陆军研究人员开发了一种人工智能和机器学习技术，可以从在低光或夜间条件下捕捉到的人的面部热图像中生成可见的面部图像。这种发展可能导致增强的实时生物识别和任务后取证分析的秘密夜间行动。

像FLIR或前视红外这样的热成像摄像机，传感器被积极部署在空中和地面车辆上，在瞭望塔和检查点上，用于监视目的。最近，热感相机可以作为随身相机使用。使用这种热成像摄像机在夜间执行自动人脸识别的能力有助于通知士兵某人是感兴趣的人，比如某人可能在监视名单上。

这项技术的动机是由博士开发的。来自美国陆军研究实验室的Benjamin S. Riggan, Nathaniel J. Short和Shuowen“Sean”Hu将增强自动和人工匹配能力。

研究科学家Riggan说:“这项技术可以将热人脸图像与现有的只包含可见人脸图像的生物面部数据库/监视列表进行匹配。”“这项技术为人类提供了一种方法，通过热到可见的面部合成，在视觉上比较可见和热的面部图像。”

他说，在夜间和光线较暗的条件下，没有闪光或聚光灯等主动照明，传统相机捕捉面部图像进行识别的光线不足，这将暴露监控相机的位置;然而，热成像相机捕捉活的皮肤组织自然发出的热信号是这种情况下的理想选择。

Riggan说:“当使用热成像相机捕捉面部图像时，主要的挑战是捕捉到的热图像必须与只包含已知相关人员的常规可见图像的监视列表或图库相匹配。”“因此，这个问题就变成了所谓的跨光谱或异质人脸识别。在这种情况下，通过一种成像方式获得的面部探测图像与使用不同成像方式获得的图库数据库进行匹配。”

该方法利用了基于深度神经网络的先进领域适应技术。基本方法由两个关键部分组成:一个非线性回归模型将给定的热图像映射为相应的可见潜在表示，另一个优化问题将潜在投影投影回图像空间。

这项工作的细节在今年3月于内华达州塔霍湖举行的IEEE计算机视觉应用冬季会议(简称WACV)上发表的一篇技术论文《多区域人脸图像的热到可见合成》中提出，该会议由来自学术界、工业界和政府的学者和科学家组成。

在会议上，陆军研究人员演示了将全局信息(如整个面部的特征)和局部信息(如辨别基准区域的特征，如眼睛、鼻子和嘴)结合起来，增强了合成图像的可辨性。他们展示了如何结合使用来自热人脸特征中的全局和局部区域的热到可见映射表示来合成精致的可见人脸图像。

图像合成的优化问题试图同时保留整个人脸的形状和局部基准细节的外观。利用合成的热到可见图像和现有的可见图库图像，他们使用一种常见的用于人脸识别的开源深度神经网络架构进行了人脸验证实验。所使用的架构是为基于可见的人脸识别而明确设计的。最令人惊讶的结果是，他们的方法比基于生成对抗网络的方法取得了更好的验证性能，之前的方法显示了照片真实感的特性。

Riggan将这一结果归因于GANs的博弈论目标，即立即寻求生成与训练图像在动态范围和照片般的外观上足够相似的图像，而有时忽略了保留识别特征，他说。ARL开发的方法保留身份信息，以增强识别能力，例如，提高自动人脸识别算法和人工裁决的识别精度。

作为论文展示的一部分，ARL的研究人员展示了这项技术的近实时演示。概念论证的证明包括使用FLIR玻色子320热成像相机和一台笔记本电脑在接近实时的情况下运行算法。这个演示向观众展示了捕捉到的人的热图像可以用来在现场合成可见图像。这项工作在会议的面部/生物识别部分获得了最佳论文奖，提交的论文超过70篇。

Riggan说，他和他的同事们将在国防取证和生物识别机构的赞助下继续扩展这项研究，为士兵开发强大的夜间面部识别能力。

---

了下:航空+国防

---