可以处理带有光照的图像，提高图像的识别率 可以处理带有光照的图像，提高图像的识别率

用OpenGL写的三维球体和对球体进行简单光照处理 （本人第一次写这样的程序）

基于灰度直方图的逆光度计算，可辅助判断所处光线环境。

首先，针对单一的 Gabor 人脸特征在姿态、表情、光照变化下效果不佳的问题，提出了基于 Gabor 小波特征和核函数融合的人脸识别方法。通过融合方法将二维 Gabor 小波提取的不同尺度、方向的 Gabor 特征进行前期融合，使用支持向量机的 rbf 和 linear 核函数进行后期融合并使用 KMOD 算法确定核函数之间的参数。最终实验结果表明融合后的人脸识别方法能够提高机器学习的传统人脸识别效果。 其次，鉴于互补深度特征的融合能够提高单一特征性能，设计了基于 Facenet 稀疏表示和卷积网络集成的人脸识别方法。具体表现为将 Facenet 的卷积特征和稀疏表示结合，提出了基于 Facenet 稀疏表示的人脸识别方法，通过 Facenet 卷积特征构建归一化字典实现稀疏表示分类；融合 softmax loss 和 center loss 损失函数，在 Facenet 预训练模型上重新训练并比较人脸验证和识别效果；最后通过硬投票策略将基于 Facenet 稀疏表示的人脸识别方法和不同卷积网络集成，以提高人脸识别效果。最终的实验结果表明，集成方法能够各个卷积网络模型的基础上使识别率进一步提升。 最后，针对深度神经网络对剧烈光照变化性能不佳的问题，提出了基于 GIR 特征和卷积特征融合的人脸识别方法。GIR 模型用于人脸图像的光照处理，获得 GIR 特征。根据光照处理过程中局部区域的不同，GIR 特征又可以分为 EGIR-Face 和 BGIR-Face 人脸特征。将 GIR特征分别与 Facenet、Insigtface、Resnet50 的卷积特征通过距离度量进行融合，通过最近邻分析实现人脸识别。使得卷积网络可以获得 GIR 模型优势，在人脸识别过程中更加侧重于光照这一影响因素。最终实验结果表明融合 GIR 特征和卷积特征的人脸识别方法确实能够提升严重光照变化下的人脸识别效果。

光照预处理是人脸识中种有效的处理光照变化的方法。近年来涌现出一系列人脸光照预处理方法，但针对这些方法的系统对比与分析的工作相对较少，本文在系统比较现有方法的基础上提出了人脸光照预处理方法的新见解和结论，以及如何设计更好的预处理方法。我们对12种具有代表性的光照预处理方法进行比较研究（HE，LT，GIC，DGD，LOG，SSR，GHP，SQI，LDCT，LTV，LN和TT），着重于两个 新的角度：（1）全局方法的局部化和（2）大尺度和小尺度特征带的融合。在公开的人脸数据库（Yalebext，CMU-PIE，CAS-PEAL和FRGC v2.0）上的实验表明，对全局的光照处理方法（HE，GIC，LTV和TT）进行局部化进一步提高了性能。对（SSR，GHP，SQI，LDCT，LTV和TT）等方法进行大尺度和小尺度的融合有助于光照不变的人脸识别。 来源：http://valser.org/forum.php?mod=viewthread&tid=1051&page=1&extra=#pid1254