SVD Face: Illumination-Invariant Face Representation

摘要

  在本文，我们提出了一种新的方法来提取光照不变特征用于在不同的光照下人脸识别和验证。奇异值分解(SVD)的归一化系数对不同光照条件不敏感，受此启发，我们开发了一种简单而强大的描述人脸底层结构的方案，即所谓的奇异值分解人脸。与之前的方法仍然存在细节缺失的问题相比，我们的奇异值分解人脸通过对奇异值分解系数进行松弛，极大地保留了原始图像的纹理。理论分析表明，我们的SVD人脸是一个光照不变的测度，能够发现人脸图像中有意义的成分(如眼睛、嘴巴等)，同时抑制各种光照的影响。在Yale B和我们的光照人脸(IF)数据集上的实验结果表明，与以前相比，SVD人脸识别和验证是有效的。

1 引言

  光化归一化在图像配准、立体视觉和目标检测等广泛的图像处理领域中是一项必不可少的任务。近年来，其最重要的应用之一是在不同光照条件下的人脸识别。然而，脸部不同的光照通常会导致一些不受欢迎的问题，例如，阴影产生的虚假边缘很容易与面部成分(如眼睛和嘴)的真实边界混淆。因此，为了提高人脸识别与验证的性能，许多研究者都花费了大量的精力来获取光照不变的人脸图像。为了解决这个问题，主要的想法是建模一个模型，将图像I看作反射率R和照明L的乘积(例如,$I=RL$)[1]。基于此，大多数以前的方法都试图从给定的图像中去除光照以达到光照不变的效果。其中，Wang et al.[2]提出了自商图像(SQI)，它与之前关于Land[3]的想法是相似的。在[2]中，他们通过将给定的图像除以图像本身的平滑版本来去除光照效果。Chen等人[4]在假设光照变化主要发生在低频的基础上截断了适当数量的DCT系数。另一方面，[5]的作者尝试利用总变分模型将人脸分解为小尺度的面部成分(如眼睛、鼻子、嘴巴等)和大尺度的皮肤区域。Tan和Triggs[6]结合现有技术(伽马校正、DoG滤波和对比度均衡)构建了光照归一化流程。此外，一些方法使用对比概念来应对不同的光照条件。Zhang等[7]根据水平和垂直梯度的比值构建梯度脸。在[8]中，作者们受到了韦伯定律的启发，该定律暗示人们对刺激的感知不是以绝对值而是以相对差异(即对比)的形式，并利用局部强度与其周围环境变化的比率提出了韦伯脸。这些方法虽然简单快速，但会丢失原始人脸的纹理信息，导致性能明显下降。此外，由于光照条件的突变，它们容易产生强边缘。图1给出了由前面方法生成的光照不变量人脸的示例。

  在本文中，我们提出了一个简单和鲁棒的方法来表示变化光照下的人脸。我们的模型背后的基本原理是奇异值分解(SVD)的归一化系数对不同的光照条件不敏感。与之前有轻微的扰动就常常失败的方法相比，我们的方法有能力在抑制包括投射阴影在内的各种光照的影响下成功地生成人脸的底层结构。此外，本文方法通过对SVD系数进行松弛，极大地保留了原始图像的
纹理(图1(e))。这是相当可取的，以实现鲁棒的人脸识别和验证，在广泛的场景。实验结果表明，奇异值分解人脸的识别和验证性能显著提高了传统的人脸识别和验证方法。

2 SVD脸 光照不变人脸表示

A SVD脸

  基于svd的方案的有用性源于它对局部强度的分布进行了因式分解，相应的系数(即奇异值)很可能揭示光照不变特性。在此基础上，我们对以(x,y)为中心的Ｎ×Ｎ局部像素块B(x,y)进行奇异值分解，$B(x,y)=US{V}^T$，其中U和V为正交矩阵满足$U^{T}U=I,V^{T}V=I$。 S = d i a g ( λ 1 , λ 2 , . . . λ N ) S=diag(λ_1,λ_2,...λ_N) S=diag(λ