1．特征提取:
(1)．使用DCT方法 ，对于一个M*N图像，从左上角开始以曲折的方式扫描DCT系数矩阵,随后将其转化为一文向量，丢弃一些低频系数降低光照变化的影响；
(2)．使用聚类算法在集群每个样本的同时，也防止最大变化的样本最后出现在同一个子类中；
(3)．应用FLD有效的提取差别最大的面部特征。
2．RBF神经网络的参数估计:
(1)．宽度估计：选择不同宽度的类之间的最小化重叠，计算类与类之间的中心距离作为集群的宽度；
(2)．体重权衡：根据各参数以及线性应用生成误差平方和函数，根据一个最优权重矩的问题生成最小化误差函数，用奇异值分解技术解决数值单一问题。
2．2  人脸识别主要挑战
在很多应用中，人脸识别系统在受控环境中取得了令人满意的水平。然而，在不可控条件下，仍然有一些挑战性的问题有待解决。
姿态的变化：在某些特殊情况下，人脸识别系统必须要识别出在不同姿态下的人的脸部信息。当人的脸部出现较大的姿态变化时，人脸识别系统的难度就大大增加，其性能也随之降低。姿态的变化可分为两种情况：
1．平面内的旋转可以通过一个标准化过程来校正；
2．平面外部的旋转或者不同的旋转深度，在某些额范围内并非轻易就能够解决的，各种各样的基于2D图像的方法被提出用于解决旋转问题。
我们将这些方法分为三类：
1．多视图方法，为每一个不同姿势的主题创建一个数据集；
2．混合方法，每个人只有一个图像作为样本，多个图像用不同的姿势作为训练样本；
3．Single-image-based方法,不涉及任何训练步骤。采用三文(3D)图像，这种解决方案对姿态变化是健壮的。
表达的变化：人类的脸部可以做出各种各样的表情（如哭、笑、做鬼脸等）。面部表情变化也导致系统很难正确的识别人脸。在识别系统中一个常见的解决方案是含有更多的训练样本与不同的表达式来提高性能。非刚性可变人脸的脸上模型匹配和纹理面部特征一直都是其他方法处理有限训练样本的问题。
衰老变化：随着人年龄的变化，由于人体自身生理机制的影响，人脸的形状、纹理都会发生很大的变化。这些变化都会导致人脸识别系统无法正确的辨别出所需要的人脸。然而,人们对衰老变化的关注并没有照明,姿势和表情变化那样注重。因为衰老是一个3D的过程,使用3D模式来提取老化的人脸特征是一种很有发展的方法。局部描述符也适合解决这个问题,因为它们对纹理的变化是非常敏感的。
实时性能：除了准确性,通过评估计算的代价也是衡量人脸识别系统的性能好坏的标准之一。尽管一些现有方法在不同变化人脸中可以识别并取得良好的表现,但是实时监测系统等应用程序计算成本太高。因此,计算成本的多少成为判断人脸识别系统是否可以适合实际应用的重要依据。
在不受控制的环境中，光照变化对人脸识别的影响是很常见的,这导致它在人脸识别中成为一个非常具有挑战性的问题。虽然各种方法都提出了这个问题,但在光照变化很大的情况下，这些方法的结果并不能令人满意。
2.3  本文所采用的技术
本文主要从光照变化方面来分析其对人脸识别率的影响。已有文献[12]证明，不同个体之间的光照变化的差异会使得人脸识别的结果相差更大。基于这种问题，有关学者提出了三种方法来解决这个问题：
1．人脸和光照模型：在这里，模型被分为人脸模型和光照模型两类。对于人脸模型来说，人脸的三文结构影响光照变化，研究人员试图构建一个通用的3D人脸模型，来适应不同的照明条件。Blanz和Vetter[13]提出了一个3D形态可变模型，描述了人脸形状和质地，但计算的高负载是这种方法的缺点之一。研究人员尝试在不同光照条件下来构建光照模型图像，基于图像统计学和物理模型来构建人脸模型。基于假设某些表面的反射特性来构建物理模型，例如传感器表面、著名的照明锥和9D线性子空间等,但它们的最主要缺点是都需要模型。 Matlab实时监控系统的人脸识别系统设计+文献综述(4):http://www.youerw.com/jisuanji/lunwen_21724.html