生物识别技术利用人体固有特征进行识别和鉴定,在安全性、保密性和便利性等方面都优于传统的身份识别方法。人脸识别因其具有非侵犯性、易于获取和操作隐蔽等特点成为生物识别中的热门课题,在考勤、安防、刑侦等领域都得到了广泛的应用。当采集到的人脸处于约束状态时,现有算法已经可以取得较好的识别效果。但在监控设备所获取的视频中,被采集的人脸图像大多处于非约束状态,从而带来的小尺寸和低质量问题会降低系统的识别性能,相关人脸图像的识别被称为低分辨率人脸识别。本文针对监控视频中的低分辨率人脸识别问题,对人脸超分辨率重建、分辨率稳健特征提取、分类器模型训练等步骤进行了研究,主要工作如下:(1)典型的基于稀疏编码的人脸幻想算法可以获得很好的重建效果,但是在字典训练阶段具有较高的复杂度。为了在降低训练复杂度的同时得到一个更有针对性的字典,本文利用K-means++算法对图像块进行字典训练,然后通过最小角回归(LARS)算法计算相应的稀疏系数进而得到"幻想人脸"。实验证明,在监控视频中人脸图像尺寸不规律的情况下,本文算法能够有效降低字典训练复杂度,重建一个细节信息更加丰富的高分辨率人脸图像。(2)传统的特征提取方法在不同分辨率下的稳健性较差,为了提高人脸特征算子在低分辨率下的描述能力,本文提出了一种多尺度分块中心对称局部二值模式(CS-LBP)和加权主成分分析(PCA)融合的特征提取方法。通过CS-LBP算子提取人脸图像的局部纹理特征,通过PCA算法对高维特征进行降维,可以得到一个分类能力更强、维数更低的特征。实验结果证明,在人脸图像分辨率降低时,本文算法所得的识别率没有显著下降,同时能够减少存储空间和识别时间,满足实际应用的要求。(3)由于最近邻分类器容易受到人脸特征中孤立点的影响并且需要逐个匹配,因此本文对极限学习机(ELM)进行了研究,通过改变隐含层神经元的个数训练不同的分类模型,实现对低分辨率人脸图像的匹配识别。在进一步的实验过程中,本文针对实验室的监控摄像头搭建了一个系统平台,通过对平台的操作可以实现对实验室人员的面部识别。