人脸验证：Joint Bayesian

《Bayesian Face Revisited: A Joint Formulation》论文解读

---

这篇文章发表于ECCV2012，来自MSRA的孙剑组。论文原文见：

http://home.ustc.edu.cn/~chendong/JointBayesian/

概述

本文要解决的问题是获得人脸特征以后如何判断是不是同一个人。经典的贝叶斯人脸识别方法是为两个人脸的差异进行建模，但是作者看到这种方法降低了可分性。本文将两个人脸进行联合建模，并使用了一个先验条件简化了计算，模型的学习使用了EM算法。本文的方法优于经典的Bayesian face，在LFW数据集取得了92.4%的正确率。本文中人脸特征采用的是高维LBP特征（维度高达100k）。

Bayesian Face

两张人脸分别表示为$x_1$和$x_2$，$H_I$表示两个人脸属于同一个人，$H_E$表示两个人脸属于不同人。人脸验证问题就转变为将$\Delta=x_1-x_2$进行分类的问题，也就是判断$P(H_I\vert \Delta)$和$P(H_E\vert \Delta)$的大小。根据贝叶斯公式：

$$P(H_I\vert \Delta)=\frac{P(\Delta\vert H_I)*P(H_I)}{P(\Delta)}$$ $$P(H_D\vert \Delta)=\frac{P(\Delta\vert H_D)*P(H_D)}{P(\Delta)}$$
其中，先验概率 $P(H_I)=P(H_D)$，判断两个脸是不是同一个人只需要比较上面两个后验概率的大小。

将上面两个式子相除，可得：

$$\frac{P(H_I\vert \Delta)}{P(H_D\vert \Delta)}= \frac{P(\Delta\vert H_I)}{P(\Delta\vert H_D)}$$
把似然比拿出来可以写成
$$r(x_1,x_2)=\log \frac{P(\Delta\vert H_I)}{P(\Delta\vert H_D)}$$
根据 $r(x_1,x_2)$就可以判断两张脸是不是属于同一个人，若 $r(x_1,x_2)>0$则 $P(H_I\vert \Delta)$大于 $P(H_E\vert \Delta)$，可以认为是同一个人。根据实际要求，还可以调节 r(x1,