АНАЛИЗ ВЛИЯНИЯ УЛУЧШЕНИЯ ИЗОБРАЖЕНИЙ ПРИ НИЗКОМ ОСВЕЩЕНИИ НА ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ ЛИЦ

Опубликован 01.04.2026
ФИЗИКА-МАТЕМАТИКА Том 83 № 1 (2026)
Том 83 №1 2026
Авторы:
  • ҚОНЫСБАЙ Н.Т.
  • ЖУМАДИЛЛАЕВА А.К.
PDF

В данной статье представлен анализ влияния улучшения изображений, полученных в условиях низкой освещенности, на результаты обнаружения и распознавания лиц. Для оценки рассматриваемого вопроса использовалась база Extended Yale Face Database B, содержащей лицевые изображения с различными условиями освещения и вариациями позы. Сравнение проводилось для трех вариантов, включающих исходные изображения, а также изображений после обработки методами Zero-DCE++ и EnlightenGAN. Оценка выполнялась последовательно и включала анализ результатов обнаружения лиц, определение числа изображений пригодных для последующего распознавания, а также расчет показателей идентификации в замкнутом множестве классов. Для более полного сравненияиспользовались два режима оценки, отдельна на множествах допустимых изображений для каждого метода обработки и на общем множестве изображений присутствующем во всех сравниваемых методах. Результаты показали, что улучшение изображений увеличивает количество успешно обнаруженных лиц и изображений пригодных для распознавания. Также выявлено, что различия между сравниваемыми методами сохраняются и при анализе на общем наборе изображений, что указывает о влиянии обработки не только на этап обнаружения, но и на итоговые показатели идентификации. Эти результаты могут быть полезны при разработке систем распознавания лиц, предназначенных для работы в условиях низкой освещенности..

 

ҚОНЫСБАЙ Н.Т.

Магистрант, Astana IT University, г. Астана, Казахстан.

E-mail: 242696@astanait.edu.kz, https://orcid.org/0009-0006-6204-9848

ЖУМАДИЛЛАЕВА А.К.

Кандидат технических наук, ассоциированный профессор, Школа программной инженерии, Astana IT University, г. Астана, Казахстан.

E-mail: Ainur.Zhumadillayeva@astanait.edu.kz, https://orcid.org/0000-0003-1042-0415

  1. Li C., Guo C., Han L., Jiang J., Cheng M.-M., Gu J., Loy C. C. Low-Light Image and Video Enhancement Using Deep Learning: A Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44, no. 12. P. 9396–9416. DOI: 10.1109/TPAMI.2021.3126387.
  2. Jingchun Z., Su G. E., Sunar M. S. Low-light Image Enhancement: A Comprehensive Review on Methods, Datasets and Evaluation Metrics // Journal of King Saud University – Computer and Information Sciences. 2024. Vol. 36, no. 10. Art. 102234. DOI: 10.1016/j.jksuci.2024.102234.
  3. Tian Z., Qu P., Li J., Sun Y., Li G., Liang Z., Zhang W. A Survey of Deep Learning-Based Low-Light Image Enhancement // Sensors. 2023. Vol. 23, no. 18. Art. 7763. DOI: 10.3390/s23187763.
  4. Liu F., Fan L. A Review of Advancements in Low-Light Image Enhancement Using Deep Learning // Neurocomputing. 2025. Vol. 652. Art. 131052. DOI: 10.1016/j.neucom.2025.131052.
  5. Liu J., Xu D., Yang W., Fan M., Huang H. Benchmarking Low-Light Image Enhancement and Beyond // International Journal of Computer Vision. 2021. Vol. 129, no. 4. P. 1153–1184. DOI: 10.1007/s11263-020-01418-8.
  6. Deng J., Guo J., Ververas E., Kotsia I., Zafeiriou S. RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 5203–5212. DOI: 10.1109/CVPR42600.2020.00525.
  7. Deng J., Guo J., Xue N., Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019. P. 4690–4699. DOI: 10.1109/CVPR.2019.00482.
  8. Chen S., Liu Y., Gao X., Han Z. MobileFaceNets: Efficient CNNs for Accurate Real-Time Face Verification on Mobile Devices // Chinese Conference on Biometric Recognition. Cham: Springer, 2018. P. 428–438. DOI: 10.1007/978-3-319-97909-0_46.
  9. Wang W., Yang W., Liu J. HLA-Face: Joint High-Low Adaptation for Low Light Face Detection // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2021. P. 16190–16199. DOI: 10.1109/CVPR46437.2021.01593.
  10. Wang W., Wang X., Yang W., Liu J. Unsupervised Face Detection in the Dark // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2023. Vol. 45, no. 1. P. 1250–1266. DOI: 10.1109/TPAMI.2022.3152562.
  11. Georghiades A. S., Belhumeur P. N., Kriegman D. J. From Few to Many: Illumination Cone Models for Face Recognition under Variable Lighting and Pose // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. Vol. 23, no. 6. P. 643–660. DOI: 10.1109/34.927464.
  12. Li C., Guo C., Loy C. C. Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44, no. 8. P. 4225–4238. DOI: 10.1109/TPAMI.2021.3063604.
  13. Guo C., Li C., Guo J., Loy C. C., Hou J., Kwong S., Cong R. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2020. P. 1777–1786. DOI: 10.1109/CVPR42600.2020.00185.
  14. Jiang Y., Gong X., Liu D., Cheng Y., Fang C., Shen X., Yang J., Zhou P., Wang Z. EnlightenGAN: Deep Light Enhancement without Paired Supervision // IEEE Transactions on Image Processing. 2021. Vol. 30. P. 2340–2349. DOI: 10.1109/TIP.2021.3051462.
  15. Deepinsight. InsightFace Model Zoo [Electronic resource]. URL: https://github.com/deepinsight/insightface/blob/master/model_zoo/README.md (accessed: 01.08.2025).
распознавание лиц, обнаружение лиц, улучшение изображений при низкой освещенности, условия низкой освещенности, идентификация в замкнутом множестве

Как цитировать

АНАЛИЗ ВЛИЯНИЯ УЛУЧШЕНИЯ ИЗОБРАЖЕНИЙ ПРИ НИЗКОМ ОСВЕЩЕНИИ НА ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ ЛИЦ. (2026). Научный журнал "Вестник Актюбинского регионального университета имени К. Жубанова", 83(1), 78-87. https://doi.org/10.70239/arsu.2026.t83.n1.09

Авторам


Политика журнала


Загрузки