近几年来随着电脑性能的提高和人脸大数据与高性能GPU计算的广泛应用。机器学习与神经网络在人脸识别领域取得了巨大的成功。但若想真正的融入生活,普遍的应用在现实生活的安防和监控视频中,除了不受控制的姿态和照明条件外,监视摄像机拍摄的脸部图像分辨率很低也是问题所在。低分辨率便意味着可提供的有效信息更少,识别起来更不容易。解决低分辨率图片的人脸识别问题对人脸识别算法在生活中的应用具有重大意义。结合实际应用,本文将监控摄像机里的脸部图像与数据库里的高分辨率正面人脸图像进行匹配。把不同分辨率图片的脸部特征转换到一个新的统一特征空间里,使其之间的距离近似于图片在相同分辨率,姿态和光照条件下的距离,进而达到不受姿态光照影响的低分辨率图像的人脸识别。论文引用如上的理论研究进行程序设计和数值实验,使用已有的多维缩放(MDS)来学习不同分辨率图像到统一特征空间的映射矩阵,实验中用特征本身代替径向基函数来求解,不仅减少了计算复杂度,更突显出统一特征空间的性能。综合比较后选用MTCNN(Multitask Cascaded Convolutional Networks)进行人脸检测与对齐,再用TCDCN进行特征点定位,可以得到更精确的结果,省去了人工校准的工作。运用立体匹配计算变换空间中两幅图像的相似度花费时间太长,所以本文采用简单的余弦相似性,极大减少了计算量。论文第一部分主要介绍人脸识别算法的背景及现状,本文研究课题的意义和内容概要。第二部分介绍了低分辨率人脸识别的概况和主要算法的分析比较。在第三部分介绍了多维缩放(MDS)的理论研究,公式推导,给出了字典学习模型框架。并详细讲述了统一特征空间的构造,用多维缩放来学习脸部公共变换矩阵的完整过程,推导公式并总结整理出其算法步骤。在文章的第四部分,将算法进行程序实现,分别在Surveillance Camera数据集、Choke Point数据集上进行实验,展示实验结果。