1.一种基于面部先验知识的低分辨率人脸超分辨与识别的方法，其特征在于,具体包括以下步骤：

S1：数据集构建；构建包含低分辨人脸和高分辨人脸对的训练数据集 ，以及高分辨的注册人脸数据库（galleryset） 和低分辨人脸评测数据集（probeset） ；

S2：对 进行人脸超分辨，保存为 ；将SRCNN网络 作为本步骤的超分辨骨干网络：先使用双三次（bicubic）插值将 上采样到 的同样大小，然后通过三层卷积神经网络做非线性映射，将其结果保存为 ，并由此得到映射矩阵 ；

S3: 构建特征提取器 ，分别将 和 映射到公共空间 ，分别记作、 和 ；

S4：查找与评测数据相似的人脸对，在特征空间 中，查找与 最相似的 个 ，即对 ，根据S2中的映射矩阵 ，获得 相对应的 个映射矩阵；

S5：获取 图像的先验知识，结合相似人脸对的映射矩阵 ，超分辨评测数据 ，得到多个超分辨结果 ；

S6：分别将 和 经过 映射到公共空间 ，同S3，然后找到与 距离最小的 ，并将其类别分配给 ；

S7：最后产生人脸超分辨与识别结果。

2.根据权利要求1所述的一种基于面部先验知识的低分辨率人脸超分辨与识别的方法,其特征在于,所述步骤S1中，具体包括以下步骤：S1‑1：构建包含低分辨人脸和高分辨人脸对的训练数据集 ，其中 来源于人脸数据集ffhq， 由公式（1）生成，（1），

其中 表示 和模糊核 的卷积操作， 这里取高斯模糊； 表示下采样操作；

表示加性高斯白噪声； 表示JPEG压缩操作；

S1‑2：构建高分辨的注册人脸数据库（galleryset） ，数据来源于数据集ffhq，与的身份信息是无重复；

S1‑3：构建低分辨人脸评测数据集（probeset） ，数据来源于人脸数据集HELEN，其生成方式同公式（1）。

3.根据权利要求2所述的一种基于面部先验知识的低分辨率人脸超分辨与识别的方法,其特征在于,所述公式（1）中 ， ，而且N

4.根据权利要求1所述的一种基于面部先验知识的低分辨率人脸超分辨与识别的方法,其特征在于,所述步骤S3中，具体包括以下步骤：S3‑1：使用ResNet18网络做为特征提取器 ，并将其最后一层全连接层丢弃掉；

S3‑2：将 通过特征提取器 映射到公共空间 ，分别记作 和；

S3‑3：首先将 通过bicubic放大到所需要的尺寸，然后同样由 将其映射到公共空间，记作 。

5.根据权利要求1所述的一种基于面部先验知识的低分辨率人脸超分辨与识别的方法,其特征在于,所述步骤S4中，具体包括以下步骤：S4‑1：在空间 中，根据欧式距离计算与 与 的相似度，记作 ；

 (2)

其中 表示人脸对中高分辨率人脸的数量；

S4‑2：保存距离最小即相似度值最大的前 个 , ，即对应为 对 ；

S4‑3：获取映射矩阵，假设这 对人脸隶属于M类不同身份的人脸，同时根据步骤S2中的映射矩阵 ，获得相对应的 个映射矩阵 。

6.根据权利要求1所述的一种基于面部先验知识的低分辨率人脸超分辨与识别的方法,其特征在于,所述步骤S5中，具体包括以下步骤：S5‑1：由人脸解析网络（face parsing network, FPN） 生成 的面部解析图（parsing map） ，由此可得到其语义成分级的边缘信息semantic edge maps，记作，其中 采用的是encoder‑resnet‑decoder的网络架构，首先是在4个下采样模块和4个上采用模块之间插入10个resnet blocks，然后是两个卷积层用来输出 ；

S5‑2：超分辨 ，将 与 进行级联操作，统一作为 网络的输入，依次利用个映射矩阵 ，得到 个超分辨结果 ， ，即 （2）

其中 表示级联操作。