周 燕，项 杨，曾凡智，邹 磊

(佛山科学技术学院 计算机系，广东 佛山 528000)

1 引 言

近年来大数据、人工智能与传统行业紧密结合，已经成为推动工业、医疗、教育、金融、通信等各个领域发展的重要力量.而基于图像的人脸识别技术经过多年的研究已日趋成熟，并且广泛应用于门禁、安全检测等诸多领域[1]当中，基于高分辨(High-Resolution,HR)图像的传统人脸识别技术已相对成熟.

但对限制环境下小尺寸的人脸进行识别的技术还不够成熟，特别是人群密集环境下的低分辨率人脸没有足够的细节特征，还可能存在模糊的情况，对这种环境下的人脸进行识别来判断人物身份依然存在待突破的技术瓶颈.特别是由于监控环境下人数众多，通过摄像机捕捉到的人脸分辨率较低，适用于较高分辨率环境下的普通人脸识别技术，无法满足限制环境下人脸识别所需的精度要求.因此，能够在密集环境下对微小人脸进行检测和识别，有效认证限制场景下的人物身份是当前的研究热点之一.本文通过对密集环境下的微小人脸进行检测，重建微小人脸，对重建后的人脸进行识别，该算法主要涉及到人脸检测、超分辨率重建和人脸识别三个方面.

人脸检测算法.人脸检测技术是人脸识别算法的第一步，也是非常重要的一步，人脸识别需要检测出人脸位置才能对检测出的人脸进行识别，如果不能高效的定位人脸位置，则不能进行后续的人脸识别.人脸检测技术主要分为两类：第一类是采用传统特征检测人脸位置，第二类是利用神经网络对人脸和非人脸进行分类，达到检测人脸位置的效果.基于传统特征的人脸检测方法[2]通常利用一个固定大小的滑动检测器在图像上滑动，用分类器来判断滑动窗口部分是否为人脸.Viola[3]提出了一种训练多个弱分类器组成一个强分类器的算法.该算法使用Haar-like传统特征提取滑动窗口特征，随后使用AdaBoost级联分类器进行人脸检测.采用传统算法，例如Haar特征来描述人脸，其根据区域亮度变化来描述人脸，对于背景的计算较少，因此往往分类速度很快.但是这类特征由于没有考虑角度、遮挡、环境和光照等情况，因此在复杂场景下的人脸检测效果比较一般.同时由于人脸大小不同，因此需要不同大小的人脸检测框来进行训练和检测，所以目前的传统人脸检测方法在多尺度人脸的检测上效果一般.基于神经网络进行人脸检测方法，利用神经网络的鲁棒性，弥补了传统特征在角度、遮挡和广州等非线性环境下检测人脸的不足.同时，利用多尺度特征图的方法利用滑动模块在神经网络的不同特征图(Feature Map)上进行分类，并通过训练学习人脸特征可以提高人脸检测的能力.该方法能够克服人脸的复杂性、姿态变化和环境光照等影响，但对于微小人脸检测效果有限，本文提出一种利用多特征图和图像金字塔结合的方法提升微小人脸检测效果的算法.

超分辨重建技术已被广泛应用于医学图像处理[4]，安防监控[5]和卫星图像[6]等领域.图像超分辨率重建方法主要分为两类：基于重建的方法[7,8]和基于学习的方法[9,10].深度学习技术对超分辨率方法带来了性能的提升，受到科研人员的青睐.基于深度学习的超分辨率重建方法通过学习低分辨率图像与高分辨率间的对应关系，将低分辨率图像直接重建成高分辨率图像.SRCNN[11]是首次用于解决图像超分辨率重建问题的深度学习模型.但是由于该网络结构的感受野较小，在低分辨率图像上采样成高分辨率图片时增加了时间成本，同时限制了重建效率.ESPCN[12]和FSRCNN[13]对SRCNN进行了改进.和SRCNN需要将低分辨率图像上采样到高分辨率图像不同，ESPCN可以直接在低分辨率图像上利用亚像素卷积层重建，该方案大大提升了重建效率；FSRCNN超分辨率重建算法则是在SRCNN和ESPCN的基础上，利用漏斗结构的卷积网络，映射低维空间，使用反卷积层进行放大，该算法大大提升了图像重建算法的效率和速度.Hu[14]等人提出了一种Meta-SR重建方法，只需使用一个模型，利用缩放因子将低分辨图像重建成任意倍数的高分辨率图像，简单实用.在人脸的超分辨率重建方面，由于人脸的复杂性，上述的重建方法不能针对人脸的共性进行重建，本文探索一种基于先验信息的人脸超分辨率重建方法，提高人脸图片的重建效果.

人脸识别[15，16]是根据人的面部特征来进行身份认证的技术，从深度卷积神经网络(Deep Convolutional Neural Networks,DCNNs)被运用到人脸识别算法后，人脸识别的准确性能被不断刷新.Yaniv Taigman[17]等人设计了一个九层的神经网络，神经网络最后一层得到的向量作为人脸面部特征，使用三维模型进行对齐和无约束环境下的人脸表示，该方法有效地克服了人脸对齐方法局限性，提高了人脸识别准确率.Deng[18]等人提出了一个附加的角边缘损失来获得人脸识别的高分辨特征，其具有清晰的几何解释，并且可以很容易地实现.对于高分辨率的人脸识别技术相对成熟，卢涛[19]等人提出一种基于图像超分辨率极限学习机的低分辨人脸识别，利用图像稀疏表达字典重建高分辨率图像，通过构建ELM模型预测输入极低人脸图像的类别属性.薛杉[20]等人针对监控中的目标人脸，通过聚类算法将单目标识别问题转换为多目标识别问题，利用迭代标签传播算法不断优化待识别样本的归属类型，按照置信概率估计每个类别的人脸确认阈值.综合来说，基于图像对高分辨率的人脸识别方法非常多且精度较高，而对于低分辨率人脸识别的研究还不太成熟，没有考虑到采用超分辨率重建的方法将低分辨率人脸识别的问题转换为高分辨率人脸识别的问题，增加低分辨率的人脸细节特征，可以有效提高密集环境下低分辨率人脸识别的精度.

本文提出了一种基于超分辨率的人脸识别算法，本算法包括三个主要阶段：首先，研究图像金字塔和残差网络融合的微小人脸检测算法，利用人脸检测模板尺寸对人脸检测准确率的影响，对不同图像金字塔层采用合适的尺寸模板检测解决模板冗余的问题.其次，构建一种基于面部先验信息的超分辨率重建网络，通过超分辨率重建中引入人脸先验知识，提升人脸重建的效果，恢复小尺寸人脸的面部细节特征.最后，提取重建后的人脸图像的512维面部特征向量，计算提取的人脸特征和预存人脸特征的相似度完成人脸识别过程.通过实验证明本文提出的算法对小尺寸人脸的识别准确率有一定的提升，能解决密集环境下微小人脸检测和识别准确率低的问题.

2 微小人脸检测

随着基于深度神经网络的人脸检测算法的发展和深入，开始逐步取代基于传统特征的人脸检测算法.近年来，越来越多的基于神经网络的人脸检测技术被提出并在实际应用中取得了不错的效果，例如MTCNN[21]和Faceness[22]，但是这些人脸检测技术在密集环境下对离相机较远的微小人脸检测效果有待提高，为改善微小人脸的检测效果，本文提出了一种结合图像金字塔和残差网络(ResNet)的微小人脸检测算法，并设计一种合理利用不同大小模板的模板选择方法，提高图像金字塔和多特征图结合进行人脸检测的效率.

图1 微小人脸检测算法Fig.1 Tiny face detection algorithm

本文设计的微小人脸检测流程如图1所示，将图片输入网络后，首先创建一个图像金字塔；然后，将缩放后的图片通过Resnet101网络得到不同感受野下的几个特征图；其次，针对图像金字塔得到不同分辨率的图像，在其对应的ResNet101网络特征图上采用不同大小的模板集合进行检测，模板区域进行分类会产生候选框(Candidate Bound)的集合；最后，将得到的候选框用非极大值抑制(Non-Maximum Suppression，NMS)的方法去掉冗余的框，获得最终的人脸检测结果.

2.1 图像金字塔

基于深度学习的人脸检测方法通过将图片通过卷积网络，得到待检测图片不同卷积层输出的特征图，再利用人脸检测模板在特征图上进行检测.例如上文中提到的MTCNN和Faceness都是利用神经网络进行人脸检测，该方法具有良好的检测效率和性能，得到了广泛应用.但是由于小尺寸的人脸面部特征信息较少，所以该类网络在微小的人脸检测方面效果一般.因此本文利用图像金字塔得到不同尺寸的人脸，再结合深度神经网络进行人脸检测，解决小尺寸人脸检测精度不高的问题.

图像金字塔是通过上下采样将图片用金字塔层级排列的概念结构，主要用于各种图像处理技术的预处理.本文通过上采样和降采样分别得到待检测图片的高分辨率和低分辨率图片，采样达到某个终止条件停止，最后得到待检测图片的图像金字塔.

2.2 ResNet残差网络

构建图像金字塔之后，需要将不同分辨率的图片通过神经网络得到不同的特征图，在特征图上使用人脸检测模板获得人脸候选框，本文的网络结构采用ResNet[23]残差网络.

理论上卷积网络随着网络层数的增多，特征提取能力也会随之增强.然而实验中发现随着网络层数的深入，网络层数的增加可能会带来梯度消失和梯度下降等问题，导致网络性能的降低.2015年残差网络的出现解决了这一问题，残差网络提出了残差块(Residual Block)的思想，残差块通过跳跃连接的方式让高层特征图同时也包含了底层的特征信息，通过1×1的卷积让残差块返回主路径的值和下一个残差块的尺寸相同.残差块结构如公式(1)所示：

F(x)=W2σ(W1x)

(1)

其中x表示输入，F(x)表示残差块在第二层激活函数之前的输出，W1和W2表示第一层和第二层的权重，σ表示ReLU激活函数，最后的输出H(x)的公式(2)所示：

H(x)=F(x)+x

(2)

通过这种跳跃连接的方式，可以有效解决深层网络训练中产生的梯度消失和梯度下降的问题，从而使得通过增加网络深度来提升神经网络性能的方法得以实现.ResNet网络包括五种深度，分别是18层、34层、50层、101层和152层，其中50层和101层使用最广泛，一般被称为ResNet50和ResNet101，本文使用ResNet101网络，包括6个部分，分别是Conv_1，Conv2_x，Conv3_x，Conv4_x，Conv5_x和平均池化层.其中Conv_1主要用来调整图片到固定的尺寸；平均池化层主要用来做分类或者提取需要的图片特征；Conv5_x输出的特征图大小为7×7，该部分丢失较多浅层信息，不利于用来进行人脸检测.因此本文的人脸检测模板在Conv2_x，Conv3_x和Conv4_x的特征图上进行检测.

2.3 模板尺寸选择

由于人脸尺寸大小不固定，采用单一模板在特征图上进行检测会导致漏检问题，因此目前基于深度神经网络的检测方法大多采用多尺度模板进行检测，但采用图像金字塔和多特征图检测的方法虽然能提高人脸检测的效果但是会导致检测时间较长.假设本文图片构建了5层特征金字塔，每层图片在Conv2_x，Conv3_x，Conv4_x这3个特征图上检测，如果使用25个人脸检测模板，则每个模板需要在15个特征图上进行检测，一共检测375次，造成大量冗余的计算.因此本文针对图像金字塔的不同层，选取合适的模板进行检测.人脸检测模板通常采用ImageNet[24]数据集进行训练，我们首先将ImageNet数据集图片缩放到224×224大小，对人脸像素统计发现人脸分辨率主要集中在40～140之间，因为人脸检测训练集主要训练这个像素的人脸，因此模板对于像素高度在40～140的人脸更易于检测.

本文通过人脸检测预训练集的特点，找到最容易检测到人脸的模板尺寸区间，在图像金字塔的不同层上根据缩放大小选择最适合检测的模板尺寸，减少每层图像金字塔的模板数量，减少冗余计算，对模板数量的合理分配.用t(h,w,σ)来描述一个模板，其中h和w表示模板的高和宽，σ表示图片缩放的倍数.该模板用来检测t(h/σ,w/σ)大小的人脸.如果检测一个31×25的小尺度人脸，那么在两倍分辨率的金字塔图像上采用(62,50,2)的模板比在原图像上采用(31,25,1)的模板效果更优；同理，若检测一个250×200的人脸则在0.5倍分辨率图像上采用(125,100,0.5)的模板检测效果更优.因此，本文在上采样图片上主要检测高度大于140的人脸；在原图中主要检测高度在40～140的人脸；在下采样的图片中主要检测高度小于40的人脸.因此，本文针对不同缩放尺度图片的模板选择由公式(3)表示：

(3)

该公式中，h表示模板的高度，σ表示图片的缩放尺寸.通过给图像金字塔不同层的图片分配不同大小模板的方法，在一定程度上解决了图像金字塔检测方法和神经网络检测方法融合所带来的计算量过大的问题.

2.4 非极大值抑制

人脸检测模板在特征图上进行人脸检测时，模板框会通过分类器得到该区域的得分，得分越大越接近人脸，保留其中得分较高的区域，会形成一个人脸候选框(Candidate Bound)的集合.这些候选框有很多冗余，所以需要通过非极大值抑制(Non-Maximum Suppresion，NMS)的方法来去掉多余的框.首先选取分类得分最高的人脸候选框，然后计算该候选框和其它候选框的交并比(Intersection-Over-Union，IOU)，计算公式如公式(4)所示：

(4)

其中A为得分最高的候选框，B为其余的候选框.当A和某个候选框的IOU大于某个阈值时，将B从候选框集合中删除.非极大值抑制伪代码如算法1所示.

算法1.非极大值抑制算法

输入：候选框集合B={b1,b2…,bN}、候选框得分集合S={S1,S2,…,SN}、阈值Nt.

1.创建一个存放最优框的集合H，将候选框集合B按得分从高往低排序.

2.在候选框集合B找到得分最高的候选框h，将h移到集合H.

3.遍历集合B中的框，与框h计算交并比，如果交并比大于阈值Nt，将此框从集合H中移除.

4.重复步骤2和步骤3，直到集合B为空集.

输出：最优框集合H.

非极大值抑制通过多模板对每层图像金字塔进行人脸检测，会得到多个候选框，通过非极大值抑制的方法将多余的候选框去除，得到人脸识别的最终结果.

心之所向，素履以往。生如逆旅，一苇以航。陈老师是平凡的追梦者，也是不凡的造梦者。他总是用充满期待的爱，滋润“路途劳累”的莘莘学子。正如德国哲学家雅斯贝尔斯说过：教育意味着一棵树摇动另一棵树，一朵云推动另一朵云，一个灵魂唤醒另一个灵魂。

3 基于超分辨率的微小人脸识别

本小节的人脸识别算法包括超分辨率重建和人脸识别两部分.本文的人脸识别算法采用超分辨率重建来增加小尺度人脸的面部细节特征，再将重建后的高分辨率人脸送入特征提取网络提取面部特征向量，最后进行人脸比对确定人脸身份.其算法结构图如图2所示.

图2 人脸识别算法结构图Fig.2 Structure diagram of face recognition algorithm

3.1 基于人脸先验信息的超分辨率重建算法

本文通过将面部先验信息融合到超分辨率重建网络，通过面部先验知识可以更好地重建人脸图像，该超分辨率重建网络由4个部分组成：粗糙的SR网络、编码网络、人脸先验信息和解码器网络.

我们首先使用一个粗糙的SR网络将低分辨率图片恢复成一个128×128的高分辨率图片.先将低分辨率图片上采样至128×128的高分辨率图片，再通过3×3，步长为1的卷积核将图片卷积成64个特征图，再通过三个残差块，最后再用3×3，步长为1的的卷积核重建出一个粗糙的高分辨率图片.

我们利用面部先验信息来提升重建的人脸图片的质量，本文的面部先验信息采用面部特征点，Dlib机器学习工具箱为我们提供了练好的模型“shape_predictor_68 _face_landm-arks.dat”，该面部关键点提取网络可以提取68个面部特征点.超分辨率编码器则利用12个残差块进行特征提取，为了减少计算，我们将先验特征图和粗糙的SR网络重建的高分辨率图片降采样到64×64.超分辨率编码器先用步长为2的3×3卷积核将特征图降采样到64×64，特征图数量为64，然后经过12个残差块，最后用一个3×3，步长为1的卷积核提取编码特征图.

超分辨率解码器将面部先验特征图和编码特征图串联起来作为解码器的输入.然后使用3×3步长为1的卷积核将特征图的数量由128减少到64个，再利用3 ×3的反卷积层将特征图上采样到128×128.随后用3个残差块对特征图进行解码.最后使用一个3×3步长为1的卷积核将特征图恢复成128×128的高分辨率图片.

超分辨率重建网络的损失函数如公式(5)所示.

(5)

3.2 面部特征提取

(6)

其中s表示规模参数，分类分类正确的标签值为es(cos(θyi+m))，m表示平移距离，一般小于1，又因为余弦函数在输入范围内是递减函数，因此该损失函数充分考虑了角度距离比余弦距离对角度的影响更直接.

3.3 特征比对

面部特征提取网络提取到的512维面部特征和预存的人脸特征进行欧氏距离计算，根据距离判断该人脸的身份，欧式距离计算公式如(7)所示：

(7)

其中，xik和xjk分别表示i向量和j向量的第k个数.计算待识别人脸特征和预存的所有人脸id对应特征的距离，找到其中最近的人脸id，再通过设置阈值的方式，如果和最近的人脸特征的距离小于阈值，则识别为此人脸id的身份；如果最小距离大于阈值，则无法识别.根据我们实际研发工程项目的经验，我们将阈值设置为1.05，在此阈值下能确保准确识别的同时也不会有太高的拒识率.

4 实验与结果分析

本实验在Windows 10操作系统下采用Python开发语言，采用OpenCV进行图像处理，使用TensorFlow、MXNet等深度学习框架实现深度学习算法，显卡为NVIDIA 2080，显存8G，CPU为Intel(R)Core(TM)i7-8750H，内存32G.

4.1 实验数据库以及性能指标

本文采用WIDER FACE[26]数据集作为人脸检测训练集，此训练集包含了不同大小、姿态、遮挡、表情和光照环境下的人脸，是目前开放数据集上使用最为广泛的数据集，它包含62种环境下的12880张训练图片.

人脸检测数据集采用FDDB[27]进行测试.FDDB数据集有2845张图像，共包含5171张人脸，是目前最常用的人脸测试数据集.

超分辨率重建训练集采用Helen[28]人脸数据集，该数据库训练集包括了2000张人脸图片，测试集包括100张人脸图片，所有人脸都被标注了68个特征点.

本文人脸识别测试集采用自建的课堂人脸识别数据集ClassRecognition，其中包括40名同学的正面照片，如图3(a)所示；以及采用4k摄像头从不同角度拍摄的班级视频，提取其中20帧图片进行人脸识别测试，共包含759张人脸，如图3(b)所示.

本文人脸检测的评价指标是采用受试者工作特征曲线来表示，在人脸检测任务中，根据样本的正负和模型给出的判断

图3 人脸识别测试集Fig.3 Face recognition test set

结果，可以进一步定义真正率(True Positive Rate,TPR)和假正类率(False Positive Rate,FPR)，分别见公式(8)和公式(9).

(8)

(9)

其中TP为真正类，FN为假负类，FP为假正类.

超分辨重建采用峰值信噪比(Peak Signal to Noise Ratio,PSNR)评价方法进行评价，公式如(10)所示：

(10)

公式中X表示重建图像，Y表示原高分辨率图像，MSE表示均方误差.

4.2 实验1.微小人脸检测算法实验

本文算法在公共数据集FDDB上进行测试，首先采用本文的微小人脸检测算法对FDDB数据集包含5171个人脸的2845张图片进行检测，部分检测结果如图4所示.

图4 FDDB部分检测结果Fig.4 FDDB part test results

本文根据微小人脸检测算法检测到的人脸框位置，和FDDB数据集标注的人脸框位置计算交并比(Intersection-over-Union,IOU)，阈值设置为0.5，当检测到的人脸框和数据集标注人脸框的IOU大于0.5时，判定检测结果为真正类，即正确检测到人脸目标；当检测到的人脸框和数据集标注人脸框的IOU小于0.5时，判定检测结果为假正类，即将非人脸检测为人脸.统计假正类数量并计算真正类率绘制受试者工作特征曲线(ROC,Receiver Operating Characteristic Curve)如图5所示.

本文算法采用ROC曲线与MTCNN[21]、Faceness[22]、Joint Cascade[30]、CCF[31]人脸检测算法进行比对.图5的ROC曲线横坐标FP即假正类，是将负样本判定为正样本的数量，纵坐标TPR表示真正类率，即召回率，表示正样本中正确判定的比例.本文节设计的微小人脸检测算法的真正类率达到97.78%，优于MTCNN的95.04%，Faceness的90.99%，Joint Cascade的展示出较好的人脸检测性能.

图5 FDDB测试集上的受试者工作特征曲线Fig.5 FDDB test set receiver operating characteristic curve

4.3 实验2.超分辨率重建算法实验

我们将本文的超分辨率重建方法与双三次插值和SRResNet[29]方法进行比较.先将原图降采样到16×16大小，然后分别通过上述3种方法重建到128×128大小，采用主观评价和客观评价两种方式评价超分辨率重建算法的效果.主观评价即根据人眼的视觉感受评价算法的效果，重建效果对比如图6所示.

图6 重建效果对比图Fig.6 Reconstruction effect contrast diagram

从主观评价来看，采用双三次插值的方法对输入的低分辨率图片重建的效果很差，不能反映人脸信息，而现在的人脸识别方法多采用该方法将输入人脸调整到人脸识别网络设定的输入大小；SRResNet方法恢复得到的人脸效果较优于双三次插值的方法，但是仍然不能很好的恢复面部细节特征；从重建效率对比图可以看出本文结合人脸先验信息进行人脸重建的方法能恢复更多的面部细节，优于前两种方法.

客观评价采用峰值信噪比评价方法进行评价.峰值信噪比反映了图像的退化或受噪音影响的程度.该方法在图像压缩、重建领域经常使用，是在重建领域中一个非常重要的评价指标，值越大表示图像的重建效果越好.表1展示了Helen数据集重建图像的PSNR对比效果，从表中可以看出本文方法的客观评价指标结果优于双三次插值和SRResNet重建算法.

表1 Helen测试集实验结果Table 1 Helen test set experimental results

4.4 实验3.基于超分辨率的微小人脸识别算法实验

本文通过融合人脸先验信息的超分辨率重建方法与双三次插值和SRResNet方法在自建课堂人脸识别数据集ClassRecognition上进行识别比对.

首先采集班级40名同学的人脸特征，用来和教室图片中采集到人脸进行比对.特征采集首先对ClassRecognition数据集的每名同学的照片先进行人脸检测，然后提取特征，将提取的512维特征向量和对应的学生id存入数据库的人脸特征表.

对ClassRecognition数据集的20张4K分辨率照片进行人脸识别测试.首先进行人脸检测，之后将图片中的人脸用超分辨率重建的方法进行人脸重建，接着提取人脸面部特征和预存的学生特征计算欧氏距离，找到距离最近的特征，如果和欧氏距离最近的特征之间的距离小于阈值1.05，则返回该人脸特征对应的学生id，根据标注了学生id的图片，人工统计识别的准确性，并和现有未使用超分辨率重建的人脸识别算法进行比对，识别准确率(%)如表2所示.

表2 ClassRecognition测试集人脸识别实验结果Table 2 ClassRecognition test set face recognition experiment results

通过和双三次插值、SRResNet超分辨率重建算法结合本文人脸识别算法进行识别准确率比对，分别统计三种超分辨率重建算法和本文的人脸识别算法结合的识别准确率(%)，如表3所示.

表3 ClassRecognition测试集超分辨率重建人脸识别实验结果Table 3 ClassRecognition test set super-resolution reconstruction face recognition experiment results

通过实验的数据比对可以看出采用本文的超分辨率重建和人脸识别结合的方法可以提高密集环境下人脸识别的准确率.尽管采用4k摄像头来拍摄，班级环境下后排的同学人脸仍然会丢失很多细节信息，导致人脸识别准确率的降低.人脸识别算法通常采用双三次插值将图片重建成深度人脸识别网络需要的高分辨率图片，该方法并不能恢复丢失的人脸细节信息.本文通过基于人脸先验信息重建课堂低分辨率人脸，可以在一定程度上恢复丢失的人脸细节信息，提高密集环境下人脸识别的准确率.

5 结 论

在本文中，作者提出了一种基于超分辨率的人脸识别算法，本算法包括人脸检测、超分辨率重建和人脸识别三个阶段.首先，研究图像金字塔和残差网络融合的微小人脸检测算法，利用人脸检测模板尺寸对人脸检测准确率的影响，对不同图像金字塔层采用合适的尺寸模板检测解决模板冗余的问题.其次，构建一种基于面部先验信息的超分辨率重建网络，通过超分辨率重建中引入人脸先验知识，提升人脸重建的效果，恢复小尺寸人脸的面部细节特征.最后，提取重建后的人脸图像的512维面部特征向量，计算提取的人脸特征和预存人脸特征的相似度完成人脸识别过程.通过实验证明本文提出的基于超分辨率的微小人脸识别算法能够提升小尺寸人脸识别的准确率，能解决密集环境下微小人脸检测和识别准确率低的问题.