基于深度自编码器的热红外至可见光人脸识别
计算机视觉与模式识别
2020-02-12 v1 机器学习
图像与视频处理
摘要
可见光人脸识别系统利用深度学习达到了近乎完美的识别准确率。然而，在缺乏光照的情况下，这些系统表现不佳。解决该问题的一种方法是热红外至可见光跨域人脸匹配。这是一项备受期待的技术，因其在夜间监控中的实用性。尽管如此，由于两个域之间的差异，这是一个极具挑战性的人脸识别问题。在本文中，我们提出了一种基于深度自编码器的系统来学习可见光与热红外人脸图像之间的映射。此外，我们评估了配准在热红外至可见光人脸识别中的影响。为此，我们手动标注了Carl和EURECOM数据集上的面部关键点。所提出的方法在三个公开可用数据集上进行了广泛测试：Carl、UND-X1和EURECOM。实验结果表明，所提出的方法显著改进了当前最优（SOTA）水平。我们观察到配准使性能提升了约2%。本研究中的标注面部关键点位置可从以下链接下载：github.com/Alpkant/Thermal-to-Visible-Face-Recognition-Using-Deep-Autoencoders。
引用
@article{arxiv.2002.04219,
title = {Thermal to Visible Face Recognition Using Deep Autoencoders},
author = {Alperen Kantarcı and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:2002.04219},
year = {2020}
}
备注
5 pages, 3 figures, 2019 International Conference of the Biometrics Special Interest Group (BIOSIG)