许多面部识别系统依赖于以可见光捕获的图像，这些图像可能会受到各种因素（例如照明条件，天气和一天中的时间）的影响，从而导致识别率波动。此外，种族之间的肤色差异也会影响光线从脸上反映出来的方式。
为了应对这些挑战，已经开发了热红外面部识别系统。这些系统使用IR摄像头捕获面部表面的热发射率，从而产生更稳定的图像。由于热IR传感器检测到人脸发出的热模式，因此它们不受环境照明条件的影响。
虽然生物识别应用程序和执法机构正在探索潜在的液位面部识别系统的使用，但要承认所涉及的障碍至关重要。热图像可能易受噪声，模糊，空间分辨率丢失和温度变化等问题的影响。
与阿拉伯公开大学和科威特技术学院相关的研究人员团队建议使用卷积神经网络（CNN）识别降解的热面图像。结果表明，CNN模型具有强大的识别能力，并在此类图像中有效地表现。
CNN的力学
卷积神经网络利用有监督的学习，在该学习中，他们在具有已知输入输出对的标签数据集上进行了培训。在整个培训过程中，CNN通过使用反向传播和梯度下降来最大程度地降低预测和实际标签之间的差异，从而学习每一层最有效的过滤器和权重。
该研究论文强调了随机梯度下降（一种迭代优化算法）的使用，以通过减少损失的方式调整模型参数来最大程度地减少函数。通过迭代应用随机梯度下降并更新参数，CNN可以完善其预测。通常，给定输入的最终预测是具有最高概率的类。
该研究利用了Resnet-50体系结构，该体系结构是通过堆叠残留块构建的。每个块包含执行3×3卷积的层，然后进行批处理归一化和激活功能。 Resnet还解决了消失的梯度的挑战，在该梯度的较深层中，梯度大大减少了网络的层次，从而阻碍了有效的学习。
实验是使用7,500个热图像的数据集进行的。这些方案包括不同图像质量水平，空间分辨率降低以及面部姿势和表达的差异。正如研究所表明的那样，提出的CNN方法表明识别率很高。
