根据Lambertian refletance model,面部图像可以用模型
来进行表示。其中R（x,y）代表光照不变量，它的范围是0到1之间。I（x,y）表示(x,y)点处的光照强度。
传统的光照illumination的评价方法通常认为illumination（光照）变化缓慢。但是，在实际情况中，并不是这样的。在理想情况下F中的最大值就最接近illumination（光照值）了。但是，在真实场景中，通常没有这种情况。I（x,y）表示照在脸上的光照强度，这个光的强度在光遮挡边缘变化迅速，其他区域就很缓慢。对于光照变化缓慢的地方，F的局部最大值是其中心像素的一个合理的光照估计。但是，对于光照变换快的遮光边缘像素，采用局部最大像素值进行光照估计是不合适的。
对于这两种情况，我们设计了两种模型I和II。分别如下。
其中（2）就是模型I，（3）和（4）就是模型II。
其中Ω表示以像素（x,y）为中心图像的局部窗口.
Oi,j表示Ω周围的像素。min(.)和max(.)为计算这个窗口的最大值和最小值。
我们得到了Im和Is之后，光照融合是为了细化光照而确定。在融合中，我们首先用图像分割来区分遮光边缘和其他区域。然后定义F（x,y）的融合光照估计结果为IMS（x,y）为。
其中mean(.)函数表示这个图像的平均值，k是一个参数，范围是0到1.我们设计了一个自适应各项异性高斯滤波器来建立相邻像素之间的相关关系，并将最终的光照估计结果i(x,y)定义为：
其中G表示具有标准差P的高斯核。Ω表示卷积核的尺度，p(x,y,Ω)是G在像素IMS（x,y）处的自适应各向异性模板，IMS（i,j）表示Ω内IMS（x,y）的相邻像素。
（x,y）点上的光照不变量可以估计为。
如果I（x,y）是0的话，用epsilon代替0来保证Eq的有效性。
为了更清晰的描述：我们的方法的详细流程图可以由Fig.1来看。