人脸识别中的光照问题处理方法剖析
人脸识别技术对光照和角度变化的稳定性分析
人脸识别技术对光照和角度变化的稳定性分析随着科技的不断发展，人脸识别技术已经成为一个热门的研究领域。
人脸识别技术的应用范围广泛，从安全领域的身份验证到社交媒体的人脸标签，都可以看到这项技术的身影。
然而，人脸识别技术在光照和角度变化下的稳定性一直是一个挑战。
本文将对这一问题进行分析和讨论。
首先，光照变化对人脸识别技术的影响是不可忽视的。
光照的变化可能导致人脸图像的亮度、对比度和颜色等特征发生变化，进而影响人脸识别的准确性。
在强光照下，人脸图像的细节可能被过度曝光，导致特征提取的困难。
而在弱光照下，人脸图像可能出现噪点，使得特征提取变得困难。
因此，如何克服光照变化对人脸识别的影响，是一个亟待解决的问题。
为了提高人脸识别技术在光照变化下的稳定性，研究者们提出了许多方法。
一种常见的方法是使用光照归一化技术。
这种技术通过对图像进行亮度调整和对比度增强，使得人脸图像在不同光照条件下具有相似的亮度和对比度。
另一种方法是使用多角度光照模型，该模型可以根据光照方向和光照强度的变化，对人脸图像进行光照补偿，从而提高人脸识别的准确性。
除了光照变化，角度变化也是人脸识别技术面临的一个挑战。
角度变化可能导致人脸图像的形状和纹理发生变化，从而影响人脸识别的准确性。
在侧脸或者仰视等非正面角度下，人脸的特征可能会被部分或者完全遮挡，使得特征提取变得困难。
因此，如何应对角度变化对人脸识别的影响，也是一个需要解决的问题。
为了提高人脸识别技术在角度变化下的稳定性，研究者们提出了一系列方法。
一种常见的方法是使用三维人脸建模技术。
这种技术可以通过对人脸的三维形状进行建模，从而减轻角度变化对人脸识别的影响。
另一种方法是使用多角度模板匹配技术，该技术可以通过建立多个角度的人脸模板，从而提高人脸识别的准确性。
总的来说，人脸识别技术在光照和角度变化下的稳定性仍然是一个具有挑战性的问题。
光照和角度变化可能导致人脸图像的特征发生变化，进而影响人脸识别的准确性。
人脸识别中的光照问题处理方法
人脸识别中的光照问题研究说明：针对可见光摄像头的人脸识别，总结了一些对于光照问题的预处理方法，所列举的处理方法基本上都给出了文献出处，没有进行展开介绍，仅仅列了一些图片处理效果来了解对应算法的作用。
关于图像增强这块，以前搜集了一些代码，在附件中，主要包含各种直方图均衡化代码，以及基于Retinex增强，同态滤波增强等等，以及简单的白平衡操作。
大概看了下面列举的算法，基于模型的算法相对比较复杂，图像标准话的两个算法相对简单些，提取光照不变特征应该鲁棒性会好一点；从视觉角度（可视性）来看的话，或许用图像增强算法还是有必要的。
大致从以下个方面来解决光照问题：1)特征提取阶段：寻找光照不变量或者光照的不变表示，例如梯度特征，Gabor特征。
2)预处理阶段：利用各种图像增强处理方法去除各种光照影响。
例如直方图均衡化，同态滤波，Retinex图像增强等等。
3)识别阶段：建立光照变化条件下的图像模型，研究光照变化子空间分布。
如光照锥模型。
或者改善机器学习分类方法。
4)基于3维人脸模型的方法。
如基于人脸主动形状模型的方法[1]。
简单的图像光照条件判据可以根据灰度均值判断，下面总结了部分这些方法的优缺点。
之前对ATM库进行处理的时候发现直方图均衡化的效果要比白平衡的效果好一点。
基于模型的方法光照锥球谐函数法九点光源法图像增强线性、非线性变换基于滤波增强基于Retinex白平衡、直方图均衡化、gamma 变换等等同态滤波提取光照不变特征梯度，gabor 特征等等自商图像图像标准化局部规格化频域光照归一化基于图像分解重构小波等经验模态分解光照处理方法优点缺点光照锥(Illumination Cone (IC)) [2] 通过改变点光源方向，可以生成任意光源方向下的虚拟图像。
且识别率一般比直方图均衡化等图像处理方法要高。
至少搜集该类人脸，同一姿态，不同的光照条件下的7幅图像，来构建光照锥。
计算复杂。
直方图均衡化 直方图规定化 伽马亮度校正 光照变化比较均匀的人脸图像 对消除侧光影响的处理效果不很理想,而且在增强视觉效果的同时,把某些人脸图像具有的正常明显特征也削弱了 自商图法(SQI)[3]同样适用于光照变化较大情况 依赖于低通滤波器选择 局部规格化(LN)的方法很好的消除不均匀光照的影响,并且保持图像的局部特性离散余弦变换(DCT) 单侧光进行补偿经验模态分解(EMD)4 单侧光进行补偿 计算量比较大 球谐函数法（球面谐波模型）[5]同态滤波[6]小波变换(Wavelet Transform,WT) [6]频域光照归一化[7]1.1基于模型的方法:1.1.1光照锥(Illumination Cone (IC)):根据未知光照条件的至少7幅同一姿态的人脸图像，构建与光照无关的光照锥，人脸的识别则通过计算输入图像到每个光照锥的距离来完成。
人脸识别算法中的常见问题解析
人脸识别算法中的常见问题解析人脸识别技术作为一种生物特征识别技术，已经广泛应用于安全领域、智能设备以及人脸支付等场景中。
然而，人脸识别算法也存在一些常见问题，本文将对这些问题进行解析和探讨。
一、光线条件对人脸识别的影响光线条件是影响人脸识别算法准确性的一个重要因素。
在低光环境下，由于图像噪声增加和图像细节丢失，人脸图像质量较差，从而导致人脸识别算法的准确率下降。
一些算法使用降噪和图像增强技术来改善低光条件下的人脸特征提取。
另外，强光条件下的反光和阴影也会对人脸图像的质量造成影响。
某些算法通过采用抗光反射和阴影削弱技术来提高人脸图像的质量，从而增加人脸识别的准确性。
二、角度和姿态变化对人脸识别的挑战角度和姿态变化是人脸识别算法中常见的问题之一。
部分算法通过引入三维人脸模型和姿态估计技术来解决这一问题。
三维人脸模型可以对人脸进行重建，从而使得算法可以更好地处理姿态变化。
姿态估计技术可以根据人脸图像中的特征点位置推断出人脸的角度和姿态，进而进行相应的人脸对齐和特征提取操作。
三、表情变化对人脸识别的挑战人脸表情变化是人脸识别算法中另一个常见的问题。
表情变化会改变人脸图像的纹理和特征点位置，从而导致人脸识别算法的准确性下降。
一些算法通过引入表情不变性特征提取技术来解决这个问题。
表情不变性特征可以在不同表情下保持相对不变，从而提高算法对表情变化的鲁棒性。
此外，一些算法也通过引入动态人脸表情数据来提高算法的准确性。
动态人脸表情数据包括人脸的动作单位和时间序列信息。
这些数据可以帮助算法更好地理解人脸的表情变化，并进行相应的识别和匹配操作。
四、遮挡对人脸识别的影响人脸遮挡是人脸识别算法中常见的问题之一。
遮挡会改变人脸图像的特征以及纹理信息，从而影响算法对人脸的识别和匹配性能。
一些算法通过引入部分可见性特征和遮挡检测技术来解决这个问题。
部分可见性特征指在遮挡情况下仍然可见的人脸特征。
算法可以通过提取这些特征来进行识别和匹配操作。
人脸识别技术的光照影响与解决方案
人脸识别技术的光照影响与解决方案随着科技的快速发展，人脸识别技术在各行各业中得到了广泛的应用，它已经成为我们日常生活中的一部分。
然而，光照条件对人脸识别技术的准确性和可靠性有着重要的影响。
本文将探讨光照对人脸识别的影响以及可能的解决方案。
首先，光照条件对人脸识别的影响是十分显著的。
不同的光照条件下，人脸的亮度、阴影和纹理会发生巨大的变化，从而导致人脸图像的质量下降，影响人脸识别算法的准确性。
强烈的光照，例如在室外的太阳光下，会导致人脸的高光区和阴影区之间的对比度增加，使得人脸特征难以准确提取。
而在光线较暗的环境下，图像可能会存在噪点和模糊，使得特征提取和比对更为困难。
为了解决光照条件对人脸识别的影响，许多研究者提出了各种解决方案。
首先，一种常见的方法是使用多个光照条件下的训练集来训练模型。
通过使用大量的人脸图像来模拟不同光照条件下的变化，可以增强算法对光照变化的适应能力，提高人脸识别的准确性。
此外，研究者们还提出了一些对抗性学习的方法，通过学习光照不变的特征表示来提高算法的鲁棒性。
另外，光照影响人脸识别的另一个解决方案是数据增强。
数据增强是通过对原始图像进行一系列的变换来扩充训练集，以增加模型的鲁棒性。
在光照条件下，对图像进行亮度、对比度的调整、直方图均衡化和去噪等操作可以增加训练图像的多样性，提高算法在不同光照条件下的准确性。
此外，也可以引入虚拟光照来合成新的训练图像，以模拟各种光照条件下的情况。
除了数据增强，深度学习也被广泛应用于人脸识别中。
深度学习模型可以通过大规模的数据进行端到端的训练，并且具有较强的特征提取能力。
通过设计合适的网络结构和目标函数，深度学习模型可以更好地适应不同光照条件下的人脸图像，提高人脸识别的准确性。
此外，光照影响人脸识别的解决方案还包括传感器技术的进步。
高质量的传感器可以提供更多的细节和动态范围，使得人脸图像更加准确和稳定。
光照适应性传感器和多光谱传感器能够自动调整其灵敏度和曝光时间，以适应不同光照条件下的人脸图像采集。
人脸识别技术中光照条件对识别效果的影响与解决方法
人脸识别技术中光照条件对识别效果的影响与解决方法光照是人脸识别技术中一个重要的因素，直接影响着识别的准确性和可靠性。
光照条件的变化会使得人脸的外貌特征发生变化，从而给人脸识别系统带来一定的困扰。
因此，研究光照条件对人脸识别效果的影响以及解决方法，对于提高人脸识别技术的可靠性和普适性具有重要的意义。
光照条件对人脸识别的影响主要表现在以下几个方面：一是光照的强度变化会导致人脸图像的亮度不一致，从而使得人脸特征的提取受到影响。
二是光照的方向变化会引起阴影的出现，进而改变人脸的纹理特征，使得人脸区域的判别变得困难。
三是光照条件的变化会导致人脸的反射光变化，从而会影响到人脸的颜色特征。
这些因素都会降低人脸识别系统的准确性。
针对光照条件对人脸识别效果的影响，研究者们提出了一系列的解决方法。
首先是基于相机成像技术的方法。
通过调整相机的曝光时间和增益等参数，可以减少或消除光照变化对人脸图像的影响。
此外，还可以采用多光源的策略，通过控制人脸周围的光源来减小光照条件对人脸特征的影响。
其次，基于图像处理的方法也被广泛应用于光照条件对人脸识别的解决中。
这些方法主要包括直方图均衡化、光照归一化和图像增强等技术。
直方图均衡化是将图像的像素值按照一定的规则重新分配，以使得图像的灰度分布均匀，从而提高人脸特征的提取效果。
光照归一化则是通过建立光照模型，将输入的人脸图像调整到一个统一的光照条件下，再进行人脸特征的提取和匹配。
图像增强技术则通过增强图像的对比度和边缘等特征来提高人脸图像的质量和可用性。
另外，基于特征选择和特征变换的方法也可以有效克服光照条件对人脸识别的影响。
特征选择是从原始的人脸图像中选择一组有助于识别的特征，而忽略其他不相关或者冗余的特征。
通过选择适当的特征子集，可以减少光照条件对人脸识别的干扰。
特征变换则是将原始的人脸图像转化为一个具有良好鲁棒性和判别性的特征空间，以得到更加稳定和可靠的人脸特征。
此外，基于机器学习的方法也被广泛用于光照条件对人脸识别的解决中。
如何解决人脸识别技术中的光照变化问题
如何解决人脸识别技术中的光照变化问题光照变化是人脸识别技术中普遍存在的一个挑战，它能够导致识别准确度的下降甚至失效。
而随着人脸识别应用的广泛应用，解决光照变化问题变得愈发重要。
在这篇文章中，将探讨一些方法和技术，用于解决人脸识别技术中的光照变化问题。
首先，了解光照对于人脸识别的影响是至关重要的。
光照的变化会引起面部阴影或高光的出现，从而改变了面部的外观和纹理。
这就使得同一个人在不同光照条件下的面部表达产生了显著差异，从而影响了人脸识别算法的准确性。
为了解决这个问题，可以尝试以下一些方法：1. 归一化技术：归一化是一种常用的处理光照变化的方法。
一种常见的归一化方法是直方图均衡化，它可以调整图像的像素值分布，从而减少光照变化对图像的影响。
另外，颜色空间的转换和亮度调整也可以用于光照归一化。
2. 图像增强：图像增强是通过增加图像的对比度和细节来改善图像质量的方法。
一些常用的图像增强方法包括直方图均衡化、对比度拉伸和图像滤波等。
通过应用这些方法，可以减少光照变化对图像细节的影响，并提高人脸识别的准确性。
3. 多特征融合：光照变化对不同面部特征的影响程度不同。
因此，将多个面部特征进行融合可以提高人脸识别的鲁棒性。
例如，可以使用特征级融合或决策级融合的方法，将来自不同特征提取算法的结果进行组合，从而提高识别的准确性。
4. 深度学习方法：近年来，深度学习方法在人脸识别领域取得了显著的进展。
一些研究表明，通过使用深度神经网络，可以自动学习光照不变的特征表示。
这些特征表示可以在不同光照条件下保持较好的一致性，从而提高人脸识别的准确性。
除了上述方法，还有一些其他的技术也可以用于解决光照变化问题。
例如，可以使用多摄像头或多光源的配置，以获取多个角度和光照条件下的图像，从而提供更多信息来减小光照变化的影响。
此外，可以使用反射分析技术，通过分析面部所反射的光线来推断光照条件，并进行相应的校正。
综上所述，解决人脸识别技术中的光照变化问题是一个复杂且关键的任务。
如何应对人脸识别技术中的光线干扰问题
如何应对人脸识别技术中的光线干扰问题光线干扰是人脸识别技术常见的问题之一。
人脸识别技术在安全领域、金融行业、社交媒体等方面的应用日益广泛，但光线干扰对其准确性和可靠性带来了一定的挑战。
在这篇文章中，我们将探讨如何应对人脸识别技术中的光线干扰问题。
首先，了解光线干扰对人脸识别的影响是解决问题的第一步。
光线干扰可以导致图像中的阴影、反光、过曝等问题，进而使人脸识别算法难以准确地提取和匹配人脸特征。
因此，理解光线与图像之间的相互作用机制，可以帮助我们采取相应的对策。
一种应对光线干扰的方法是在摄像头设置中考虑光线条件。
优化摄像头的安装位置和角度，以避免直射阳光或强烈光源对摄像头造成的过度曝光或反光问题。
此外，合理使用遮光设备、采用红外摄像技术，可以减少困扰人脸识别技术的光线干扰。
光线干扰通常会导致图像中的阴影，而对于许多算法来说，阴影在人脸识别中是一个重要影响因素。
对于这种情况，可以采取灰度拉伸和对比度增强等图像增强技术来改善图像质量。
这些技术可以通过增加图像的亮度和对比度来减轻光照不均匀带来的影响，从而改善人脸识别的准确性。
此外，受噪声干扰的影响，人脸识别系统中的图像质量可能会下降。
为了应对光线干扰带来的噪声问题，可以采用图像降噪算法，如中值滤波和维纳滤波等。
通过这些算法可以减少图像中的噪声，并显著提高人脸识别系统的准确性。
在人脸识别技术中，关键是提取并匹配人脸的特征。
然而，光线干扰严重地破坏了图像的质量，使得特征提取和匹配变得困难。
为了应对这一问题，可以使用多种光照不变性算法。
这些算法基于对光照变化的建模，通过抵抗光线干扰而实现更为稳定和准确的人脸识别。
除了这些技术上的应对措施，人脸识别技术中的光线干扰问题还可以通过人脸图像数据库的更新和优化来解决。
不断补充和扩展不同光照条件下的人脸图像样本，可以提高人脸识别算法的鲁棒性和普适性。
此外，根据实际应用场景的需求，通过算法调整和参数优化，可以进一步提升人脸识别技术在光线干扰环境下的表现。
人脸识别算法中常见问题及解决方法
人脸识别算法中常见问题及解决方法人脸识别技术是一种通过计算机对人脸图像进行识别和验证的技术，它已经被广泛应用于安全领域、人机交互界面、智能监控等各个领域。
在人脸识别算法中，常常会遇到一些问题，本文将介绍人脸识别算法中常见的问题，并给出相应的解决方法。
首先，我们来介绍一些人脸识别算法中常见的问题：1. 光照变化问题：光照条件的不同可能导致人脸图像的亮度、阴影等发生变化，从而影响人脸识别的准确性。
2. 视角变化问题：当人脸图像的拍摄视角发生变化时，人脸图像的形状和特征也会发生变化，从而影响人脸识别的效果。
3. 遮挡问题：由于遮挡物的存在，例如眼镜、口罩等，可能导致关键的人脸特征无法完整地被提取，从而降低人脸识别的准确性。
4. 非刚性变换问题：人脸图像可能因为表情的变化而发生非刚性变换，例如张嘴、闭眼等，这会进一步增加人脸识别的难度。
接下来，我们将为这些问题提供解决方法：1. 光照变化问题的解决方法：a. 图像预处理：可以通过直方图均衡化等图像处理技术，提升图像的对比度和亮度，从而减小光照变化的影响。
b. 多角度训练：在训练人脸识别模型时，可以使用多个角度的人脸图像进行训练，以增加模型对光照变化的鲁棒性。
2. 视角变化问题的解决方法：a. 3D人脸重建：通过使用3D人脸重建技术，可以从不同角度的人脸图像中还原出一个3D的人脸模型，然后再将其投影到一个标准角度，从而减小视角变化的影响。
b. 多角度训练：与光照变化类似，可以使用多个角度的人脸图像进行训练，以增加模型对视角变化的鲁棒性。
3. 遮挡问题的解决方法：a. 特征点检测：在进行人脸识别之前，可以使用特征点检测算法，提取出人脸的关键特征点，例如眼睛、鼻子等，从而减小遮挡的影响。
b. 图像修复：对于有遮挡的人脸图像，可以通过图像修复技术，将遮挡部分进行修复或完整恢复，然后再进行人脸识别。
4. 非刚性变换问题的解决方法：a. 形状变换：通过对人脸图像进行形状变换，例如变换到一个标准的平面形状，可以减小非刚性变换对人脸识别的影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人脸识别中的光照问题研究
说明：针对可见光摄像头的人脸识别，总结了一些对于光照问题的预处理方法，所列举的处理方法基本上都给出了文献出处，没有进行展开介绍，仅仅列了一些图片处理效果来了解对应算法的作用。
关于图像增强这块，以前搜集了一些代码，在附件中，主要包含各种直方图均衡化代码，以及基于Retinex增强，同态滤波增强等等，以及简单的白平衡操作。
大概看了下面列举的算法，基于模型的算法相对比较复杂，图像标准话的两个算法相对简单些，提取光照不变特征应该鲁棒性会好一点；从视觉角度（可视性）来看的话，或许用图像增强算法还是有必要的。
大致从以下个方面来解决光照问题：
1)特征提取阶段：寻找光照不变量或者光照的不变表示，例如梯度特征，Gabor 特征。
2)预处理阶段：利用各种图像增强处理方法去除各种光照影响。
例如直方图均衡化，同态滤波，Retinex图像增强等等。
3)识别阶段：建立光照变化条件下的图像模型，研究光照变化子空间分布。
如光照锥模型。
或者改善机器学习分类方法。
4)基于3维人脸模型的方法。
如基于人脸主动形状模型的方法[1]。
简单的图像光照条件判据可以根据灰度均值判断，下面总结了部分这些方法的优缺点。
之前对ATM库进行处理的时候发现直方图均衡化的效果要比白平衡的效果好一点。
光照基于模球谐函数的方九点光源白平衡、直方图均线性、非线变换等化变gammRetine基光照处基于滤波增图像增同态滤方自商图小波基于图像分重经验模态分梯度gabo提取光照征等变特局部规格图像标准频域光照归一化
1.1基于模型的方法:
1.1.1光照锥(Illumination Cone (IC)):
根据未知光照条件的至少7幅同一姿态的人脸图像，构建与光照无关的光照锥，人脸的识别则通过计算输入图像到每个光照锥的距离来完成。
光照锥方法的另一个潜在优势就是通过改变点光源方向，可以生成任意光源方向下的虚拟图像。
1.1.2球谐函数法
球面谐波模型的基本思想是指利用谐波函数和相关信号处理技术推导证明任意光照下朗伯凸表面的图像可以由9个球面谐波基图像张成的子空间近似表示。
球面谐波模型的基本思想是指利用谐波函数和相关信号处理技术推导证明任意光照下朗伯凸表面的图像可以由9个球面谐波基图像张成的子空间近似表示。
1.1.3九点光源法
1.2基于图像增强的方法：
1.2.1简单的线性、非线性变换方法[8]
(1) 直方图均衡化
(2) 直方图规定化
(3) 非线性变换方法：对数，指数等变换方法
(4) 伽马亮度校正(Gamma Intensity Correction, GIC)[9]
1.2.2结合朗伯表面(LS)的滤波增强方法
人脸一般看成朗伯表面LS图象:
T?sx,y)?(x,y)n(yI(x,)式中ρ为反射率,n为表面法向量,s为光照。
1.2.2.1自商图像[3,10]：
类似Retinex的算法,也有多尺度和单尺度之分。
理论基础是反射-光照模型：I=RL。
其中I为图像，R为表面反射，L为光照。
光照L可以被认为是图像的低频分量，可以用一个低通滤波器F来估计即L≈F*I，这样将得到自商图像：。
)F/?RI(*I
Retinex
1.2.2.2详细的讲述了基于这个与自商图像类似，常用的有单尺度和多尺度。
文献[11]算法已经很成熟了，而且特别简单，代码网上有很RetinexRetinex的光照预处理。
当然。
SSR,MSR,MSRCR多，常用的
1.2.2.3同态滤波[6]
包含光照变化的人脸图像中,相对于人脸表面,光照随着位置的变化非常缓慢,故其频谱主要位于低频段;而人脸本身具有较多的细节和边缘,因而反射成分的频谱集中在相对高频段。
文献[6]也提出了一种改进的同态滤波+log算子提取光照不变量的方
法。
实验效果如下：
1.2.3图像分解重构
1.2.3.1小波变换(WT)[6]
一种简单的基于小波的思想：首先将一幅图像分解为低频成分和高频成分;接着
对受光照严重影响的低频分量进行直方图均衡化,同时增强细节(高频成分),将它
乘以一个标量从而增强图像边缘;最后进行逆小波变换得到光照归一化后的图像。
结果图像不仅增强了对比度同时也增强了边缘和细节,这更有利于接下来的人脸
识别操作。
文献[6]有提出基于小波人脸光照归一化的新算法IWT，对比效果如下：
(DCT) 离散余弦变换1.2.3.2
域去掉对单侧光起主要作DCT域DCT,在主要是对单侧光进行补偿。
将图像变换到单侧光照,用的系数项然后反变换回空间域就消除了的影响。
1.2.3.3经验模态分解（EMD）
将一维EMD直接用于人脸图像分解,将人脸图像每一行看成一个一维原始信号,用EMD算法进行分解,并去掉最后几幅的IMF(低频成分),用剩下的IMF再合成原图像,从而减弱了光照的影响。
1.3图像标准化的增强方法
1.3.1局部规格化(LN)的方法
该方法的思想是：人脸图像局部标准化。
经过LN处理后图像局部均值为0，局部标准差为1. LN方法能很好的消除不均匀光照的影响,并且保持图像的局部特
性。
1.3.2频域光照归一化[7]：
光照变换影响的是频域中的幅度，对相位没有影响，所以用均值脸的频域幅度替换其他样本的幅度，从而消弱光照的影响。
下面有实验效果图。
参考文献：
[1] 光照和表情鲁棒的人脸图像识别方法研究
2] 李粉兰, 段海峰, 郝建国, [等. 人脸识别中光照补偿问题的实验研究[J]. 工程图学学报, 2009,
30(3): 113-120.3 , 2009.[D]. 河北工程大学张晓芳. [人脸识别中的预处理技术研究]
[4] , 2011.山东师范大学. 人脸识别中光照问题的研究[D]. 王依才5] 卿来云, 山世光, 陈熙霖, 等. 基于球面谐波基图像的任意光照下的人脸识别[J]. [计算机学报,
2006, 29(5): 760-768.6 , 2011.: 南京南京大学范春年. 人脸识别中光照处理算法研究[[D]. ]
[7] 琚生根, 周激流, 何坤, 等. 频域光照归一化的人脸识别[J]. 电子科技大学学报, 2009, 38(6):
1021-1025.8 , 2008.北京邮电大学. 人脸识别中光照估计和补偿方法研究与实现[[D]. ] 屈恩9] 王进军, 王汇源. 解决人脸识别光照问题的预处理方法综述[J]. 电气电子教学学报[, 2008, 30(6):
43-46.10] [, 2013.[D]. 人脸光照矫正算法研究与实现电子科技大学王海洋.
11 , 2008.: [D]. . [] 王良勤人脸识别中光照预处理与识别算法的研究湖北华中科技大学。