Reconnaissance de visage thermique vers visible utilisant des autoencodeurs profonds

Les systèmes de reconnaissance faciale visibles atteignent des taux de précision quasi parfaits grâce à l’apprentissage profond. Toutefois, en l’absence de lumière, leur performance se dégrade considérablement. Une solution à ce problème réside dans le recalage croisé entre domaines thermique et visible pour la reconnaissance faciale. Cette technologie est particulièrement souhaitable en raison de son utilité dans les systèmes de surveillance nocturne. Néanmoins, en raison des différences intrinsèques entre ces deux domaines, il s’agit d’un problème de reconnaissance faciale extrêmement difficile. Dans cet article, nous proposons un système basé sur un autoencodeur profond afin d’apprendre la correspondance entre les images faciales visibles et thermiques. Nous évaluons également l’impact de l’alignement sur la reconnaissance faciale thermique-vers-visible. À cet effet, nous avons manuellement annoté les points de repère faciaux sur les jeux de données Carl et EURECOM. L’approche proposée est largement évaluée sur trois jeux de données publiques : Carl, UND-X1 et EURECOM. Les résultats expérimentaux montrent que la méthode proposée améliore significativement l’état de l’art. Nous observons que l’alignement améliore la performance d’environ 2 %. Les positions des points de repère faciaux annotés dans cette étude sont disponibles au lien suivant : github.com/Alpkant/Thermal-to-Visible-Face-Recognition-Using-Deep-Autoencoders.