Illumination Normalization Based on Weber’s Law With Application to Face Recognition

摘要

韦伯定律表明，对于一个刺激，最小的知觉变化和背景之间的比率是一个常数，这意味着人们不是在绝对条件下感知的，而是在相对条件下感知的。受此启发，我们在不同光照下通过一个比率图像，开发和分析了一种新的光照不敏感的图像，称为“Weber-face”，计算局部强度变化和背景之间的比率。在cmu - pie和Yale B face数据库上的实验结果表明，weber -face的性能优于现有的代表性方法。

1 引言

  人脸自动识别在过去的几十年中已经成为一个非常活跃的话题。然而，不受控光照条件下的人脸识别仍然对[1]、[2]构成挑战。大多数现有的方法对光照变化非常敏感，因为不同光照条件引起的人脸外观变化通常比不同的个人身份引起的人脸外观变化更为显著。近年来，人们提出了各种解决这一问题的方法。大致可分为三类。第一类利用光照样本来学习可能光照变化的人脸模型。例如，在[3]中，作者展示了一组姿态固定但光照变化的人脸图像在图像空间中是一个凸锥，称为光照锥。在[4]中，研究了同一人脸在不同光照或不同表达式下的空间分布情况，提出了一种低维线性子空间的球谐模型。这些方法可以很好地模拟光照变化。但其主要缺点是需要大量的训练样本，不利于实际应用。
  第二类尝试用传统的图像处理方法来补偿光照不均匀，包括直方图均衡化[5]，对数变换[6]。这些方法只是调整灰度分布，而忽略了物理光照模型。
  第三次类试图发现光照不变的人脸图像在不同光照条件下的表现。这些方法大部分是基于安贝尔反射率模型，假设人脸显著部分(眼睛、头部等)的反照率是光照不变的，对应较高的空间频率，而光照部分对应较低的空间频率。然而，[7]表明，对于物体的反射率，不存在照度不变的区别函数，因此现有的方法只能满足外照度不敏感的呈现。例如，在[8]中，作者提出了一种名为MSR的方法，该方法通过对人脸图像进行平滑分割来减少光照的影响。自商(SQI)模型[9]采用了同样的加权高斯滤波器来克服这种情绪。Chen等人提出的对数全变差(LTV)[10]利用全变差模型的边缘保留能力改进了SQI。Tan和Triggs[11]提出了一种简单有效的方法，该方法基于图像预处理(PP)的流水线操作，如匹配校正、带通滤波和对比。在[12]中，作者使用相对梯度(RG)来恢复光照补偿图像，通过求解泊松方程。Zhang等人[13]表明，人脸图像的梯度方向，他们称之为“Gradientface”(GradFace)，是一种光照不敏感的度量。
  在本文中，我们提出了一种基于韦伯定律的光照归一化方法，该方法的结论是刺激不是以绝对的方式感知，而是以相对的方式感知。对于一个人脸图像，我们计算每个像素之间的比率:一个是当前像素相对于它的邻域的强度差;另一个是当前像素的强度。以“Weber-face”为名比率图像能很好地从输入图像中提取局部显著模式。基于兰伯反射模型的理论分析进一步表明，Weber-face是一种对光照不敏感的表征。实验结果表明，该方法能显著提高在不同光照条件下的识别性能。

2 提出的光照归一化方法

A.韦伯定律

  大多数人在会议室里都能听到窃窃私语，但在嘈杂的环境下，我们可能不会注意到有人在我们耳边大喊大叫。这就是1834年德国生理学家stwebern1834年提出的韦伯定律的精髓。他假设刺激物中最小的知觉变化和刺激物的背景水平之间的比率是恒定的[14]: