Aunque combinar una cámara de alta resolución con una red de sensores inalámbricos es efectivo para interpretar diferentes señales para la presentación de imágenes en la identificación de reconocimiento facial, su precisión todavía está severamente restringida. Eliminar el impacto desfavorable de la luz ambiental sigue siendo uno de los desafíos más difíciles en el reconocimiento facial. Por lo tanto, es importante encontrar un algoritmo que pueda capturar las principales características del objeto cuando hay cambios en la luz ambiental. En este estudio, el reconocimiento facial se utiliza como ejemplo de reconocimiento de imágenes para analizar las diferencias entre los algoritmos de Patrones Binarios Locales Históricos (LBPH) y la red neuronal de aprendizaje profundo OpenFace y comparar la precisión y las tasas de error del reconocimiento facial en diferentes iluminaciones ambientales. Según los resultados de predicción de 13 imágenes basadas en estadísticas de agrupación, la tasa de precisión del reconocimiento facial de LBPH es mayor que la de OpenFace en escenas con cambios en la iluminación ambiental. Cuando el ángulo de azimuth de la fuente de luz es mayor a +/-25 grados y el ángulo de elevación es +000 grados, la tasa de precisión del reconocimiento facial es baja. Cuando el ángulo de azimuth está entre +25 grados y -25 grados y el ángulo de elevación es +000 grados, la tasa de precisión del reconocimiento facial es mayor. A través del diseño experimental, los resultados muestran que, en cuanto a la incertidumbre de los ángulos de iluminación de la fuente de luz, el algoritmo LBPH tiene una mayor precisión en el reconocimiento facial.