近年来随着“智慧城市”概念的提出,我国相继在多个城市大范围布局了智能监控系统,该系统结合人脸识别技术可满足诸如安保、刑侦、个人考勤等一系列实际生活中的应用。过去的四十年间人脸识别技术飞速发展并诞生了许多性能优秀的算法,然而监控应用中采集到的样本往往清晰度较低且面部姿态多变无约束,直接识别人脸样本往往无法发挥出人脸识别算法应有的良好性能。基于采集到的低分辨率无约束面部图像,使用单一3D人脸纹理模型进行姿态摆正,并在摆正过程中引入一个改进的深度递归卷积神经网络进行超分辨率重构获得高质量正面人脸样本。具体来讲,本文主要研究内容如下:1)监控设备采集行人照片时,因目标距离过远、天气不良及行人处于运动状态等原因,容易发生成像模糊、分辨率低下的问题。在分析了几类现有低分辨率人脸识别算法各自的特点后,提出使用递归卷积神经网络恢复高清面部图像。为了在保证网络顺利训练的前提下提高网络感受野获得更多高频信息,提出递归卷积和跳跃连接技术改进网络结构。分别以感知损失和均方误差作为损失函数训练网络,对实验结果进行分析观察到感知损失网络结构虽然PSNR和SSIM数值较低但对于人脸识别算法准确率提高程度更明显,进而发现了一种研究低分辨率人脸图像重构算法新的思路。2)对于受监控目标行动不固定导致采集样本姿态不统一的问题,对比多姿态人脸识别现有算法各自特点,提出了一种鲁棒的人脸摆正算法。具体操作为使用一个单一3D人脸纹理模型同输入样本估计投影矩阵,并结合相机标定技术和面部对称性进行像素位置变换与补全,产生初步的摆正视图。将摆正视图与平均人脸计算差值进行遮挡检测,结合面部对称性和平均脸样本补全遮挡区域获得正面人脸。我们的摆正方法对所有输入样本使用同样的3D人脸纹理模型,能够高效的合成正面视图并提高人脸识别算法准确率。3)对分辨率不佳的样本强行采取摆正操作,由于在像素补全步骤引入了过多噪声等原因而在人脸识别实验时准确率出现了一定程度的下降,为了改善这一问题使人脸摆正算法应用场景更广泛,结合图像超分辨率重构算法提出了一个超分辨率下的人脸摆正模型。首先对低质量样本进行双立方插值操作在增加像素密度的同时不引入额外信息,使用人脸摆正算法估计投影矩阵进行像素位置变换,引入改进的递归卷积神经网络对图像进行超分辨率重构,在补全变换时产生的白点同时恢复高频面部细节,因为高频细节的恢复在最后不可见区域补全和遮挡估计与填充的步骤中有效降低了噪声成像结果的影响。实验结果表明,结合两种算法的模型能够有效改善低质量无约束人脸样本的识别准确率,提高日常生产生活中人脸识别算法的实用性。