非均匀光照作为人脸识别时的干扰之一,严重制约着人脸识别率的提高。虽然在理想光照下,目前的人脸识别算法能取得百分之百的识别率,但无约束条件下的光照却严重影响着人脸识别算法的性能,进而影响着人脸识别技术的推广与应用。此外,在智能监控等领域,除了要求系统具有很高的准确率外,还需要得到视觉上清晰可辨的人脸图像,以方便后期进行人工核验。然而光照变化,尤其是极端的非均匀光照变化不仅使人脸识别算法的准确率下降,同时也会导致人们无法获取清晰的人脸图像,给后期人工核验带来了极大的难度。近年来,随着深度学习的兴起,其在图像降噪与增强领域得到了广泛应用。为了从非均匀光照人脸图像中获取均匀光照下的人脸图像并提高人脸识别算法的准确率,本文基于深度学习方法提出了两种非均匀光照人脸图像增强算法并对增强图像提取不同的光照鲁棒特征实现人脸识别。本文重点研究了基于深度卷积神经网络的非均匀光照人脸图像增强算法,并基于三种光照鲁棒特征进行人脸识别,旨在获取均匀光照人脸图像的同时提高识别算法的准确率。本文主要工作介绍如下:(1)基于多尺度Retinex理论设计了非均匀光照人脸图像增强卷积神经网络。多尺度Retinex算法是对非均匀光照图像进行增强的经典算法,能有效的改进图像中的光照分布,但往往会在图像的亮区与暗区的交界处留下边界轮廓,同时存在对细节丰富区域增强不足等问题。但多尺度Retinex算法所体现的视觉成像模型却很好的诠释了光照对人脸图像的影响,本文受多尺度Retinex理论中的视觉成像模型及图像增强过程的启发,设计了一个对非均匀光照人脸图像进行增强的卷积神经网络将非均光照人脸图像恢复至均匀光照下。为了抑制非均匀光照图像中亮区与暗区的边界轮廓同时保留更多的人脸轮廓信息,本文对增强图像与标签图像求取多个方向的梯度,设计了多方向梯度损失函数,实验结果证明了该算法的有效性。(2)设计了对非均匀光照人脸图像进行增强的生成式对抗网络。生成式对抗网络自出现以来便被广泛应用于风格迁移、图像生成、超分辨增强等任务中,并在这些领域的应用中取得了很好的效果。本文首次提出将生成式对抗网络用于非均匀光照人脸图像增强。此部分以(1)中的非均匀光照人脸图像增强网络作为生成器而设计对抗网络,并引入了感知损失在特征层面对生成器的损失函数进行设计,旨在进一步提升增强图像的质量,实现增强图像的总体优化。(3)对增强后的人脸图像提取不同的光照鲁棒特征进行人脸识别。为了验证两种增强算法能有效提高识别算法的准确率,本文对增强图像和原始图像分别提取了三种光照鲁棒特征进行人脸识别,并对比了增强前后识别算法的准确率。除此之外,还对比了增强算法与提取光照鲁棒特征相结合的人脸识别算法与其他非均匀光照人脸识别算法之间的性能,实验证实了本文提出的增强算法能使人脸识别算法具有更高的准确率。