1.一种基于鉴别典型相关的超分辨率稀疏重构方法，包括以下步骤：(1)首先，对人脸图像提取全局特征，将特征集合利用典型相关分析映射至DCCA的相关子空间中，典型相关分析Discriminant Canonical Correlation Analysis，缩写为DCCA，使得高分辨率与低分辨率图像在相关子空间中达到最大相关，并进行邻域重构，得到低分辨率图像对应的高分辨率图像的全局特征，逆推得到测试样本对应的高分辨率全局脸图像；重构得到该全局脸图像的具体步骤如下所示：对高分辨率图像训练样本 和对应的低分辨率图像样本 利用主成

分分析PCA提取高低分辨率人脸图像的全局特征，通过PCA模型得到在PCA子空间中的投影向量PH、PL，其对应的主成分 可表示为：其中， 表示对TiH中心化处理，μH、μL分别表示高、低分辨率训练图像样本集的均值对于提取出来的PCA的得分向量XH、XL，将其映射至DCCA的相关子空间，求出对应的投影向量CH、CL；因此在DCCA投影子空间中的得分向量VH和VL可表示为：接下来，输入低分辨率的测试样本Tl，将其投影至训练样本TL的PCA子空间中得到Xl＝(PL)T(Tl-μL)，并继续将Xl投影至其对应的DCCA子空间中，即 由于高分辨率图像和低分辨率图像通过DCCA投影后能够达到最大相关，因此同等分辨率的训练样本L与测试样本之间存在着一个可以线性表示的邻域结构关系，结合稀疏思想，在V中选取k个样本即 与Vl建立邻域关系；给出一组权值 使得最小，权值可用如下公式求出：

其中 为Gram矩阵；

因此，可得出所求的测试样本的高分辨率图像在DCCA子空间中的得分向量：其中 为DCCA子空间下与VK所对应的高分辨率样本得分向量集；利用逆映射将DCCA子空间中的向量逆映射至PCA空间中：+ H T + H H T -1 H

其中，(·) 表示广义逆矩阵，即，((C)) ＝(C(C)) C；

测试样本的高分辨率全局脸图像Th可由Th＝((PH)T)+Xh+μH得到；

(2)其次，进行残差处理：

残差图像训练集的高分辨率样本集为RH＝TH-TG，低分辨率样本集为RL＝TL-D(TG)＝D(RH)，其中D(·)表示下采样操作，TG为将(1)中的低分辨率训练样本集TL作测试样本得出的高分辨率图像集；残差图像测试样本集为Rl＝Tl-D(Th)，得到对应的高分辨率样本记作Rh；

对于RH、RL以及Rl，分别看做训练集的高分辨率样本、训练集的低分辨率样本以及测试集的低分辨率样本，进行后续处理；采用(1)中的重构操作，利用稀疏选择出k'个近邻后，对测试样本的高分辨率图像进行重构，最后得出测试集的高分辨率样本Rh；

(3)最终的输出图像为原始恢复的图像与残差恢复的图像之和，即：G＝Th+Rh。

2.根据权利要求1所述的基于鉴别典型相关的超分辨率稀疏重构方法，其特征在于充分的考虑样本的类标签信息，投影至相关子空间时加入监督信息，使得在投影空间中，类间相关最小化的同时，类内相关最大化，高分辨率与低分辨率图像特征的投影向量CH、CL可通过最大化如下准则公式求得：其中A是分块对角矩阵， Sw为类内相关矩阵，Sb为类间相关

矩阵。

3.根据权利要求1所述的基于鉴别典型相关的超分辨率稀疏重构方法，其特征在于采用稀疏的方法根据不同的训练样本与测试样本自适应的选取近邻样本：在VL中选取出k个样本即 与Vl建立邻域关系；VK则可按如下公示得出：其中αs＝{α1,α2,…αm}为稀疏权值，可用如下公式求解，即