻替代固定的K近邻值,使对每个位置的低分辨率输入图像块在训练样本中相似图像块的选择更合理,避免了固定K值可能产生的欠拟合或拟合不当问题。最后运用核函数使原始空间中的非线性特征也变得线性可分。该算法在FEI数据库和CAS-PEAL数据库中验证了性能的提升。