如今，德国卡尔斯鲁厄理工学院的 Saquib Sarfraz 和 Rainer Stiefelhagen 表示，他们已经研究出了如何建立中、远程红外面部图像，与对应的可见光图像的关系。他们已经完美的教导神经网络来完成所有的工作。
面部散发红外线的方式，与它反射光线的方式完全不同。散发的红外线与空气的温度和皮肤的温度十分相关，而这些又取决于人体的活动水平，以及人体是否有发烧等情况的影响。
还有一个问题使得红外线图像难以辨认面部：可见光图像具有更高的解析度，而远红外线图像则低得多，这是由摄像机的性质而定的。总之，这些因素使得匹配红外线图像与对应的可见光图像变得很难。
但是近年来深层神经网络在应对各种复杂问题的改善上，给予了 Sarfraz 和 Stiefelhagen 启发。为什么不训练神经网络通过观察红外线版本的图像，从而识别可见光的面部？近年来，两个重要因素的结合使得神经网络变得更加强大。
一是更好地了解如何建立和调整网络来执行任务，这项技术领导了深度神经网络的创建。
二是大型注释的数据集的可用性越来越高，它们可被用来训练神经网络。
将红外线与可见光图像进行比较的数据集很难得到，不过 Sarfraz 和 Stiefelhagen 还是从圣母大学那得到了可用的数据：来自于82人的4585张照片，有分辨率为1600 1200的可见光图像，和分辨率为312 x 239的远红外图像。该数据集包含了人们面带微笑、大笑，以及自然表情的图像，并以两种不同的光线条件来捕捉每天人们的外观变化。
之后，他们将图像分割成像素为20 20的相互重叠的各部分，从而扩充数据库。最后，Sarfraz 和 Stiefelhagen 使用前41个人的图像来训练他们的神经网络，并用另外41个人的图像进行测试。
从测试结果来看，神经网络能够在短短35毫秒内，完成热成像图与其对应的可见光图像的匹配。他们表示：“匹配速度非常得快，能够以28fps的刷新率实时运行。”
但这并不意味着它已趋于完美。测试结果表明，最好的结果其精度也只是刚刚超过80％，而一对一的比较精度仅有55％。
更高的精度显然只有更大的数据集和更强大的网络才能办到，但因此其成本也会更高。不过对这项技术感兴趣的客户，很可能是那些涉及到安全相关的军事、执法机构和政府等，它们并不缺钱。
本文来源：cnbeta网站
责任编辑：
王晓易_NE0011
