人脸图像超分辨率重建是提高人脸图像分辨率、增强视觉效果的关键技术之一,在计算机视觉、视频监控、公共安全等领域得到广泛的研究与关注。然而,在雾霾等极端天气下或远距离采集人脸图像时,受照明、噪声等退化因素影响,导致采集的图像具有模糊、变形、分辨率低等降质缺陷,从而影响图像或视频的实际应用性能。本文通过研究国内外图像去雾和超分辨率重建技术的相关文献资料,分析目前常用的图像去雾算法和超分辨率重建算法。针对雾天视频监控中人脸图像不清晰和分辨率低问题,提出基于场景深度和暗通道先验去雾算法和基于自编码器的单图像超分辨率模型,并设计有雾环境中人脸超分辨率重建系统。主要内容如下:(1)首先,在基于物理模型的去雾算法中,选取不同的先验知识直接影响估计未知参数的准确性,对图像去雾的最终效果非常重要。为适应不同雾天环境(如光线较暗、不同雾色等),本文提出基于场景深度和暗通道先验去雾算法,即首先利用场景深度信息中颜色变化估计更精确的大气光强,然后通过计算场景大气光的观察强度与估计强度之间绝对差异估计更精确的透射率,最后从物理模型中恢复图像并使用颜色平衡算法校正恢复图像的可见性与色偏。本文算法与传统算法比较,参考方式评估指标PSNR和SSIM均值均高于其他算法,比最高值均值分别提高1.6928 dB、0.012,无参考方式评估指标NIQE均值都低于其他算法,比最低均值低0.20107。实验结果表明基于场景深度和暗通道先验去雾算法对不同光照、不同色调有雾图像恢复具有更好的性能和清晰度。(2)其次,在基于深度学习的单图像超分辨率传统模型中,通过实验分析使用不同退化方法获得的低分辨率图像在VDSR模型上进行训练,双三次方法比双线性方法具有更好的模型训练和性能,表明不同退化方法会影响传统单图像超分辨率模型的性能。本文参考VDSR模型中卷积网络层,设计可同时学习下采样和上采样的自编码器模型。结合FERET人脸库进行的实验结果表明,相比传统方法,本文设计的自编码器模型重建质量评估指标PSNR均值均高于其他方法,比最高均值提高约0.59 dB,对人脸图像超分辨率重建具有更好的性能。(3)最后,为验证所提出算法在实际应用中的可行性,本文设计有雾环境中人脸超分辨率重建系统和可视化操作界面,主要功能模块包括:视频读取、视频帧提取、人脸图像去雾和超分辨率重建。结合所录制有雾视频数据集在所设计的人脸重建系统中进行实验,实验结果初步证明所提出算法具有一定实际应用性。