新的人工智能系统可以在黑暗中识别人脸

科学家开发了一种即使在黑暗中也能识别人的脸的人工智能，这一发展可能会导致增强实时生物识别技术和夜间秘密行动的任务后法医分析。

这项由美国陆军研究实验室(ARL)的研究人员开发的技术的动机是增强自动和人类匹配能力。

ARL的研究科学家Benjamin S Riggan说：“这项技术可以将热人脸图像和现有的生物识别人脸数据库/观察名单进行匹配，这些数据库/观察名单只包含可见的人脸图像。”

Riggan说：“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来直观地比较可见和热面部图像。”

在夜间和弱光条件下，如果没有闪光灯或聚光灯等主动照明，传统的摄像机无法捕捉面部图像以进行识别，这将泄露此类监控摄像机的位置。

然而，捕捉活体皮肤组织自然散发的热特征的热照相机是这种情况下的理想选择。

里根说：“当使用热摄像机捕捉面部图像时，主要的挑战是捕捉到的热图像必须与只包含已知感兴趣的人的传统可见图像的观察名单或画廊相匹配。”

“因此，问题变成了所谓的跨谱或异构人脸识别。在这种情况下，以一种方式获得的面部探针图像与使用不同成像方式获得的画廊数据库进行匹配，“她说。

该方法利用了基于深度神经网络的领域自适应技术。该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到相应的可见潜在表示；一个优化问题，将潜在投影投射回图像空间。

研究人员表明，将全局信息（如整个面部的特征）和局部信息（如眼睛、鼻子和嘴巴等鉴别基准区域的特征）结合起来，可以增强合成图像的鉴别能力。

他们展示了如何在热人脸签名中使用来自全局和局部区域的热到可见映射表示来合成精细的可见人脸图像。

合成图像的优化问题试图共同保持整个人脸的形状和局部基准细节的外观。

利用合成的热-可见图像和现有的可见图库图像，他们使用通用的开源深度神经网络架构进行人脸识别实验。

所使用的体系结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，他们的方法取得了比生成对抗网络方法更好的验证性能，该方法以前表现出照片真实感。

他说，里根将这一结果归因于这样一个事实，即GANs的博弈论目标立即寻求生成与训练图像在动态范围和类似照片的外观上足够相似的图像，同时有时忽略了保留识别特征。

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类裁决的识别精度。

研究人员展示了这项技术的近实时演示。概念验证演示包括使用一台FLIR玻色子320热像仪和一台几乎实时运行该算法的笔记本电脑。

这次演示向观众展示了捕捉到的人的热图像可以用来在原位生成合成的可见图像。