计算机智能时代的到来,人脸检测与识别技术作为计算机视觉领域的热门方向越发备受关注。人脸检测与识别技术有着广泛的应用前景,巨大的潜在商业价值。然而,这一技术的发展又受到诸多因素的制约,低光照便是其中之一。如何提高低照度环境下的人脸检测与识别率,是现阶段的重要研究方向之一。因此,本文主要针对人脸检测与识别中的低照度问题进行研究。主要研究内容如下:(1)针对低照度图像增强进行研究。对经典的直方图均衡化、伽马变换等算法进行研究,分析其优缺点。在此基础上,提出基于全局亮度调整与局部信息结合的低光照增强思路。首先通过建立全局映射函数,整体上提高图像的暗部区域亮度,压缩图像动态范围。与此同时,对亮度增强的幅度进行一个比例限制,防止其过度增强。在亮度增强基础之上,利用中心像素与领域像素的关系,构建对比度增强转换函数,实现局部信息对比度的增强。实验结果表明,本算法在提高图像暗部区域亮度的同时,能够进一步实现增强图像精细细节的目的。(2)针对非约束环境下的人脸检测与识别算法进行研究,本文提出了基于Tensorflow框架,利用多任务卷积神经网络与FaceNet模型融合实现人脸检测与识别。多任务卷积神经网络的优势在于能够将人脸检测与人脸关键点定位同时进行,并且在检测初期就过滤掉图像中绝大不多数非目标区域,极大降低了网络的计算量与计算时间。FaceNet模型采用的学习方法是端到端,中心思想是图像特征到欧式空间的相互转换,最终用来表征人脸相似度的是图像转换后的空间距离。最后在组合模型中加入低光照增强作为对比。为了验证模型的性能,进行了相关实验。实验结果表明,组合模型算法在非约束场景下具有一定的鲁棒性,在加入图像增强模型对低光照图像增强后能够有效的提高人脸检测率,证明了算法的有效性、可靠性。