Ερευνητές του αμερικανικού στρατού ανέπτυξαν μια τεχνική η οποία συνδυάζει τεχνητή νοημοσύνη με machine learning προκειμένου να δημιουργεί μια εικόνα προσώπου με βάση το θερμικό του αποτύπωμα, όπως αυτό παρατηρήθηκε σε συνθήκες χαμηλού φωτός. Η εξέλιξη αυτή θα μπορούσε να φέρει πραγματική επανάσταση στα βιομετρικά συστήματα ασφαλείας και να δει ευρεία χρήση στις νυχτερινές στρατιωτικές επιχειρήσεις – και ειδικότερα την ανάλυσή τους.
Θερμικές κάμερες και αισθητήρες (FLIR- Forward Looking Infrared) χρησιμοποιούνται σε αεροσκάφη και οχήματα, παρατηρητήρια κ.α. για σκοπούς παρακολούθησης και ασφαλείας. Η δυνατότητα αυτόματης αναγνώρισης προσώπου τη νύχτα μέσω αυτών είναι ιδιαίτερα χρήσιμη για στρατιώτες και μέλη των υπηρεσιών ασφαλείας, προκειμένου να μπορούν να εντοπίζουν γρήγορα άτομα που αναζητούνται- και σκοπός της τεχνολογίας αυτής, που ανέπτυξαν οι Μπέντζαμιν Ρίγκαν, Ναθάνιελ Σορτ και Σουόβεν Χου του US Army Research Laboratory- είναι να βελτιώνει τόσο τις ανθρώπινες, όσο και τις αυτοματοποιημένες δυνατότητες αναγνώρισης προσώπου.
«Η τεχνολογία αυτή επιτρέπει τη σύγκριση μεταξύ θερμικών εικόνων προσώπου και υπαρχόντων βιομετρικών βάσεων δεδομένων/ λιστών που περιλαμβάνουν μόνο ευδιάκριτες εικόνες προσώπου» λέει σχετικά ο Ρίγκαν. «Παρέχει έναν τρόπο στους ανθρώπους να συγκρίνουν οπτικά ευδιάκριτες και θερμικές εικόνες προσώπου, μέσω σύνθεσης από θερμικό στο ευδιάκριτο».
Όπως είπε, υπό συνθήκες νύχτας και χαμηλού φωτός υπάρχει ανεπαρκές φως για να μπορούν συμβατικές κάμερες να πιάνουν εικόνες προσώπου προς αναγνώριση χωρίς ενεργό φωτισμό, όπως φλας ή προβολέα. Ωστόσο οι θερμικές κάμερες είναι ιδανικές για αυτές τις συνθήκες.
«Χρησιμοποιώντας θερμικές κάμερες για να πιάνουμε εικόνες προσώπου, η κύρια πρόκληση είναι ότι οι θερμικές εικόνες πρέπει να αντιστοιχίζονται με μια λίστα που περιλαμβάνει μόνο συμβατικές, ευδιάκριτες εικόνες από γνωστά άτομα ενδιαφέροντος» λέει ο Ρίγκαν. «Οπότε, το πρόβλημα γίνεται αυτό που αναφέρεται ως cross-spectrum, ή ετερεγονής αναγνώριση προσώπου».
Η τεχνική αυτή συνδυάζει προηγμένες τεχνικές βασισμένες σε βαθιά νευρωνικά δίκτυα. Η θεμελιώδης προσέγγιση έχει δύο βασικούς πυλώνες: Ένα μη γραμμικό μοντέλο οπισθοδρόμησης που μετατρέπει μία θερμική εικόνα σε μια αντίστοιχη, ευδιάκριτη αναπαράσταση και τη βελτιστοποίηση, που μεταφέρει την προβολή αυτή πίσω στον «χώρο» της εικόνας.
Λεπτομέρειες πάνω σε αυτή την έρευνα παρουσιάστηκαν τον Μάρτιο σε τεχνικό paper με το όνομα «Thermal to Visible Synthesis of Face Images using Multiple Regions» στην IEEE Winter Conference on Applications of Computer Vision στη Νεβάδα. Σε επίδειξη που έγινε οι ερευνητές έδειξαν πως μια θερμική εικόνα κάποιου μπορεί να χρησιμοποιηθεί για την επί τόπου παραγωγή μιας συνθετικής, ευδιάκριτης εικόνας. Ο Ρίγκαν και οι συνάδελφοί του συνεχίζουν την έρευνα πάνω στον τομέα, με την υποστήριξη της Defense Forensics and Biometrics Agency.