許多面部識別系統依賴於以可見光捕獲的圖像，這些圖像可能會受到各種因素（例如照明條件，天氣和一天中的時間）的影響，從而導致識別率波動。此外，種族之間的膚色差異也會影響光線從臉上反映出來的方式。
為了應對這些挑戰，已經開發了熱紅外面部識別系統。這些系統使用IR攝像頭捕獲面部表面的熱發射率，從而產生更穩定的圖像。由於熱IR傳感器檢測到人臉發出的熱模式，因此它們不受環境照明條件的影響。
雖然生物識別應用程序和執法機構正在探索潛在的液位面部識別系統的使用，但要承認所涉及的障礙至關重要。熱圖像可能易受噪聲，模糊，空間分辨率丟失和溫度變化等問題的影響。
與阿拉伯公開大學和科威特技術學院相關的研究人員團隊建議使用卷積神經網絡（CNN）識別降解的熱面圖像。結果表明，CNN模型具有強大的識別能力，並在此類圖像中有效地表現。
CNN的力學
卷積神經網絡利用有監督的學習，在該學習中，他們在具有已知輸入輸出對的標籤數據集上進行了培訓。在整個培訓過程中，CNN通過使用反向傳播和梯度下降來最大程度地降低預測和實際標籤之間的差異，從而學習每一層最有效的過濾器和權重。
該研究論文強調了隨機梯度下降（一種迭代優化算法）的使用，以通過減少損失的方式調整模型參數來最大程度地減少函數。通過迭代應用隨機梯度下降並更新參數，CNN可以完善其預測。通常，給定輸入的最終預測是具有最高概率的類。
該研究利用了Resnet-50體系結構，該體系結構是通過堆疊殘留塊構建的。每個塊包含執行3×3卷積的層，然後進行批處理歸一化和激活功能。 Resnet還解決了消失的梯度的挑戰，在該梯度的較深層中，梯度大大減少了網絡的層次，從而阻礙了有效的學習。
實驗是使用7,500個熱圖像的數據集進行的。這些方案包括不同圖像質量水平，空間分辨率降低以及面部姿勢和表達的差異。正如研究所表明的那樣，提出的CNN方法表明識別率很高。
