新冠病毒在全球范围内传播,虽然现在中国疫情得到了良好的控制,但全球范围内疫情还没有结束,依然要毫不放松、科学精准的做好疫情防控工作。目前在公共场所中,检测是否佩戴口罩已经成为防控工作的首要任务之一。而检测会受到各种因素的影响,尤其是在光照复杂的环境下进行佩戴口罩检测更加考验检测器的性能。而目前主流的检测算法在光照复杂的环境下的检测效果尚需提高,因此论文的主要内容概述为:针对现阶段口罩检测会受到复杂光照的影响,而满足复杂光照这一条件的开源数据集缺失这一问题,综合图像的特征信息后,提出了一种挑选符合复杂光照图像的算法用于构建本文需要的数据集。首先计算出图像的总体信息和细节信息数目,通过不同系数的Gamma变换求得校正前后图像二维熵和细节数目的变化,然后对比相应阈值,筛选出实验所需要的图像。之后设计了一种图像去相似方法用来去掉数据集中相似度过高的图片,提高数据集的质量。最后进行数据增强后构建出了复杂光照下人脸佩戴口罩数据集,并通过实验对比验证了数据集的有效性。针对复杂光照条件下的人脸佩戴口罩图像在自然场景中会出现低对比度、低亮度的现象,从而破坏图像的理想特征提取效果。本文基于Retinex-Net算法提出了一种改进的图像增强算法。首先通过实验结果详细分析了之前算法的缺陷原因。然后,转换图像颜色空间。由此特性来单独对亮度分量加强进而改善颜色失真问题。同时针对边缘特征信息表达不足导致边缘模糊,出现伪影现象的问题,在对亮度分量的反射率图像去噪后,利用拉普拉斯算子保留图像的高频信息对图像进行锐化处理以此来保护细节信息、增强边缘细节。之后对饱和度分量进行自适应增强,来避免单独增加亮度导致图像整体发生变化。最后通过对比实验验证了算法的有效性。针对在公共场所中检测人脸是否佩戴口罩需克服光线因素对检测精度的破坏这一要求,本文在YOLOv4检测算法的基础上设计了一种可以有效削弱光照影响的人脸佩戴口罩检测算法。在研究分析了YOLOv4的网络结构后,为了保证模型对光照具有一定的鲁棒性,在网络的主干特征提取部分、特征金字塔部分提出改进方案,同时重新设计了锚框,在保证满足模型整体实时性要求的同时,平均准确率均值达到92.1%。最后通过对提出的检测算法进行实验,验证了该算法的可行性。