1.一种提高人脸清晰度的方法，其特征在于，包括步骤：S1、将高分辨率人脸Ih分解为高分辨率基本人脸Ib和高分辨率增强人脸Ie，根据给定的高分辨率人脸训练集，生成高分辨率基本人脸训练集和高分辨率增强人脸训练集；

Ih＝Ib+Ie

式中， 是卷积运算，h是高斯模糊函数，并获得高分辨率增强人脸Ie为：Ie＝Ih‑Ib

S2、将高分辨率基本人脸训练集中的所有基本人脸图像降采样为低分辨率基本人脸，构造低分辨率基本人脸训练集；

S3、将高分辨率增强人脸训练集中的所有增强人脸图像向下采样为低分辨率增强人脸，构建低分辨率增强人脸训练集；

建立一个从低分辨率基本人脸到高分辨率基本人脸的映射模型，用于从低分辨率模糊人脸中估计人脸结构；映射模型的建立过程包括步骤：将一组人脸用N*M的向量矩阵表示为[g1,g2,...,gm]，其中gm是一个N*1的人脸向量，M是训练样本数，N>>M；基本人脸训练集的平均脸 计算为：然后，每个人脸向量中去除平均面，得到微分人脸矩阵；

N×M

其中D∈R ，参数R是实数；总散射矩阵S定义为：T

S＝DD

T M×M

从替代矩阵中计算特征向量，其中D是微分人脸矩阵D的转置，C∈R ：T

C＝DD

Cvi＝λivi,i＝1,2,...,M,分别给出替代矩阵的第i个特征向量vi和第i个特征值λi，并且vi是一个M维的列向量；

M×M

所有特征向量进行归一化，集合成一个正交特征向量矩阵V∈R ：正交特征向量矩阵构造了一个特征向量空间，其坐标轴由特征向量 构成；将微N×M分人脸矩阵D投影到特征向量空间中，形成一个新的矩阵E∈R ：E＝DV

N×1

其中，E＝[e1,e2,...,eM]，ei∈R 为特征脸；矩阵E被称为特征脸空间；用K个特征值最N×k大的特征面构造一个小特征空间，Eig∈R ,k＜M：Eig＝[e1,e2,...,ek]将Eigh和Eigl分别作为高分辨率人脸训练集的特征空间和低分辨率人脸训练集的特征空间；特征人脸对ehi和eli是人脸幻像中使用的映射模型；

通过以下公式，从真实的低分辨率人脸il中得到低分辨率基本人脸ib和低分辨率增强人脸ie：ib＝il

ie＝il‑μi

其中，μi是低分辨率人脸增强人脸的平均值；

S4、基于PCA的基本人脸推理模型，根据低分辨率基本人脸训练集的平均值计算低分辨率差分人脸；将低分辨率差分人脸投影到低分辨率特征空间中，得到系数向量；将低分辨率特征空间替换为高分辨率特征空间，再根据高分辨率基本人脸训练集的平均值和所述系数向量，重构超分辨率基本人脸；

S5、基于SRSP或VDSR的增强人脸推理模型进行重建，得到超分辨率增强人脸；

S6、将超分辨率基本人脸和超分辨率增强人脸进行融合，得到清晰的超分辨率人脸。

2.根据权利要求1所述的提高人脸清晰度的方法，其特征在于，步骤S2中，将高分辨率基本人脸训练集中的所有基本人脸图像采用整数缩放因子降采样为低分辨率基本人脸；步骤S3中，将高分辨率增强人脸训练集中的所有增强人脸图像以整数尺度因子向下采样到低分辨率增强人脸中。

3.根据权利要求1所述的提高人脸清晰度的方法，其特征在于，设超分辨率基本人脸为超分辨率增强人脸为 步骤S6将超分辨率基本人脸 和超分辨率增强人脸 在空间上融合为清晰的超分辨率人脸的策略为：s

其中，I是清晰的超分辨率人脸；η是能量归一化系数，取决于不同的测试人脸集。

4.根据权利要求1所述的提高人脸清晰度的方法，其特征在于，所述提高人脸清晰度的方法还包括步骤：S7、采用基于匹配SIFT关键点的评估方法，对超分辨率人脸的质量进行评估。