.背景
人脸识别实施过程中，我们发现拿某一省训练出来的模型在其他省份应用时，性能有约1.3个点的下降，（从99.6降到98.3），因此专门进行了一段时间的优化工作。
2.思路
2.1.数据维度
比较容易想到的，通常效果也会很明显的手段就是添加实施省份的数据，但是由于信息安全问题，一些省份的数据是拿不到的，因此这个方式暂时搁浅。
2.2.数据预处理
另外一个方法就是在数据预处理阶段做工作。结合平时的经验，可以从人脸对准、光线补偿、灰度变换、直方图均衡化、归一化、滤波（图片的平滑操作以消除噪声）、锐化角度做一些工作。
3.具体实施过程
3.1.直方图均衡化
使用opencv功能实现。
3.2.人脸对准
首先检测5点位置，然后扶正。
3.3.滤波
实现了双边滤波、均值滤波、高斯滤波、中值滤波，但是后3种方式处理后图片非常模糊，未进行后续测试。
3.4.明度和饱和度调节
首先挑选了部分脸部区域比较暗的图片，数量在130+，通过实验不同参数，在130+组照片中，对准确度有~1.7个点的提升。
3.5.Retinex图像增强
基于Retinex的图像增强的目的就是从原始图像S中估计出光照L，从而分解出R，消除光照不均的影响，以改善图像的视觉效果,正如人类视觉系统那样。Retinex算法，从SSR（单尺度Retinex）到MSR（多尺度Retinex）以及到最常用的MSRCR（带颜色恢复的多尺度Retinex）。MSRCR算法利用彩色恢复因子C，调节原始图像中3个颜色通道之间的比例关系，从而把相对较暗区域的信息凸显出来，达到了消除图像色彩失真的缺陷。
4.结果
见下表：
挑选部分比较暗的图片进行测试：
5.结果说明：
（1）大批量测试下，只有人脸校正对结果有正影响，其他都有下降。其中调整明度和饱和度在小批量下有提升效果，大批量效果下降的原因可能是小批量测试下设定的阈值有局限性，不适合在大数据量测试。重新调节了一下参数，有0.1个点的提升。
（2）几种方式，包括直方图均衡化、滤波、图像增强、明度和饱和度调节应该应用在某些条件下的图片，对一些质量较好的图片不应该直接使用。（具体应用的条件后续继续探索）
