2．光照不变性特征提取：这些方法提取面部特征的对于光照的变化是健壮的。常见的代表性方法包括边缘地图，图像强度的衍生品和Gabor-like过滤图像[12]，而最近Quotient-Image-Based方法是一个简单有效的解决照明差异的方法，它也成为一个活跃的研究方向。这种方法被定义为在测试图像和三个独立的光照条件下图像之间的线性组合，熵图像只取决于图像的纹理信息和光照信息。然而，引导数据库最终决定了QI的性能。Shan et al[14]提出QIR方法即假设人脸是一个理想物体，但是该方法需要推理已知图像的照明条件。
3．预处理和标准化：在这种方法中，人脸图像是在光照变化下预处理，以便图像在正常光照下能够被制的，基于归一化图像可以进行进一步的识别，直方图均衡化是常用的方法。Chen W [11]提出了一个丢弃低频信号来消除光照变化影响的DCT离散余弦变换方法。该方法不需要多个图像训练集，并在Yaleb数据库获得了很好的结果。随后,Heydi[15]提出了一个使用DCT和局部二进制模式(LBP)组合的光照补偿新方式，该方法将图像分为块，并在每个块进行局部方法的特征提取。
在本文，我们使用了光照不变模型下的三种方法来分析在光照不变条件下人脸的识别率，即离散余弦变换(DCT)；局部特征LBP和LLDP。在实验中，我们使用Matlab7.0软件工具和耶鲁大学人脸数据库以及其拓展数据库。其部分Yaleb数据库如图2.1。
2.1是在可控光照下，同一个人的人脸图像。前四行分别是数据集1-4样本图像，后两行则是数据集5中的样本图像。我们在本文中统一使用这五个数据集，其中数据集1作为样本集，数据集2-5作为训练集。在每种方法实现过程中，我们将这五种数据集作处理，然后把训练集2-5分别与样本集1作对比，得出最后人脸的识别率。 Matlab实时监控系统的人脸识别系统设计+文献综述(5):http://www.youerw.com/jisuanji/lunwen_21724.html