Les réseaux neuronaux convolutionnels semblent prometteurs pour améliorer la technologie de reconnaissance faciale

La technologie de reconnaissance faciale thermique et infrarouge (IR) a progressé rapidement ces derniers temps. Des recherches publiées dans Journal international des technologies de l'information et de la communicationnous fait franchir une nouvelle étape vers un système viable qui surmonte certaines des limites des systèmes traditionnels à lumière visible.

Naser Zaeri de la Faculté d'informatique de l'Université arabe ouverte d'Ardiya et Rusul R. Qasim du Collège technique du Koweït à Abu-Halifa, au Koweït, expliquent comment l'imagerie IR évite le problème des conditions d'éclairage ambiant et des variations de teint observées avec la reconnaissance faciale en lumière visible.

L'imagerie thermique consiste à capturer les modèles de chaleur uniques émis par le visage plutôt que la lumière réfléchie. Le modèle de chaleur observé est déterminé presque entièrement par la vascularisation faciale d'une personne et par les structures tissulaires sous la peau.

Ces résultats sont globalement cohérents, indépendamment de l'éclairage ambiant et de la couleur de la peau. Cela pourrait faire de l'IR thermique une alternative beaucoup plus fiable à l'imagerie en lumière visible pour l'identification biométrique.

Cependant, la reconnaissance thermique est confrontée à des défis. La technologie doit souvent faire face à une qualité d'image dégradée en raison de facteurs tels que le bruit, le flou, la résolution spatiale réduite et la dérive de température.

De plus, les variations d’expression et de pose du visage peuvent compliquer le processus de reconnaissance. Pour surmonter ces problèmes, il faut des méthodes avancées capables de traiter et de reconnaître avec précision les visages, même dans des conditions moins qu’idéales.

Zaeri et ses collègues ont démontré le potentiel des réseaux neuronaux convolutionnels (CNN) pour améliorer la reconnaissance d’images faciales thermiques dégradées. Les CNN sont une classe de modèles d’apprentissage profond qui ont eu un impact significatif dans le domaine de la vision par ordinateur, grâce à leur capacité à extraire et à apprendre automatiquement des caractéristiques complexes à partir d’images brutes sans nécessiter de prétraitement approfondi. Cette capacité rend les CNN particulièrement bien adaptés pour relever le défi biométrique.

L'équipe a travaillé avec l'architecture CNN ResNet-50 bien connue. Ils l'ont appliquée à une base de données de 7 500 images thermiques afin d'évaluer les performances avec des images de qualité différente et où l'expression du visage et la pose sont différentes.

Les résultats prometteurs montrent que ce système basé sur CNN peut atteindre une meilleure précision de reconnaissance même avec des images thermiques dégradées et fonctionne dans une large gamme de scénarios. Les travaux auront des applications dans le domaine de la sécurité et dans le monde militaire.