随着智慧城市和人工智能的不断创新发展,先进的科学技术被应用于各个领域。安防工作对于道路、社区、学校、商场等人流量密集,事物繁杂的安全事故多发区域的安防系统智能化的需求越来越高。安防系统应具备全天候地对于人流较大地区和事故多发地区有效监控的能力,在正常日光环境下的监控以及图像处理识别已经愈发成熟,但对于夜晚、凌晨等事故多发时间段的图像处理识别问题还有待优化解决。故目前在低照度环境下,监控摄像识别准确度不高、图像增强优化成本较大、不能自适应亮度的切换图像识别方法的问题已成为实际应用的瓶颈,正迫切的需要被优化。本研究拟将光学照明、颜色科学、图像视频处理等多学科理论与方法结合,通过研究照明环境对图像质量和目标识别的准确性影响显著,特别是在低照度条件下,图像和视频易受图像背景、明暗度和图像噪声等诸多因素影响的机制以及导致目标识别准确率不高以及识别精度降低等问题,研发一种基于图像增强的低照度下目标识别算法模型。设计与搭建了符合国家测试环境标准的低照度图像测试与采集实验场景,并基于规范进行了试验样本的采集。从样本采集环境与Mask R-CNN目标识别模型及应用的关系着手,研究低照度环境下拍摄影像的特性,采用国际标准的采集方法采集小样本数据集,分析得出成像环境和目标识别模型之间的关系,针对系统识别率较低的图像标定其成像环境参数,找到目标识别准确度降低的环境参数.并对过低照度下拍摄的图像进行基于相机响应模型的图像增强,以达到提高目标识别算法模型的鲁棒性、识别准确率、目标识别模型适用环境范围和降低目标识别成本的目标。