Yale人脸图像光照归一化方法研究(2)
1.2 人脸识别的研究现状及存在问题
所谓人脸识别，是指给定一个场景的静态图像或动态视频,利用存储有已知身份的人脸图像数据库辨别场景中单个或者多个人的身份[3]。20世纪60年代，Chan和Bledsoe建立了最早的一个半自动的人脸识别系统[4]，距今已有近60年历史。20世纪70年代Goldstein、Harmon和Lesk[5] 使用 21 个特定标记（如头发颜色和唇厚度）来自动识别。1988 年， Kirby 和Sirovich提出了主成分分析（PCA）[6]，使用一种标准化线性代数技术来解决人脸识别问题。这是人脸识别研究的一个里程碑。1991 年，Turkand 和 Pentland 提出了最富盛名的人脸识别方法--特征脸（Eigenface）[7]。Buhmann 和 Lades 等人提出了弹性图匹配技术(Elastic Graph Matching，EGM)[8]。Belhumeur 等人提出了Fisherface人脸识别方法[9]，就目前而言，该方法依然是被广泛应用的人脸识别方法之一。就在这一年，Atick 等提出了局部特征分析技术(Local Feature Analysis, LFA)[10]，著名的FaceIt系统便是由该技术商业化而成。局部二值模式（Local Binary Pattern）[11]、Gabor特征[12]，以及这两种方法的组合的方法，极大的提升了人脸识别系统的性能。
此后，人脸识别得到了更多的关注，越来越多的大学和科研机构开始从事人脸识别的研究。IEEE模式分析与机器智能(PAMI)、国际计算机视觉杂志(UCv)等国际权威杂志，国际模式识别大会(ICPR)、国际计算机视觉会议(ICCV)等国际会议，都设有人脸识别专题，每年都有大量的研究成果问世。就目前而言，一些商业人脸识别系统已经被投入使用，国外较著名的有Neven Vision 公司的 FaceSpotter系统、Identix公司的FaceIt系统等；国内如清华大学、中科院等科研机构，也研制出了商业化的人脸识别系统。
虽然，人脸识别已经取得了可喜的成果，并部分投入了现实使用中。但是在不可控条件下，如室外条件下光照恶劣、有遮挡、姿态变化，用户不配合采集，用户年龄变化等，现有的人脸识别系统的识别率急剧下降，以至于系统无法正常完成识别工作。所以，人脸识别的研究之路，任重而道远，仍需深度研究，以期进一步提升不可控条件下的识别率，让人脸识别真正地走进经济社会的发展中。
1.3 人脸识别的光照问题研究现状
1.4 常用的光照测试人脸数据库
诸多学者提出了许多的解决光照问题的人脸识别算法，需要在人脸数据库上验证算法的可行性、计算代价等指标。伴随着社会的快速发展，人脸识别的研究更加深入，对于人脸数据库也提出了更高的要求。人脸数据库中的人脸数量在增加。本小节主要介绍本文使用到的三种数据库。
1.4.1 Yale B人脸数据库
Yale大学计算视觉与控制中心创建了该数据库，其中包含了10个人在64种不同光照和不同姿态条件下的人脸，共计5850张图像。
1.4.2 扩展的Yale B人脸数据库
该数据库在Yale B人脸数据库的基础之上拓展而成，增加了28个人在不同光照和姿态条件下的人脸，共计16128张图像。一般将整个数据库分为5个子集，通常情况下子集1作为训练集，同时也作为原型集，余下的四个子集则作为测试集。
1.4.3 CMU PIE人脸数据库
该数据库在2002年，由美国卡内基梅隆大学建立，包含了68个对象的多幅图像。该数据库中采集了每个对象的不同姿态、不同光照条件、不同表情下的图像。
上述的三个人脸数据库，对于姿态和光照变化的图像的采集都是相当严格的，可以用于验证解决光照变化和姿态变化问题算法。
1.5 本文的研究内容和组织结构