随着计算机视觉技术的高速发展,人脸识别系统与计算机视觉监控设备能够捕获到大量的图像信息。然而在光线较弱的室内或光照不均匀的户外等低照度环境下,由于非自然光源的照度不充分,目标表面的反射光较弱,造成传入成像传感器的光线不足,导致在这种低照度环境下获取到的人脸图像质量下降严重、图像辨识性能差,难以辨别图像中的细节,降低了人脸识别系统的识别率。传统的图像增强算法大多是从空间域和频率域对图像进行增强,处理结果往往达不到亮度适中、细节清晰和色彩真实等效果。针对这种情况,本文从低照度环境下图像增强理论和增强方法角度入手,对增强后图像的亮度、细节信息和色彩恢复等方面进行深入研究。首先,本文对传统的低照度图像增强算法的原理及其优缺点进行深入的分析,包括基于直方图均衡化的增强方法、同态增晰方法和目前被广泛使用的环绕Retinex方法。其次,针对环绕Retinex方法存在的过度增强、细节模糊和色彩失真等不足之处,本文提出了一种基于引导滤波的多尺度Retinex低照度图像增强算法。改进算法将图像从RGB色彩空间转换到HSI色彩空间,在HSI色彩空间对饱和度分量进行线性拉伸处理,增加图像色彩饱和度,使色彩更丰富;同时,提出的算法对图像的照度分量进行非线性全局亮度校正,使图像的对比度得到提升;接着设计基于引导滤波的多尺度Retinex算法,对校正后的亮度分量进行增强处理;最后将增强后的亮度分量、饱和度分量和色调分量从HSI色彩空间恢复到RGB色彩空间并进行色彩恢复处理,最终得到增强后的图像。论文选择Open CV中Ada Boost函数作为平台的人脸检测的算法,选择Eigen Face方法作为平台中的人脸识别算法。并结合本文提出的基于引导滤波的多尺度Retinex算法进行人脸识别平台的搭建。经测试,本平台可以有效的对低照度人脸图像进行识别,识别准确率同其他图像增强方式相比,有较大幅度提高。