论文翻译（15）--Thermal Face Recognition Under Temporal Variation Conditions

Thermal Face Recognition Under Temporal Variation Conditions

论文地址：链接：https://pan.baidu.com/s/13Zgz-vFUOXrCfECoIBSBkg
提取码：dhp4

时间变化条件下的热人脸识别

摘要:本文分析了红外人脸图像在用于人脸识别系统时产生的时间变化问题。热人脸图像中存在的时间变化主要是由于不同的环境条件、受试者的生理变化以及红外探测器在捕获时的响应度差异，这些都会影响红外人脸识别系统的性能。为了完成这篇论文，我们创建了两个热面数据库，其中包括真实和可变条件下的捕捉会话。我们还提出了两个标准来量化数据集之间的时间变化。热人脸识别系统采用了以下五种方法:局部二值模式(LBP)、韦伯线性描述子(WLD)、Gabor jet描述子、尺度不变特征变换和加速鲁棒特征。结果表明，基于局部匹配的方法(WLD和LBP)大多不受时间变化的影响，当人脸图像经过一段时间后获得时，时间变化是明显的，而其他方法明显受到影响，不适合实际的红外人脸识别。

关键词：红外照相机，红外光谱，人脸识别，时间变化问题，热人脸识别。

I. INTRODUCTION

人脸识别是计算机视觉领域最常用的应用之一，计算机通过人脸的数字图像自动识别一个人。人脸识别系统用于访问移动设备上的应用程序[1]，[2]，在机场搜索嫌疑人[3]或控制进入受限区域。因此，由于人脸识别系统主要用于与安全相关的任务，它们必须是鲁棒的，这在几项技术调查中进行了分析[4]，[5]。

由于传统的电荷耦合器件/互补金属氧化物半导体扫描仪的低成本，人脸识别通常使用可见光谱中的图像来执行，并且可见人脸识别有多种迭代[6]–[8]。然而，在实际操作场景中，照明条件会因不同因素而有所不同，例如不同的拍摄时间或天气。不幸的是，在可视域中使用的绝大多数人脸识别方法都受到这些光照强度变化的影响[7]，[9]。

克服可见光图像中照明问题的一个可能的解决方案是使用红外图像，特别是在8-12米范围内捕获的热图像。红外图像对照明条件的变化保持不变。红外图像的不变性是由于热辐射的光谱范围，因为漫射能量是由人脸直接发射并由红外相机捕获的，而不是像可见光谱那样由人脸反射。因此，扩散能量的空间分布对于每个对象是唯一的，并且可以用作由普朗克定律支配的描述符。此外，使用维恩位移定律，可以说人体红外发射率(0.97)精确地包含在热范围内:8-12米。

进行红外人脸识别的另一个选择是使用近红外图像，这些图像位于可见光谱(0.7-1.1米)之上。这些类型的图像具有面部特征(新陈代谢、情绪和健康状况)，这些特征比可用于面部识别的可见光谱和热光谱变化更小。然而，近红外子带中的面部热辐射非常小，需要合适的照明器来进行面部识别(主动识别)[10]，[11]。与近红外相比，热感相机可以被动使用在没有外部光源的情况下感知面部热辐射[12]。
近年来，已经进行了大量的研究来比较可见和热人脸识别方法，主要基于对使用在单次会话(室内或室外)中获得的图像所获得的结果的分析[13]–[17]。尽管如此，这些研究没有考虑场景的变化，场景保持不变，此外，他们没有分析不同时间的图像捕捉。其他研究表明，在多次会话中获取的热图像的使用导致主要使用基于外观的方法进行人脸识别的识别率较低，这主要是由于长时间采集后的时间变化会影响图像[13]，[18]–[ 20]。同样的研究还表明，长时间采集的热图像会因多种因素而发生变化，例如:(1)血液流动变化和再分布的代谢效应，导致皮肤温度的突然变化；(2)环境条件变化的影响；以及(3)由于过热或过冷，或者例如日常情况，如在健身房进行体育锻炼，导致的温度变化。然而，这些研究报告的低识别率主要是由于使用了基于外观的方法，如主成分分析(PCA)、局部特征分析(LFA)和其他方法，因为这些方法在一段时间内可能会影响多次成像。考虑到这一点，在[18]和[19]中报告的研究得出结论，通过在可见光和热图像之间使用多模式捕获方案，有可能获得人脸识别系统性能的显著提高，部分解决了时间问题。然而，需要使用两个光谱范围，因此需要两个摄像机，这不是纯热人脸识别的直接解决方案。

在本文中，我们分析了红外人脸识别中的时间变化问题，同时考虑到人脸识别方法被设计为对遮挡、姿态和伪影具有鲁棒性[17]、[21]、[22]，并且可以克服基于外观的方法的性能问题。特别是，我们建议使用以下人脸识别方法:局部二值模式(LBP)、韦伯局部描述符(WLD)、加博尔射流描述符(GJD)、尺度不变特征变换方法(SIFT)和加速鲁棒特征(SURF)，以研究它们对在多个会话中获取的图像的性能，然后进行比较研究。此外，由于很少有数据库可以提供随着时间的推移多次采集的热图像，我们建立了两个开放访问数据库，并提出了两个新的标准，可以量化数据集与人脸识别方法的分析结果之间的时间变化。

第二节介绍并解释了本研究中建立的热数据库。第三节介绍了热脸图像中呈现的时间变化的研究。第四节简要介绍了本研究中使用的方法，以开发我们的人脸识别系统。第五节显示了人脸识别实验和结果。最后，第六节介绍了研究的主要结论。

II. THERMAL FACE DATABASES

红外图像是使用热相机获取的，热相机可以估计人体的温度，并通过热成像[23]，[24]的过程生成图像。热传感器收集的能量是与摄像机捕获的场景中存在的不同元素相关的几个能量分量的总和。一个场景可以分为三个要素:被测物体、背景和大气。这些组件之一的变化可能会影响红外摄像机执行的温度估计，从而影响面部识别。因此，使用热人脸图像进行人脸识别的主要挑战包括:由环境温度和天气变化产生的不良变化——称为外部因素——和内部因素，例如当红外照相机长时间工作时的可变传感器响应，以及受试者代谢过程中的生理变化(例如疾病)。外在和内在因素都会在人脸图像中产生时间变化，影响热人脸识别性能，这也称为时移问题。对于这两个数据库，所有的图像都是在23℃和24℃之间的受控环境中采集的，使得背景或任何可能导致热脸图像中热变化的大气因素的影响最小化。因此，图像仅暂时受到无法控制的生理因素的影响，观察受试者的时间代谢变化，例如在捕获期间他们的外观变化(胡须、理发、小胡子等)。)。

利用UCHThermalTemporalFace (UCH-TTF)和PuchtHermaltemporal face(PUCV-TTF)数据库进行热域人脸识别实验。由于文献中缺乏用于研究热人脸识别中时间问题的数据库，因此本文建立了UCH-专题传递函数和PUCV-专题传递函数数据库。来自数据库的受试者样本可参见图1。每个数据库的简要描述如下。

A. UCHThermalTemporalFace DATABASE
该数据库由350幅正面热图像组成，这些图像被裁剪并排列成150×81像素和125×225像素。这些图像是在2011年从7个不同的受试者在69天的时间内获得的，对应于每个受试者50个不同的图像(每个采集期一个图像)。这些图像是使用FLIR TAU 320摄像机[25]获得的，该摄像机位于离受试者大约1.1米的位置。图2示出了来自十个不同捕捉会话的对象的示例。

B. PUCVThermalTemporalFace1DATABASE
该数据库于2015年开发，用于验证UCH-TTF 数据库的结果。

该数据库包含在一段时间内多次采集的热图像，它允许我们主要研究热图像的时间变化。该数据库由130幅正面人脸图像组成，这些图像没有表情或物体(眼镜、围巾和人工制品)，由13个不同的受试者在10次采集过程中采集，经过裁剪并对齐为150×81像素和125×225像素。这些图像是在2个月的时间内获得的，每个受试者在每个会话中仅获得一幅图像。拍摄设置包括一个带有前视红外Tau 2 [26]摄像头的三脚架，位于115厘米的高度，距离拍摄对象91.5厘米。背景是白墙(混凝土)，以避免可能影响图像采集的热和可见变化。

两个数据库的图像都是通过手动获取每只眼睛的坐标进行预处理的，然后每幅图像都被裁剪并与眼睛坐标对齐获得150×81和125×225像素的图像。图像是从热像仪以每像素14位的速度拍摄的，然后通过应用最大最小值转换为8位，如(1)所示:

III. DETECTING TEMPORAL VARIATION FEATURES

三.检测时间变化特征
本节中，提出并进一步描述了两种不同的方法来评估由热图像采集中的差异所产生的动态变化。第一种方法包括获得在不同的捕获会话。第二种方法是计算与第一次会话相比，所有会话中面部像素强度变化产生的累积距离。最后，对于每种方法，我们定义一个标准来量化数据库的时间变化。结果是整个数据库中呈现的时间变化的全局指示符。因此，比较数据库并说一个数据库比其他数据库呈现更多的时间变化是可能的。

A. STANDARD DEVIATION IMAGE A.标准差图像

第一种方法包括获得所有会话的脸部热模式的标准偏差的图像。最大的差异是脸部热模式变化的最大可变性，使用所有像素的标准偏差。为了执行这种方法，所有的图像都相对于眼睛的位置正确对齐。然后应用等式2(标准偏差图像)来获得图像，该图像显示了由面部随时间的时间变化产生的每个像素的标准偏差:

图2示出了三个不同时段中两个受试者的图像(左前三列)和相应的“标准差图像”(第四列)。可以观察到标准偏差值很高(红色区域)，主要是鼻子、前额、嘴和脸颊的区域。这表明这些地区存在大量的特征变异。值得注意的是，前额上方有红色像素，表示高度存在变化。然而，这些区域不应该被考虑，因为它们对应于头发，并且不是特征的变化。

计算标准偏差标准(SDC)的过程包括选择标准偏差图像的九个区域，并计算每个区域的平均强度。图3示出了用于从图像获得区域的网格的示例。网格是从[27]获得的，其中研究了温度调节过程。他们使用了一组位于面部血管信息较多的区域的传感器，这些区域可能因代谢变化而发生动态变化。最后，使用等式3在所有受试者之间获得每个区域的平均值:

表1中列出了UCH-TTF和PUCV-TTF。

B. ACCUMULATED DISTANCES IMAGE B.累积距离图像
第二种方法包括分析数据库中第一次采集和其余采集之间的累积距离。该过程使用(4)来执行:
在三个不同的采集时段中，而在第四列中显示了累积距离图像。重要的是要注意，最高的累积距离值也集中在鼻子、前额和脸颊区域。与“标准差图像”方法一样，需要注意的是前额上方的红色区域不是面部的时间变化，而是头发在每个图像中改变位置。

最后，计算累积距离标准的程序与前面提到的方法类似，并在(5)中进行了说明。

首先，我们选择累积距离图像的九个区域，并计算每个区域的平均强度。我们用相应的3×3邻域定义了相同的区域。然后，我们计算在所有受试者之间获得的每个区域的平均值，最后通过每个受试者可用的时间图像的数量来归一化该值(见等式4)。在表2中，我们显示了将累积距离标准应用于UCH-TTF,PUCV-TTF数据库后获得的结果。

从表2中可以看出，大的累积距离标准值表明颞下颌关节主要集中在鼻子(R2)、前额侧和下脸颊区域。再次值得一提的是，这种方法的结果是根据每个对象的图像数量进行归一化的。这意味着它允许在具有不同采集会话数的数据库之间进行更客观的比较，如本例所示。

基于用这两种方法(标准偏差图像和累积距离图像)获得的结果，可以验证时间热脸图像某些区域的变化。此外，可以得出结论，时间变化出现的幅度和频率更大，主要在鼻子区域，其次是前额。请注意，从两个标准(表1和表2)的结果来看，可以说UCH-TTF比PUCV-TTF数据库更加动态。因此，当将热人脸识别系统应用于这两个数据库时，UCH-TTF的识别率将低于PUCV-TTF

IV. DESCRIPTION OF FACE RECOGNITION METHODS

四.人脸识别方法的描述

如前所述，文献中使用的五种方法被选择来生成人脸识别系统。该方法考虑了较高的性能和要求，如实时工作；在一个图库(数据库)中每个人只使用一幅图像进行人脸识别匹配；以及通过相关比较研究[17]、[21]、[22]中的算法获得的高识别率。选择了两种局部匹配方法(LBP和WLD)和三种全局匹配方法(GJD、SIFT和SURF)。此外，它还包括基于外观的方法、主要组件分析(主成分分析)，将它们的结果与匹配方法进行比较，从而证实在现有技术中已经解释的内容——主成分分析方法受随着时间的推移多次采集的图像的影响。由于更多的细节可在与每种方法相关的参考文献中获得，因此对这些方法进行了简要描述。

A. LOCAL BINARY PATTERN HISTOGRAMS (LBP)
在[28]中首次提出了局部二元模式。简而言之，该方法通过比较3×3区域中中心像素与其邻域之间的亮度差异来生成代表人脸局部信息的二进制代码。该方法使用三个层次的局部性:像素级、区域级和整体级，其中通过使用按区域的直方图组合区域LBP提取的特征来获得面部的全局描述。在LBP直方图的实现中，用于给出整体特征的图像的区域数目是80个分区(20×4个区域)。
B. WEBER LOCAL DESCRIPTOR (WLD)
文献[29]中提出的韦伯局部描述子(WLD)是基于韦伯定律的鲁棒描述子。具体来说，WLD由二维直方图组成:不同的兴奋和方向。因此，在给定图像的情况下，使用两个分量(差分激励和方向)来构建WLD直方图。对于WLD直方图的实现，使用与LBP方法相同数量的面部分割，80个分割(20×4个区域)。

C. GABOR JET DESCRIPTORS (GJD)
Gabor滤波器用于人脸识别，因为它们在视觉感知方面与细胞行为相似，并且对变化的光照具有鲁棒性。滤波器通过选择频率、方向和比例来提取特性。喷流是在人脸网格上的不同点计算的，然后应用博尔达计数法获得排名，从而生成人脸识别。本研究的实施基于[30]，比较了各种可分配的特征表示、分类方法和分类器备选方案的组合。
D. SCALE INVARIANT FEATURE TRANSFORM (SIFT)
D.尺度不变特征变换
通常，从测试图像和参考图像中独立提取局部兴趣点，然后用不变描述符来表征，最后匹配描述符，直到获得两个图像之间的给定变换。劳氏系统[31]使用SIFT描述符标准概率假设拒绝阶段，是实现目标识别系统流行选择，给出了它准确性和合理速度。在本研究中，我们使用劳氏系统建立了一个人脸识别系统

E. SPEEDED UP ROBUST FEATURES (SURF)
E.加速鲁棒特征
SURF方法[32]提出了以比SIFT方法更高的速度计算局部兴趣点和描述符的过程。这是通过以下方法实现的:(1)所谓的快速海森检测器，它通过使用积分图像通过盒滤波器和卷积来近似高斯滤波器，(2)比SIFT描述符更容易计算的SURF描述符，并且对应于感兴趣点邻域内的哈尔小波响应的分布。在本研究中，使用了[33]提供的选项表面实现。

F. PRINCIPAL COMPONENT ANAL YSIS (PCA)
主成分分析[14]是一种统计方法，其目的是将数据空间(观察变量)的大维度减少到具有较小维度(自变量)的特征空间，这是有效描述数据(即没有冗余)所需要的。使用主成分分析进行人脸识别的主要思想是将二维人脸图像构造的一个大的一维像素向量表达到特征空间的紧凑主成分中。主成分分析方法传统上用于人脸识别，因此也被称为特征脸。重要的是要注意，主成分分析使用了多种训练图像个人项目(三个图像)，与本工作中使用的其他方法相比，这将产生不太公平的比较结果。

G. NOTATION: METHODS AND VARIANTS
以下符号用于表示本研究中的方法及其变体:A-B-C。参数A用于描述人脸识别方法的名称。参数B表示用作最近邻分类器的相似性度量，SIFT和SURF方法不使用相似性度量。c表示图像大小。请注意，在实验结果中，将只显示每种方法和图像大小的最佳变体。

V. EXPERIMENTS

为了解决在不同时刻采集热图像所产生的人脸动态特征问题，利用两个数据库的图像进行了人脸识别实验:UCHThermalTemporalFace (UCH-TTF)和PuchtHermalTemporal face(PuCV-TTF)。

此外，为了扩大实验范围，对两个数据库中的原始图像进行了修改，以研究人脸识别方法在真实图像捕获条件下的性能。在实际操作场景中，人脸识别系统必须克服一些缺点，例如:受试者佩戴赝品、不同的头部姿势或受试者与摄像机之间的距离可变。为了模拟这些真实情况，在原始图像中加入了眼睛位置的遮挡和噪声。为了在脸部添加遮挡，每个图像被分成大小相等的10个区域(5行，2列)。这些区域中的一个随后被随机地用黑色块覆盖，隐藏该区域的信息(见图5b)。眼睛位置的噪声对应于眼睛位置相对于眼睛在中的原始坐标的位移之和模拟错位的正常正面图像。生成的图像具有三种不同的噪声水平:2.5%、5%和10%(见图5c-5e)。噪声百分比是指眼睛中心之间的距离，两个数据库的所有图像都设置为42像素。每个图像的噪声量在42个像素的0%和最大值2.5%、5%或10%之间随机选择。该噪声值随后被添加到受试者双眼的原始坐标(x，y)中，从而改变面部的对齐方式。
A. EXPERIMENTS PROCEDURE
实验包括进行两项分析。第一项分析旨在研究所有人脸识别方法的性能与人脸的时间变化之间的关系，使用来自UCH-TTF和PUCV-TTF数据库的正常图像，即具有过时修改的图像。第二个分析旨在研究人脸识别方法在模拟真实图像捕获条件下的表现，使用正常、遮挡和未对齐的人脸图像或其他数据库。将结果进行比较，以观察两个数据库中每种方法的趋势，从而验证所选方法的性能。

对于每个会话，生成一个子集，该子集包含来自UCH-TTF的7个热脸图像和来自PUCV-TTF的13个热脸图像，每个人一个。因此，每个数据库分别创建了50个和10个子集。这些子集被命名为UCH-TTF的S1到S50，以及代表会话数量的PUCV-TTF的S1-S10。第一期(S1)被选为画廊集，其余被选为测试集。因此，该实验包括将从第一次会话的评估中获得的识别率与其他会话进行比较，以解决时间问题。所有图像变体(正常、遮挡和眼睛位置有噪声的图像)的过程相同；然而，画廊集S1只包含正常的图像，没有遮挡或噪音。在使用修改图像的情况下，在由来自子集S1的正常图像组成的图库集和修改图像的所有子集(S1到S50，或S1-S10)之间计算识别率。最后，获得平均识别率作为对系统评分的度量。

总之，所有的方法都使用来自两个数据库的正常和修改的图像以及两个图像大小进行了测试。请注意，top-1识别用于计算人脸识别系统的性能。Top-1识别包括从图库/测试集对中获得最相似的图像作为正确的识别。仅考虑每种方法的最佳变体的结果

这一过程是针对本研究中选择的每种人脸识别方法进行的。主成分分析方法的使用不同于其他方法，因为它为每个对象使用多个训练图像。在实验中，每个受试者对应于前三个阶段的三幅图像被用于生成训练图库，其余的用作测试。请注意，与PCA和其他方法的比较是不公平的，因为其他方法只使用图库中的一幅图像，它们不需要训练阶段。

B. EXPERIMENT 1: FACE RECOGNITION METHODS VERSUS TEMPORAL VARIATION
B.实验1:人脸识别方法与时间变化

第一项分析涉及研究不同人脸识别方法的性能，以解决在不同时间捕获人脸热图像时出现的时间变化问题。这种分析将允许我们为每个数据库识别具有最佳性能的方法，识别对热面部图像的时间变化鲁棒的方法。比较数据库之间的结果，以得出六种方法中哪一种具有最佳的全局性能。
表3给出了将人脸识别方法应用于UCH-TTF和PUCV-TTF数据库所获得的结果。具体来说，显示了本研究中使用的识别系统的平均识别率和标准偏差。

从表3可以看出，LBP-HI、GJD-BC和WLD-HI对两个数据库的识别率都很高。好的结果主要是因为新方法不是基于面部图像的外观。对于UCHTTF数据库，GJD方法获得了系统的最佳结果，使用正常图像的性能为96.6%，其次是具有94.9%和92%的最大值。伊夫坦德表面的结果不令人信服，因为这些方法不适用于具有时间变化的图像[17]。
在PUCV-TTF的情况下，实验结果表明当前的一些人脸识别方法对时间问题是鲁棒的，平均识别率达到90%以上。广义地说，对于人脸识别方法，UCH-TTF可以看到与PUCV-TTF数据库相同的行为。主要区别在于，WLD方法获得了98.43%的识别率，排名第一，其次是theLBP方法，获得了93.3%。GJDmethod以89.2%的识别率排在第三位。与从UCH-TTF数据库获得的图像相比，GJD方法显示出识别率的总体下降。SIFT和SURF方法再次显示出较差的性能。

在表3中，我们还可以看到用主成分分析法得到的低结果。UCH-TTF为67.8%，其他为69.2%,对于PUCV -TTF，不超过70%。这是因为主成分分析方法是基于外观的，受热面动态特性的影响；这与引言中提到的内容是一致的。

==总的来说，从表3可以说，有可能克服热图像中的时间变化问题，因为新的局部匹配方法对于热图像的像素值的时间变化几乎是不变的。==最后，考虑到不同人脸识别方法获得的平均识别率和相应的标准差，以及每种方法表现出的鲁棒性，本研究选择WLD方法作为具有最佳全局性能的人脸识别方法。

C. EXPERIMENT 2: FACE RECOGNITION METHODS VERSUS REAL CONDITIONS
C.实验2:人脸识别方法与真实环境的对比
该分析的主要目的是研究在采集热人脸图像时所选择的人脸识别方法相对于真实条件的性能。在真实的操作场景中，人脸识别系统必须面对挑战，例如:人们戴着眼镜、围巾或帽子等人工制品，不同的头部姿势，以及被摄对象放置在离摄像机不同的距离处。为了获得高性能水平，识别系统必须对这些真实世界的情况具有鲁棒性。

为了分析这些方法在实际采集条件下的性能，对来自UCH-TTF数据库和PUCV-TTF数据库的图像进行了修改，如上文实验部分所述。因此，有可能得出结论，这种方法是否是一种稳健的获取条件。由两个数据库的每种人脸识别方法获得的平均识别率如图6所示。我们放弃了主成分分析方法，因为它在时间变化实验中获得的识别率较低(表3)。此外，本实验试图分析全局和局部匹配方法而不是基于外观的方法的性能，从而在它们之间进行公平的比较。
从图6中，可以观察到:首先，对于正常图像、遮挡图像和噪声图像，对于两个数据库，每种方法的结果实际上遵循相同的趋势。第二，在以下情况下，WLD和LBP的表现保持不变与GJD、SIFT和SURF不同，热图像是被遮挡的。后一种方法在有遮挡的情况下会降低识别性能。第三，当脸部图像错位时，LBP、WLD和GJD的性能与正常的热图像相比下降了大约5-10%。另一方面，SIFT和SURF方法受眼睛位置的噪声影响不严重。请注意，与2.5%的情况相比，SURF在眼睛位置有5%的噪声时，识别率实际上有所提高。我们相信这是算法本质的结果，它对于对象(面)的旋转和缩放是不变的，在图库/测试对中实现了更好的匹配。第四，GJD在两个数据库中遵循相同的趋势，显示了它们之间的持续差异，其中PUCV -TTF的结果总是比UCH-TTF数据库的结果低10%。这一事实可能是因为PUCV -TTF数据库包含有胡须的对象的图像，这可以被解释为图像中的一种遮挡，影响GJD方法的性能，即GJD方法对图像中的遮挡不鲁棒。最后，WLD和LBP显示了该分析的最佳性能和鲁棒性。
D. DISCUSSION
从这两个分析中可以看出，==一般来说，两个数据库的所有方法都遵循相同的趋势，从而验证了每种方法在不同条件下的性能。从这个意义上来说，有可能放弃使用主成分分析、SIFT和SURF方法来解决时间变化的问题，因为它们在所有情况下都不能获得80%以上的识别率。==在其余的方法中，可以看出LBP和WLD对图像中的遮挡是鲁棒的，因为它们的结果对于正常图像和有遮挡的图像几乎保持不变。相比之下，GJD方法受图像中遮挡的影响，当使用有遮挡的图像时，识别率下降。这也反映在用PUCV-TTF获得的GJD方法的识别率的整体下降上，这可能是由于这个数据库中的一些受试者在采集时留有胡须，这可能是一个解释图像中的遮挡。最后，应该注意的是，所有方法都受到眼睛位置噪声增加的影响。

最后，用UCH-TTF 获得的性能下降显示出与用所提出的标准(表1和表2)进行的分析相一致，因为在UCH-TTF 数据库的时间变化方面比在PUCV-TTF数据库中有更多的变化。

VI. CONCLUSIONS

对五种当前的人脸识别方法和一种经典的基于外观的方法进行了比较研究，==以分析每种方法在克服热人脸识别中的时间变化问题方面的能力，特别是在图像采集时由于环境变化和个体代谢变化引起的问题。==然而，在进行实验之前，分析了面部的时间变化。使用了两种不同的方法来检查主要出现在鼻子和前额部分的时间变化的存在。提出的标准允许我们量化数据集之间的时间变化。

通过两个实验研究了所选人脸识别方法的性能。第一种使用具有时间变化的原始数据库，第二种使用具有真实条件(如遮挡和噪声)的修改后的数据库。然后进行了两项分析:一项旨在提高方法对时变的鲁棒性，另一项分析涉及研究这些方法在实际采集条件下的性能。

本研究的一般结论是，通过WLD、GJD和LBP方法获得的结果对两个数据库都实现了高识别率(从92%∞98%)，这表明有可能克服用于人脸识别的热图像中的时间变化问题。其他方法对数据库和所有图像类型都产生了低性能水平，识别率不超过80%。值得一提的是，可见热图像之间的融合也是一种针对时间变化问题给出良好结果的选择[34]，但这项研究的核心是仅处理热图像，想象夜间或微光人脸识别的情况。类似的情况是，主成分分析法识别率低，不超过70%。这一事实证实了当时间偏差存在时，基于外观的方法表现不佳，证实了文献中已经规定的内容。

通过研究结果，有可能鼓励其他研究人员研究热图像中的时间问题变化。此外，作为这项研究的结果，两个新的数据库现在可供科学界使用，这两个数据库是为研究人脸识别系统的热图像中的时间问题而开发的。总之，当设计热人脸识别系统时，最好的选择是使用WLD-高分辨率方法作为描述符，因为它对红外图像的时间问题非常鲁棒。

作为未来的工作，我们将创建一个新的热数据库来评估更多个体的时间问题，并包括代谢变化的受控条件，如体力劳动、酒精或药物影响等。此外，我们希望研究新的人脸识别描述符[35]，[36]或最近文献中发表的新的纹理分类方法来解决时间问题。