朱克亮，张天忠，石雪梅，张树涛，陈良锋

(1.国网安徽省电力有限公司建设分公司，安徽 合肥 230022；2.国网安徽省电力有限公司，安徽 合肥 230061；3.中国科学院合肥物质科学研究院，安徽 合肥 230026；4.中国科学技术大学，安徽 合肥 230031)

0 引 言

随着深度学习的不断发展，人脸识别系统的准确率越来越高，其被广泛应用于安防监控、自助终端、社交和娱乐等领域。但在实际应用场景中，人脸识别的准确率往往会受到光照、表情、遮挡、人脸姿势等各种因素的影响，其中光照环境的影响尤为严重。由于环境光照变化的影响，使得现有大部分人脸识别方法在实际应用中受到很大的限制，在恶劣情况下(例如光照不足)常导致人脸识别失败。

为了提高低照度条件下人脸识别系统的性能，研究者们通常采用图像增强算法对人脸图像进行光照调整或补偿，增强图像对比度。例如传统的图像增强方法采用直方图均衡化(histogram equalization，HE)[1]调整图像的灰度值，使其均匀分布在图像灰度空间。Zhou等人[2]提出了基于HE的全局亮度和局部对比度的低照度图像增强方法。Lin等人[3]改进He方法用于提高低照度图像的对比度。还有研究者提出了基于Retinex理论[4-6]的图像增强方法，例如Jobson等人[7]提出了单尺度色彩恢复的Retinex算法(single-scale retinex，SSR)，其采用高斯环绕函数对图像的三个色彩通道进行滤波，然后将原始图像与滤波后的图像相减得到增强后的图像。之后该研究者又提出了多尺度色彩恢复算法(multi-scale retinex，MSR)和带色彩恢复的MSR算法(multi-scale retinex with color restoration，MSRCR)[8]。近年来，深度学习技术被广泛应用于各种图像领域[9-11]，也有很多研究者提出了基于深度学习的图像增强方法。……