紅外線監控視頻或者是紅外線閉路電視的影像所存在的一個問題就是，它難以利用這些圖像來識別出人物的身份。面部在紅外線成像中看起來會有很大的不同，要將紅外線圖像與他們正常外觀的圖像進行匹配是一個尚未解決的挑戰。人們的外表在紅外線和可見光之間的關系是高度非線性的，紅外線其趨向于使用被動傳感器來檢測人體所散發出來的光線，而不是人體所反射的光線。
如今，德國卡爾斯魯厄理工學院的 Saquib Sarfraz 和 Rainer Stiefelhagen 表示，他們已經研究出了如何建立中、遠程紅外面部圖像，與對應的可見光圖像的關系。他們已經完美的教導神經網絡來完成所有的工作。
面部散發紅外線的方式，與它反射光線的方式完全不同。散發的紅外線與空氣的溫度和皮膚的溫度十分相關，而這些又取決于人體的活動水平，以及人體是否有發燒等情況的影響。
還有一個問題使得紅外線圖像難以辨認面部：可見光圖像具有更高的解析度，而遠紅外線圖像則低得多，這是由攝像機的性質而定的。總之，這些因素使得匹配紅外線圖像與對應的可見光圖像變得很難。
但是近年來深層神經網絡在應對各種復雜問題的改善上，給予了 Sarfraz 和 Stiefelhagen 啟發。為什么不訓練神經網絡通過觀察紅外線版本的圖像，從而識別可見光的面部?近年來，兩個重要因素的結合使得神經網絡變得更加強大。
一是更好地了解如何建立和調整網絡來執行任務，這項技術領導了深度神經網絡的創建。
二是大型注釋的數據集的可用性越來越高，它們可被用來訓練神經網絡。
將紅外線與可見光圖像進行比較的數據集很難得到，不過 Sarfraz 和 Stiefelhagen 還是從圣母大學那得到了可用的數據：來自于82人的4585張照片，有分辨率為1600×1200的可見光圖像，和分辨率為312 x 239的遠紅外圖像。該數據集包含了人們面帶微笑、大笑，以及自然表情的圖像，并以兩種不同的光線條件來捕捉每天人們的外觀變化。
之后，他們將圖像分割成像素為20×20的相互重疊的各部分，從而擴充數據庫。最后，Sarfraz 和 Stiefelhagen 使用前41個人的圖像來訓練他們的神經網絡，并用另外41個人的圖像進行測試。
從測試結果來看，神經網絡能夠在短短35毫秒內，完成熱成像圖與其對應的可見光圖像的匹配。他們表示：“匹配速度非常得快，能夠以28fps的刷新率實時運行。”
但這并不意味著它已趨于完美。測試結果表明，最好的結果其精度也只是剛剛超過80%，而一對一的比較精度僅有55%。更高的精度顯然只有更大的數據集和更強大的網絡才能辦到，但因此其成本也會更高。不過對這項技術感興趣的客戶，很可能是那些涉及到安全相關的軍事、執法機構和政府等，它們并不缺錢。
轉載請注明出處。
相關文章
熱門資訊
精彩導讀
關注我們
