计算机应用

作者：汪书民, 李生林, 周香伶

单位：重庆邮电大学 软件工程学院，重庆 400065

关键词：低光照图像增强,人脸识别,注意力机制,特征融合,对抗性数据增强

基金：国家自然科学基金资助项目(62106205)

现实场景中图像容易受外部光线条件或相机参数的影响而出现图像整体亮度过低、视觉效果不好和噪声多等问题，导致后续的人脸识别任务出现困难，从而引发工程问题。为此，针对低光照场景下的人脸识别任务，提出一种基于特征融合的低光照场景下的自适应人脸识别网络LLANet（Low Light Adaptive Face Recognition Network），该网络由分解子网络、恢复子网络、调节子网络和主干网络这4个部分组成。首先，根据Retinex理论将输入的低光照图像和正常光照图像分解为对应的照度图与反射图：照度图被输入调节子网络，在调节子网络中引入注意力机制，使网络聚焦于光照特征，不仅能提升低光照图像增强性能，还能确保增强图像的质量；反射图则输入恢复子网络，进行细节恢复与降噪操作，有效解决低光照图像反射图退化和噪声问题，将调节子网络与恢复子网络的输出进行特征融合，得到增强后的特征图。其次，为完成下游识别任务，且防止光照特征过拟合和人脸特征提取不准确，采用加权特征融合策略，融合主干网络提取的原始人脸特征与增强后的特征图，获得信息更丰富的特征图。最后，引入对抗性数据增强（ADA）策略，在训练时生成更多困难样本，在解决不适定问题的同时降低低光照图像在人脸检测阶段的对齐误差对网络的影响，进一步提升网络性能。在CASIA-FaceV5、SoF和YaleB这3个低光照人脸数据集上的实验结果表明，LLANet的识别率分别达到了94.67%、98.22%和97.24%，与ARoFace（Alignment Robust Face）相比，分别提高了2.14、1.58和2.10个百分点。可见，LLANet在低光照场景下有着较高的识别率。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期