1.一种基于最近特征线的特征转换人脸超分辨率重建方法，其特征在于，包括以下步骤：步骤1，输入低分辨率待重建人脸图像x、低分辨率图像训练样本集和高分辨率图像训练样本集，低分辨率图像训练样本集中包含多个低分辨率训练样本人脸图样，高分辨率图像训练样本集中包含多个高分辨率训练样本人脸图样；

步骤2，将低分辨率待重建人脸图像x、低分辨率图像训练样本集中的每个低分辨率训练样本人脸图样和高分辨率图像训练样本中的每个高分辨率训练样本人脸图样分别按照人脸图像的位置信息划分为互相交叠且等大小的图像块；

步骤3，对于输入的输入低分辨率待重建人脸图像x中每个图像块，取低分辨率图像训练样本集中每个低分辨率训练样本人脸图样相应位置的图像块作为样本点，建立低分辨率人脸样本块空间，取高分辨率图像训练样本集中每个高分辨率训练样本人脸图样相应位置的图像块作为样本点，建立高分辨率人脸样本块空间；基于最近特征线方法和特征转换方法，将低分辨率待重建人脸图像x中的每个图像块重建为目标高分辨率人脸图像块；

步骤4，重复步骤3，直到获得所有目标高分辨率图像块；

步骤5，将所有获得的目标高分辨率图像块根据位置信息叠加，除以每个像素重叠次数，获得重构的目标高分辨率人脸图像y。

2.根据权利要求1所述的基于最近特征线的特征转换人脸超分辨率重建方法，其特征在于，包括以下步骤：设定输入低分辨率待重建人脸图像x、低分辨率图像训练样本集 和高分辨率图像训练样本集 N表示低分辨率图像训练样本集X和高分辨率图像训练样本集Y中训练样本人脸图样的个数；

将低分辨率待重建人脸图像x、低分辨率图像训练样本集X中的每个训练样本人脸图样和高分辨率图像训练样本集Y中的每个训练样本人脸图样分别按照人脸图像的位置信息划分为互相交叠且等大小的图像块，图像块之间相互的交叠像素个数相同，得到低分辨率待重建图像块集xl、低分辨率训练样本图像块集X(p,q)和高分辨率训练样本图像块集Y(p,q)：xl＝{x(p,q)|1≤p≤U,1≤q≤V}，

U代表低分辨率待重建图像x、低分辨率图像训练样本集X和高分辨率图像训练样本集Y中一张人脸图像划分为图像块后每一列图像块的个数，V代表一张人脸图像划分为图像块后每一行图像块的个数，(p,q)是图像块的位置坐标，j代表低分辨率训练样本图像块集X(p,q)和高分辨率训练样本图像块集Y(p,q)中的第j张分块后的训练样本人脸图样；

步骤3中，基于最近特征线方法和特征转换方法，将低分辨率待重建图像块集xl中的一个低分辨率待重建图像块x(p,q)重建为目标高分辨率人脸图像块y(p,q)，具体包括步骤

3.1-3.8；

步骤3.1，求取低分辨率近邻图像块集合X(Kpre)(p,q)和高分辨率近邻图像块集合Y(Kpre)(p,q)；低分辨率近邻图像块集合X(Kpre)(p,q)为在低分辨率训练样本图像块集X(p,q)中选择与低分辨率待重建图像块x(p,q)同在(p,q)处的Kpre个最近的图像块组成的集合，最近的图像块为与低分辨率待重建图像块x(p,q)欧氏距离di(p,q)最小的图像块，；

高分辨率近邻图像块集合Y(Kpre)(p,q)为对于低分辨率近邻图像块集合X(Kpre)(p,q)中的每个图像块，分别选取在高分辨率训练样本图像块集Y(p,q)中相对应位置的图像块组成的集合；

X(Kpre)(p,q)＝{Xr(p,q)|Xr(p,q)∈X(p,q),r∈CKpre(x(p,q))}，Y(Kpre)(p,q)＝{Yr(p,q)|Yr(p,q)∈Y(p,q),r∈CKpre(x(p,q))}；

其中，CKpre(x(p,q))为X(p,q)中同在(p,q)处并与x(p,q)最相近的Kpre个图像块的索引；

步骤3.2，将低分辨率近邻图像块集合X(Kpre)(p,q)中的任意两个样本点 和相连接，形成 条特征线 j1和j2均为整数且1≤j1≤j2≤N；计算低分辨率待重建图像块x(p,q)在所有特征线 上的投影点，其中

步骤3.3，查找低分辨率待重建图像块x(p,q)在 条特征线

上的K个最近邻投影点，即相当于找出x(p,q)与 条特征

线的投影点距离最近的K个图像块，构成低分辨率最近邻样本投影点集合LK(p,q)，LK(p,q)＝{xc,d(p,q)|(c,d)∈C(i)}，C(i)为K个最近邻样本投影点下标的集合；

本步骤中低分辨率待重建图像块x(p,q)与特征线 的距离 为

x(p,q)与投影点 的欧氏距离，即

其中， 表示输入低分辨率待重建图像块x(p,q)到投影点 的

欧氏距离；

步骤3.4，计算在高分辨率近邻图像块集合Y(Kpre)(p,q)中与LK(p,q)相对应的K个高分辨率最近邻样本投影点图像块，并组成的高分辨率最近邻样本集合HK(p,q)，HK(p,q)＝{yc,d(p,q)|(c,d)∈C(i)}，其中yc,d(p,q)＝xc(p,q)+θc,d(p,q)(xc(p,q)-xd(p,q))   (3)，θc,d(p,q)为公式(2)中 在j1＝c，j2＝d时所取的值；

步骤3.5，求取与低分辨率待重建图像块x(p,q)对应的低分辨率最近邻样本投影点集合LK(p,q)的平均脸 以及和低分辨率待重建图像块x(p,q)对应的高分辨率最近邻样本投影点集合HK(p,q)的平均脸

将低分辨率最近邻样本投影点集合LK(p,q)中的每个元素分别减去平均脸 得到集合 将高分辨率最近邻样本集合HK(p,q)中的每个元素分别减去平均脸 得到集合步骤3.6，计算集合 的低分辨率特征向量空间El(p,q)，El(p,q)包括多个特征脸，，

其中Vl(p,q)和Λl(p,q)分别代表矩阵 的特征向量和特征值；

步骤3.7，把低分辨率待重建图像块x(p,q)投影到El(p,q)中，求取图像块权重系数，将低分辨率待重建图像块x(p,q)用Q个特征脸 进行重建：

步骤3.8，计算集合 的高分辨率特征向量空间Eh(p,q)并计算获得目标高分辨率图像块y(p,q)， 其中Vh(p,q)、Λh(p,q)分别是矩阵的特征向量和特征值，目标高分辨率图像块y(p,q)的计算公式为：