近年来，在刑事案件侦破中，犯罪嫌疑人的人脸图像是刑侦人员*关注的目标之一。在实际监控中，由于嫌疑人常距摄像头较远且拍摄设备本身的分辨率有限，所以拍摄到的人脸图像尺寸很小，难以辨识。如何提高所获人脸图像的空间分辨率，改善人脸图像质量，提升人脸图像清晰度和辨识价值是极具挑战性的课题。人脸超分辨率技术是解决上述问题较经济且有效的手段之一。《基于一致流形学习的人脸超分辨率算法研究》通过借鉴人类视觉感知和认知的机理来完成人脸图像库的扩充表达、人脸图像的噪声鲁棒表示、高低分辨率一致流形关系的学习。在基础理论和关键技术方面的研究成果可为解决实际监控人脸超分辨率重构问题提供新途径。
　　《基于一致流形学习的人脸超分辨率算法研究》可作为高等院校计算机、模式识别、自动化等专业的本科生、研究生参考用书，也可供相关领域的研究人员参阅。

第1章 绪论
1．1 人脸超分辨率算法研究的现实需求
1．2 人脸超分辨率研究现状
1．2．1 监控视频人脸图像的特点与面临的挑战
1．2．2 研究现状与存在的问题
1．3 人脸图像超分辨率的研究内容

第2章 基于最近特征线流形学习的人脸超分辨率算法
2．1 引言
2．2 流形学习算法
2．3 基于邻域嵌入的图像超分辨率算法
2．4 基于最近特征线流形学习的人脸超分辨率算法的核心
2．4．1 符号定义
2．4．2 基于最近特征线流形学习的人脸超分辨率算法
2．4．3 最近特征线人脸超分辨率方法的改进
2．4．4 人脸图像小块划分
2．5 基于最近特征线流形学习的人脸超分辨率算法的实验-
2．5．1 人脸库介绍
2．5．2 算法参数设置
2．5．3 不同算法主客观对比结果
2．5．4 训练库大小对算法结果的影响

第3章 基于图像块局部约束表示的噪声鲁棒人脸超分辨率算法
3．1 引言
3．2 图像块表示方法
3．2．1 最小二乘表示法
3．2．2 稀疏表示法
3．3 局部约束鲁棒人脸超分辨率算法
3．3．1 图像块局部约束表示
3．3．2 目标函数优化
3．3．3 局部约束鲁棒人脸超分辨率算法
3．4 稀疏性和局部性分析
3．4．1 稀疏性分析
3．4．2 局部性分析
3．5 提出算法的验证实验
3．5．1 人脸库介绍
3．5．2 FEI人脸库上的结果
3．5．3 参数分析
3．5．4 算法噪声鲁棒性测试
3．5．5 真实图像的超分辨率重构结果

第4章 基于高分辨率流形空间约束的人脸超分辨率算法
4．1 引言
4．2 基于高分辨率流形结构保持的嵌入学习
4．2．1 符号定义及问题提出
4．2．2 局部诱导的支撑回归方法
4．3 算法有效性的验证实验
4．3．1 对比算法与参数设置
4．3．2 CAS-PEAL-R1人脸库上的对比结果
4．3．3 AR人脸库上的对比结果
4．3．4 算法参数对重构结果的影响
4．3．5 真实世界人脸图像上的重建结果
4．3．6 实验结果分析

第5章 基于局部迭代嵌入和字典渐进更新的人脸超分辨率算法
5．1 引言
5．2 基于图像块表示人脸超分辨率的相关工作
5．2．1 符号定义及问题提出
5．2．2 图像块表示方法
5．3 提出的“由粗到精”人脸超分辨率方法
5．3．1 局部约束迭代邻域嵌入方法
5．3．2 多层局部约束迭代邻域嵌入方法
5．3．3 计算复杂度
5．4 与前沿算法的对比实验
5．4．1 人脸库描述
5．4．2 参数分析
5．4．3 与前沿算法的对比
5．4．4 实际人脸超分辨率重构结果
5．4．5 实验结果的讨论

第6章 基于人脸超分辨率重建的进一步研究
6．1 已取得的研究成果
6．2 人脸图像超分辨率重构待研究的问题
参考文献
附录 图像噪声强度与正则化参数的关系