热红外 (IR) 面部识别技术最近取得了长足进步。《国际信息与通信技术杂志》上发表的研究使我们向可行系统又迈进了一步，该系统克服了传统可见光系统的一些局限性。

阿尔迪亚阿拉伯开放大学计算机研究学院的纳赛尔·扎埃里 (Naser Zaeri) 和科威特阿布哈利法科威特技术学院的鲁苏尔·R·卡西姆 (Rusul R. Qasim) 解释了红外成像如何避免可见光面部识别中出现的环境照明条件和肤色变化问题。

热成像的使用依赖于捕捉面部发出的独特热量模式，而不是反射光。观察到的热量模式几乎完全由人的面部血管和皮肤下的组织结构决定。

总体而言，无论环境光和肤色如何，这些结果都是一致的。这使得热红外成为生物识别领域中可见光成像的更可靠替代方案。

然而，热识别技术也面临挑战，该技术经常需要应对噪声、模糊、空间分辨率降低、温度漂移等因素造成的图像质量下降问题。

此外，面部表情和姿势的变化也会使识别过程复杂化。要克服这些问题，需要先进的方法，即使在不太理想的条件下也能准确处理和识别面部。

Zaeri 及其同事展示了卷积神经网络 (CNN) 在增强劣化热面部图像识别方面的潜力。CNN 是一类深度学习模型，由于其能够自动从原始图像中提取和学习复杂特征而无需进行大量预处理，因此对计算机视觉领域产生了重大影响。这种能力使 CNN 特别适合应对生物识别挑战。

该团队采用了著名的 ResNet-50 CNN 架构。他们将其应用于 7,500 张热图像的数据库，以评估不同质量、面部表情和姿势不同的图像的性能。