石正宇，陈仁文，黄 斌

南京航空航天大学 机械结构力学及控制国家重点实验室，南京210016

人脸识别具有巨大的应用前景，近四十年来被广泛研究，并且涌现出了众多优秀算法。近几年，一些基于深度学习的技术[1-2]在LFW数据集上的识别率已经超过了99%。然而，当涉及到监控系统时，由于采集到的人脸图片往往是低分辨率（Low-Resolution，LR）的，并且伴随着模糊、遮挡等，这些算法的性能大大下降。利用这些低质量的图片进行识别，被称为低分辨率人脸识别（Low-Resolution Face Recognition，LRFR）问题。

现有的LRFR方法可以大致上分为两类，其中一类是超分辨率重构法，即提高待测图像的分辨率再使用传统的人脸识别方法进行识别[3]。传统的超分辨率重构方法会模糊图像细节，比如纹理和边缘，因此Wang等人[4]使用深度神经网络，并巧妙地构造了损失函数，在监控数据集上验证了算法的有效性。尽管这些方法可以一定程度上恢复低分辨率图像，但深层网络结构往往会带来巨大的计算量和时间消耗，因此不适用于实际应用。此外，大部分超分辨率重构法的目标在于恢复LR 图片的视觉效果，而非针对模型的识别效果。因此，重构得到的图片中没有判别性信息的增加，甚至会带来冗余信息，从而降低最终的识别率[5]。

另一类方法是子空间法，相比于超分辨率重构法更直接，即采用映射函数将高低分辨率图片映射到统一的特征空间中，在这个特征空间里，不同分辨率图像特征之间的距离最小。基于线性判别分析，文献[6-7]提出了几种具有判别性的子空间方法；……