在视频监控领域,目标人物与摄像头之间的距离较远并且设备本身具有一定的局限性,致使从视频中获得的人脸图像分辨率低,较难辨识。因此,对所获取人脸图像的分辨率进行增强,质量进行改善,清晰度和辨识度进行提升成为亟需解决的问题。基于深度学习的超分辨率算法对图像的重建有一定效果,但是就监控下的人脸图像来说,现有方法作用效果并不明显。本文针对低质量人脸图像设计专用的弱化非主要信息方法进行高质量重建,利用先验知识结合改进的损失函数与改进的激活函数进行人脸超分辨重建,主要内容如下:(1)模拟监控环境的数据增强。监控视频受许多客观因素限制,比如摄像镜头对焦不实,录像带反复使用等。这些因素使得录像资料模糊不清。本文针对这个现象,对训练数据进行了模拟监控环境的增强。(2)弱化背景信息影响。人脸结构具有相似性,甚至具体到眼睛、鼻子、嘴巴等器官的结构外形都相似。上述特点对于人脸定位是有利的,本文利用这一特性对人脸五官区域着重训练,通过深度神经网络实现弱化背景信息对模型的影响。(3)弱化非主要亮度信息影响。实际光照条件通常不均匀,侧光、偏光、高光导致的过暗、过亮、阴影都会导致人脸超分辨率重建的准确率下降。本文通过对激活函数的设计,过滤部分光照,降低各个人脸图像在亮度上的差距,通过深度神经网络实现弱化非主要亮度信息对模型的影响。