1.基于非均匀光照人脸图像增强的混合人脸成分识别方法，其特征在于, 具体包括以下步骤：

S1：构建光照人脸库，记作 ；并根据光源的入射角度差异将 分为5种不同光照变化子集 ；

S2：依次选取一个子集作为ProbeSet，其余4个子集作为Galleryset； 利用卷积神经网络对ProbeSet中的每一张人脸图像，从Galleryset中搜索与其相似的Q张图像；

S3:利用Retinex理论分别计算ProbeSet中输入图像的光照矩阵  和对应Q张图像的平均光照矩阵 ，首先利用  实现粗粒度的不均匀光照人脸增强，保存增强后的图片为  ；

然后利用  实现细粒度的不均匀人脸光照补偿，保存补偿后的人脸为  ；

S4：在  的基础上，分割人脸为多个组件成分的关键区域，将  和其组件同时作为三层卷积神经网络的输入，通过强化对各个面部组件的特征表示来增强网络对照明变化的人脸识别鲁棒性。

2.根据权利要求1所述的基于非均匀光照人脸图像增强的混合人脸成分识别方法,其特征在于,所述步骤S1中具体包括以下步骤：S1‑1：将非均匀光照人脸库ExtendedYaleB构成所使用的光照人脸库 ；

S1‑2：使用开源计算机视觉库Opencv统一对样本图像检测并裁剪出人脸正面区域，图像尺度被归一化为64x64；

S1‑3：人脸与摄像机的方向角被称为光源的入射角度 ，共有5种，分别是12°、25°、50°、

77°和90°，根据 将人脸库 划分为5个子集，记作 ，其中每个子集代表一种光照角度。

3.根据权利要求2所述的基于非均匀光照人脸图像增强的混合人脸成分识别方法,其特征在于,所述步骤S1‑1中的非均匀光照人脸库ExtendedYaleB包括38人，每个人在64种不同的光照情况下拍摄了9种姿态576张图像，共计576x38张人脸图像。

4.根据权利要求1所述的基于非均匀光照人脸图像增强的混合人脸成分识别方法,其特征在于,所述步骤S2中具体包括以下步骤：S2‑1：依次选择一个子集作为ProbeSet，其他4个子集作为Galleryset；

S2‑2：构建三层卷积神经网络作为人脸图像的特征提取器，输入为人脸库 中的图像，输出为每张人脸图像的特征向量 ；

S2‑3：根据S2‑2的操作，对ProbeSet中的每张非均匀光照人脸图像通过计算与Galleryset中图像的特征向量之间的相似性，分别搜索到与其对应相似的Q张图像。

5.根据权利要求1所述的基于非均匀光照人脸图像增强的混合人脸成分识别方法,其特征在于,所述步骤S3中具体包括以下步骤：S3‑1：根据Retinex理论，每张非均匀光照人脸图像 由光照（入射光）分量 和反射分量两部分组成，为方便计算将其转换到对数域，表示为： （1）

（2）

其中，(x,y)表示图像中像素点的坐标， 、 、 分别表示原始图像、反射图像和入射图像在(x,y)处的像素值，而入射图像 对应于原始图像 中的低频部分，也就是光照分量；反射图像则反映图像的固有属性，即人脸图像中的高频信息；

S3‑2：利用小波变换分解出图像的高低频两部分分量，通过高斯低通滤波器来估计出Probeset中输入图像和其对应Q张图像的低频分量，分别保存为光照矩阵 和平均光照矩阵 ：

（3）

（4）

其中， 表示高斯函数，属于低通函数， 为卷积符号；

S3‑3：光照补偿：

 (5)

S3‑4：光照增强：

（6）。

6.根据权利要求1所述的基于非均匀光照人脸图像增强的混合人脸成分识别方法,其特征在于,所述步骤S4中具体包括以下步骤：S4‑1：使用dlib库工具包，对光照增强后的人脸图像 ，采用68点位置标志出人脸的关键特征区域，然后将其进行面部成分分割；

S4‑2：将 和分割出的成分子区域同时送入三层卷积神经网络来训练人脸识别器，实现人脸识别。

7.根据权利要求6所述的基于非均匀光照人脸图像增强的混合人脸成分识别方法,其特征在于,所述步骤S4‑1的关键特征区域包括眼睛、鼻子和嘴巴。