人脸是视频监控之类应用的重要辨识信息。人脸超分辨率算法是利用视频图像前后帧互补信息或样本库先验信息提高原始人脸图像分辨率的技术。受拍摄环境、器件及存储等噪声影响，现有人脸超分辨率算法往往难以满足低质量、低分辨率人脸图像超分辨率重建的需要。针对噪声对人脸超分辨率重建过程中图像块稀疏表示系数、冗余字典表达能力、不同形态成分有效表示等因素的影响而导致超分辨率重建结果质量下降的问题，《基于稀疏表示模型的人脸超分辨率研究》介绍K近邻编码均值约束稀疏表示、高维图约束字典学习和人脸多形态稀疏表示等内容，创新性地解决基于稀疏表示的人脸超分辨率技术中的关键性问题。
　　《基于稀疏表示模型的人脸超分辨率研究》适合通信与信息系统等专业研究生，以及从事计算机视觉、数字图像处理、图像超分辨率等领域研究人员、工程人员使用。

前言
第1章 人脸超分辨率的基础知识
1．1 概述
1．2 人脸超分辨率的主要算法
1．2．1 全局脸算法
1．2．2 局部脸算法
1．2．3 结合全局和局部脸算法
1．2．4 稀疏表示图像超分辨率
1．3 现有算法存在的问题
1．4 基于稀疏表示模型的人脸超分辨率研究框架

第2章 基于K近邻稀疏编码均值约束的人脸超分辨率算法
2．1 概述
2．2 图像超分辨率的稀疏表示模型
2．2．1 图像的稀疏表示
2．2．2 图像超分辨率重建
2．3 K近邻稀疏编码均值约束鲁棒人脸超分辨率算法
2．3．1 基于位置块的冗余字典学习算法
2．3．2 K近邻稀疏编码均值约束项构建
2．3．3 正则化参数
2．3．4 目标函数优化
2．4 实验结果及分析
2．4．1 CAS-PEAL-R1库简介
2．4．2 算法参数设置
2．4．3 不同算法主客观对比结果
2．4．4 算法噪声鲁棒性测试
2．5 本章小结

第3章 基于高维图约束稀疏编码的人脸超分辨率算法
3．1 概述
3．2 图约束稀疏编码
3．2．1 图的构建
3．2．2 图约束正则项
3．3 高维图约束一致性人脸超分辨率算法
3．3．1 符号定义及问题提出
3．3．2 高维图约束子字典对学习
3．3．3 高分辨率人脸图像重建
3．4 高维图约束稀疏编码的有效性分析
3．5 实验结果及分析
3．5．1 人脸库简介
3．5．2 算法参数分析
3．5．3 不同算法的主客观结果
3．5．4 实际场景人脸图像重建结果
3．5．5 讨论
3．6 本章小结

第4章 基于多形态稀疏表示的人脸超分辨率算法
4．1 概述
4．2 人脸的多形态稀疏表示模型
4．2．1 多形态稀疏表示模型
4．2．2 MCA图像分解
4．3 基于多形态稀疏表示的人脸超分辨率算法框架
4．3．1 符号定义及问题提出
4．3．2 多成分字典学习
4．3．3 高分辨率人脸的重建
4．4 实验结果及分析
4．4．1 人脸数据库集
4．4．2 参数设置
4．4．3 四种参照算法结果比较
4．5 本章小结

第5章 基于稀疏卷积神经网络的人脸超分辨率算法
5．1 概述
5．2 相关研究
5．2．1 卷积神经网络
5．2．2 稀疏卷积神经网络
5．2．3 基于深度卷积神经网络的超分辨率算法
5．3 基于稀疏卷积神经网络的人脸超分辨率算法框架
5．3．1 问题定义
5．3．2 特征提取
5．3．3 网络训练
5．3．4 超分辨率重建
5．4 实验结果及分析
5．4．1 主观结果
5．4．2 客观结果
5．5 本章小结

参考文献

　　近年来基于学习的人脸超分辨率技术受到了广泛的关注，研究人员从不同的角度提出一系列超分辨率重建算法，基于图像块稀疏表示和冗余字典学习的人脸超分辨率算法取得了最佳效果。但是，在实际监控视频应用过程中，噪声等因素会导致基于稀疏表示模型的人脸超分辨率算法重建图像质量显著下降。如何构建鲁棒的稀疏表示模型、训练有效的冗余字典，形成对人脸的多形态稀疏表示，并在此基础上对低质量、低分辨率的人脸图像进行有效重建，是监控人脸图像超分辨率重建所要解决的关键问题。
　　本书对基于稀疏表示模型的人脸超分辨算法展开研究，提出一系列新的基于稀疏表示模型的人脸超分辨率算法，有效地改善重建结果中人脸图像的主客观质量。第一，从人脸图像块的鲁棒性稀疏表示出发，对高低分辨率重建系数的误差进行建模，提出在传统稀疏编码框架中引入稀疏编码噪声抑制正则项，改进高低分辨率重建系数的一致性，提高算法的噪声鲁棒性。第二，从学习字典的训练方法出发，结合稀疏性和近邻性特征优势，构建高维图约束正则项，提高冗余字典表达能力，进而改善基于稀疏表示模型的人脸超分辨率算法的重建能力。第三，从人脸多成分差异化表示出发，对人脸不同成分训练不同耦合字典，采用有针对性的正则项进行约束重建，保留更多人脸细节，进而改善超分辨率算法的性能。最后在上述基础上，提出基于稀疏卷积神经网络的人脸超分辨率算法，进一步改进基于稀疏表示模型的人脸超分辨率算法。