煤矿井下光线昏暗、人工光源干扰等造成监控系统采集到的人脸图像对比度低、人脸特征模糊，传统人脸检测算法应用于煤矿井下时会出现误检、漏检。针对上述问题，提出了一种基于深度学习的煤矿井下低光照人脸检测方法。首先，采用基于无监督学习的生成对抗网络（GAN）对煤矿井下低光照图像进行对比度增强，使用自调整注意力引导的U-Net作为生成器，利用双判别器对全局和局部信息进行引导，并使用自特征保留损失函数来指导训练过程和维护图像中人脸的纹理结构，强化人脸特征，避免出现曝光、人脸细节信息丢失等现象，得到较为清晰的人脸图像；然后利用RetinaFace人脸检测框架对增强后的人脸特征进行检测，其采用特征金字塔结构和单阶段检测模式对人脸图像进行检测，在基本不增加计算量的同时，提高对小尺度人脸检测的能力。在公开低光照人脸数据集DARK FACE和自建煤矿井下人脸数据集上的实验结果表明，该方法提高了图像对比度，清晰地恢复了图像中的人脸特征，在准确率、召回率、平均精度方面均表现较好，有效提高了煤矿井下人脸检测精度。

0 引言
1 方法原理
1.1 增强模块
1.1.1 生成器
1.1.2 判别器
1.2 增强模块损失函数
1.3 检测模块
1.4 检测模块损失函数
2 实验及结果分析
2.1 实验条件
2.2 结果分析
3 结论