李佩嫻，曹大千，戴鵬飛，盧昱杰，劉 博

(同濟(jì)大學(xué) 土木工程學(xué)院，上海 200092)

盡管暖通空調(diào)技術(shù)已日趨成熟，但室內(nèi)人員對(duì)熱環(huán)境的滿意度總體而言仍然較低，根據(jù)國(guó)外學(xué)者對(duì)20年來(lái)9萬(wàn)份后評(píng)估問(wèn)卷的統(tǒng)計(jì)，僅40%的在室人員對(duì)所處空間的溫度感到滿意[1]，且溫度進(jìn)一步影響室內(nèi)環(huán)境質(zhì)量的整體滿意度[2-3].研究表明，熱不舒適可能影響人體健康[4-5]、工作效率[6]、睡眠質(zhì)量[7]，引發(fā)病態(tài)建筑綜合癥(Sick Building Syndrome，SBS)[8-9].同時(shí)，熱不舒適引發(fā)的熱適應(yīng)行為如調(diào)節(jié)空調(diào)[10]和開(kāi)關(guān)風(fēng)扇[11]將直接影響建筑能耗.因此，人體熱舒適對(duì)建筑節(jié)能設(shè)計(jì)與熱工設(shè)計(jì)至關(guān)重要[12].

為解決現(xiàn)實(shí)中熱舒適水平較低的問(wèn)題，熱舒適研究已出現(xiàn)由集體溫控轉(zhuǎn)為個(gè)性化溫控的趨勢(shì)，而個(gè)性化溫控的基礎(chǔ)為個(gè)體熱舒適模型(Personal Comfort Models，PCM)[13].PCM利用機(jī)器學(xué)習(xí)等算法基于物理環(huán)境、生理指標(biāo)或用戶行為對(duì)個(gè)體熱舒適(而非人群熱舒適)進(jìn)行預(yù)測(cè)，準(zhǔn)確率達(dá)70%以上.其中，生理指標(biāo)(如皮膚溫度)可采用侵入式、準(zhǔn)侵入式或非侵入式測(cè)量方法[14-15].非侵入式方法基于視頻圖像和計(jì)算機(jī)視覺(jué)技術(shù)預(yù)測(cè)個(gè)體熱舒適，對(duì)人體影響最小，但技術(shù)尚未成熟，本研究即為非侵入式方法預(yù)測(cè)個(gè)體熱舒適的探索研究.

非侵入式方法可采用可見(jiàn)光相機(jī)或紅外相機(jī)[16].可見(jiàn)光相機(jī)結(jié)合歐拉視頻放大算法可以預(yù)測(cè)皮膚溫度[17-18]，可見(jiàn)光視頻也可以識(shí)別熱舒適相關(guān)體態(tài)[19]，但這些方法的預(yù)測(cè)結(jié)果并不直接代表個(gè)體熱舒適，且可見(jiàn)光相機(jī)在實(shí)際應(yīng)用中容易引發(fā)隱私問(wèn)題.而紅外相機(jī)(紅外熱像儀)通過(guò)捕捉物體本身散發(fā)出的紅外線輻射進(jìn)行感光成像，相比可見(jiàn)光圖缺少細(xì)節(jié)紋理信息[20]，不侵犯隱私.同時(shí)，紅外熱像儀的測(cè)溫精度可以通過(guò)測(cè)溫算法校正等技術(shù)達(dá)到±0.3℃以內(nèi)，滿足精確測(cè)量人體溫度的需求[21].

近年來(lái)已有一些紅外相機(jī)與熱舒適結(jié)合的研究.2016年，Ranjan和Scott[22]提出用紅外相機(jī)拍攝皮膚溫度以控制供暖制冷，證明用面部溫度判斷是否開(kāi)空調(diào)可獲得94%～95%的準(zhǔn)確率.Burzo等[23]用實(shí)驗(yàn)證明紅外相機(jī)可以捕捉人的熱不舒適情況，且較便宜的紅外相機(jī)也可以獲得70%以上的準(zhǔn)確率.Metzmacher等[24]用紅外相機(jī)對(duì)不同面部區(qū)域進(jìn)行皮膚溫度分析，發(fā)現(xiàn)前額中心點(diǎn)的溫度最穩(wěn)定，另一小型實(shí)驗(yàn)也說(shuō)明前額溫度與熱感覺(jué)投票有較強(qiáng)的相關(guān)性[25].2019年，陳慶財(cái)?shù)萚26]通過(guò)紅外相機(jī)獲取皮膚溫度，并通過(guò)用戶表達(dá)熱感覺(jué)的人機(jī)界面在線學(xué)習(xí)皮膚溫度舒適域，建立了一套室內(nèi)熱環(huán)境控制系統(tǒng)，獲得了97%的用戶滿意度.

然而上述研究仍需要用戶手動(dòng)輸入?yún)?shù)進(jìn)行熱舒適模型的校正，且尚未考慮年齡與性別因素的影響.已有研究表明，人體熱舒適在不同年齡與性別之間差異性較大[27-28]，考慮年齡與性別將有助于提高PCM預(yù)測(cè)準(zhǔn)確度.利用計(jì)算機(jī)視覺(jué)技術(shù)從紅外熱圖中自動(dòng)識(shí)別人的年齡與性別，可以最大限度減少對(duì)人工輸入的依賴性，尤其適合在全球疫情下興起的非固定工位辦公模式和共享辦公空間，即通過(guò)固定的紅外熱像儀識(shí)別流動(dòng)人員.此外，年齡與性別可以修正皮膚溫度以獲得更準(zhǔn)確的人體核心溫度，有利于提高疫情常態(tài)化防控下的紅外體溫篩查精度.

目前，紅外熱圖的性別與年齡識(shí)別方面研究較少.2011年，Cunjian Chen等[29]利用傳統(tǒng)機(jī)器學(xué)習(xí)的LBP+SVM(RBF)算法在紅外熱圖的性別識(shí)別上取得較好效果：男性準(zhǔn)確率91.84%、女性準(zhǔn)確率82.95%.2016年，Wang等[30]提出融合可見(jiàn)光圖和紅外熱圖，利用LBP+BN算法提取面部特征進(jìn)行性別識(shí)別，獲得84%左右的準(zhǔn)確率.2017年，Nguyen等[31]利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)分別從可見(jiàn)光圖和紅外熱圖的全身像中提取特征，融合特征后利用SVM和PCA進(jìn)行性別識(shí)別，錯(cuò)誤率為11.439%.

相比之下，可見(jiàn)光圖的性別與年齡識(shí)別研究較多.在性別識(shí)別方面，VGG-Face用于性別識(shí)別準(zhǔn)確率稍低，為86.5%[32].利用殘差網(wǎng)絡(luò)模型(ResNet)識(shí)別性別準(zhǔn)確率可達(dá)92.7%[33]，WideResNet準(zhǔn)確率可達(dá)92.0%[34].若結(jié)合Inception和ResNet，可見(jiàn)光圖的性別識(shí)別準(zhǔn)確率可達(dá)男性96.4%、女性97.6%、總體97.0%[35].在年齡識(shí)別方面，模型的評(píng)價(jià)方法有兩種：完全準(zhǔn)確率表示分類結(jié)果完全正確的頻率；一類偏差準(zhǔn)確率代表分類結(jié)果完全正確或?yàn)榫o鄰類的頻率.VGG-Face用于年齡識(shí)別準(zhǔn)確率稍低，完全準(zhǔn)確率為55.9%，一類偏差準(zhǔn)確率85.3%[32].2019年，張珂[36]利用VGGNet進(jìn)行年齡八分類任務(wù)，每一類的完全正確率為80%、49.4%、38.8%、48.1%、60.0%、36.0%、37.3%、34.1%.若使用WideResNet模型，完全準(zhǔn)確率可達(dá)67.7%[34].殘差網(wǎng)絡(luò)模型(ResNet)識(shí)別年齡效果最好，完全準(zhǔn)確率可達(dá)78.3%[33].

綜上，目前紅外熱圖的性別與年齡識(shí)別存在的問(wèn)題主要有：(1)針對(duì)紅外熱圖人臉圖像采集與處理的方法尚不完備；(2)CNN用于紅外熱圖的人臉性別與年齡識(shí)別的效果尚不清楚.針對(duì)以上兩個(gè)問(wèn)題，本文利用多種CNN算法對(duì)紅外熱圖的人臉性別和年齡識(shí)別進(jìn)行了一系列實(shí)驗(yàn)，主要貢獻(xiàn)如下：(1)提出了有助于提高識(shí)別精度的人臉紅外熱圖數(shù)據(jù)采集與處理方法；(2)比選得出了適用于紅外熱圖中人臉性別與年齡識(shí)別的CNN算法.

1 研究方法

1.1 數(shù)據(jù)采集

本實(shí)驗(yàn)采用較為便宜的?？滴⒂氨銛y式紅外熱像儀建立紅外熱圖的人臉數(shù)據(jù)集，所采用的紅外探測(cè)器分辨率為160×120，測(cè)溫精度為±0.5℃(30～45℃).該紅外熱像儀提供多種濾鏡，不同濾鏡用不同的顏色區(qū)間表示溫度.初步試驗(yàn)發(fā)現(xiàn)“色彩1”和“深藍(lán)”兩種濾鏡的溫度區(qū)分度更大，因此,在數(shù)據(jù)采集時(shí)分別采用這兩種濾鏡拍攝人臉圖片.為獲得更全面的人臉信息，滿足從不同角度識(shí)別人性別年齡的需求，本實(shí)驗(yàn)對(duì)每位模特從30個(gè)角度進(jìn)行拍照(如圖1所示)，包括五個(gè)水平角度、三個(gè)豎直角度以及兩種景別(大頭像和半身像)的排列組合(5*3*2=30).為與可見(jiàn)光圖進(jìn)行對(duì)比，本實(shí)驗(yàn)在每個(gè)角度同時(shí)拍攝了可見(jiàn)光照片.最終建立的數(shù)據(jù)集包含60個(gè)人(數(shù)據(jù)分布見(jiàn)表1)，共4 230張圖片，其中“色彩1”紅外熱圖1 800張、“深藍(lán)”紅外熱圖630張、可見(jiàn)光圖1 800張.所有圖片均在人體舒適、溫濕度穩(wěn)定的辦公或住宅室內(nèi)環(huán)境中采集.在后續(xù)識(shí)別任務(wù)中，性別分為男女兩類，年齡按照青年、中年、老年分為19～30歲、31～55歲和56～78歲三類.

圖1 攝影角度示意圖

表1 數(shù)據(jù)集人員統(tǒng)計(jì)

1.2 模型訓(xùn)練

本研究采用Python3.7編程，使用的計(jì)算機(jī)配置為CPU E5-2680 v3，GPU 2080 Ti，30 GB內(nèi)存，采用TensorFlow框架.由于數(shù)據(jù)量偏少，本研究采用了數(shù)據(jù)增強(qiáng)和遷移學(xué)習(xí)以提升訓(xùn)練效果.數(shù)據(jù)增強(qiáng)即在導(dǎo)入訓(xùn)練圖片時(shí)，通過(guò)對(duì)現(xiàn)有圖片進(jìn)行旋轉(zhuǎn)、位移等微小改變，生成新的照片，達(dá)到擴(kuò)充數(shù)據(jù)集的目的.數(shù)據(jù)增強(qiáng)可以用現(xiàn)有數(shù)據(jù)生成盡可能接近真實(shí)情況的數(shù)據(jù)，提高模型泛化能力，是深度學(xué)習(xí)中一種常用手段.本實(shí)驗(yàn)采用與前人研究[37]類似的數(shù)據(jù)增強(qiáng)設(shè)置：圖片旋轉(zhuǎn)角度范圍為0～40°、圖片整體水平平移幅度20%、垂直平移幅度20%、單向拉伸±20%、長(zhǎng)寬同時(shí)縮放±20%、圖片整體顏色改變、圖像隨機(jī)水平翻轉(zhuǎn).增強(qiáng)后統(tǒng)一訓(xùn)練圖片尺寸為(224, 224)像素.此外，本實(shí)驗(yàn)采用了ImageNet的遷移學(xué)習(xí)模型.遷移學(xué)習(xí)[38]具有一個(gè)初始的預(yù)訓(xùn)練模型，保留已訓(xùn)練好模型的前幾層參數(shù)，即利用已有的先驗(yàn)知識(shí)讓算法學(xué)習(xí)新的知識(shí)，從而減少學(xué)習(xí)的工作量，提高收斂速度.

根據(jù)前人研究成果，CNN深度神經(jīng)網(wǎng)絡(luò)如ResNet[33-35]應(yīng)用于可見(jiàn)光圖識(shí)別年齡性別具有優(yōu)越性，同時(shí)DenseNet和Inception均與ResNet有一定的相關(guān)性和較高的對(duì)比性[39]，將其運(yùn)用于紅外熱圖的年齡性別識(shí)別具有較高的可行性.因此，本文對(duì)四種CNN算法進(jìn)行測(cè)試：(1)ResNet-50[40]網(wǎng)絡(luò)具有50層，相較于普通的神經(jīng)網(wǎng)絡(luò)，其層與層之間具有“快捷連接”，避免了梯度消失問(wèn)題，能大大提高收斂速度；(2)DenseNet-121[41]：網(wǎng)絡(luò)中每一層輸入都來(lái)自前面所有層的輸出，可以減輕梯度消失、提高特征的傳播效率、提高特征的利用效率、減小網(wǎng)絡(luò)的參數(shù)量；(3)DenseNet-201：在思路上和DenseNet-121一樣，但增加了一些更小的單元，使連接變得更緊密，模型更大，神經(jīng)網(wǎng)絡(luò)更復(fù)雜；(4)Inception-V3[42]：具有42層網(wǎng)絡(luò)，比前三種網(wǎng)絡(luò)具有更快的收斂速度，更短的訓(xùn)練時(shí)間，權(quán)重更易初始化.

模型訓(xùn)練采用的參數(shù)是基于網(wǎng)格搜索法進(jìn)行對(duì)比調(diào)整得到的最優(yōu)值.最優(yōu)超參數(shù)包括：learningrate為1e-5，以較低的學(xué)習(xí)率對(duì)模型進(jìn)行微調(diào)可以得到較好的效果；訓(xùn)練時(shí)批處理圖片的個(gè)數(shù)batchsize根據(jù)計(jì)算機(jī)配置設(shè)為16，盡可能地利用計(jì)算機(jī)性能以提高訓(xùn)練速度；freezelayers=2，凍結(jié)網(wǎng)絡(luò)的前兩層，保證預(yù)訓(xùn)練模型結(jié)構(gòu)和初始權(quán)重不變的同時(shí)加快網(wǎng)絡(luò)的訓(xùn)練過(guò)程，減少訓(xùn)練時(shí)間；訓(xùn)練過(guò)程的epoch數(shù)目通過(guò)EarlyStopping模塊控制，其具體參數(shù)設(shè)置為(monitor='val_loss', min_delta=0.000 1, patience=4)，monitor表示以驗(yàn)證集上loss的表現(xiàn)為判斷依據(jù)，判斷閾值min_delta為0.000 1，patience表示容忍度，即當(dāng)連續(xù)4個(gè)epoch內(nèi)驗(yàn)證集的loss減少值小于0.000 1時(shí)，訓(xùn)練自動(dòng)停止，從而盡量避免網(wǎng)絡(luò)欠擬合或過(guò)擬合的情況.

1.3 實(shí)驗(yàn)設(shè)計(jì)

本文從算法效果、圖像處理方法和結(jié)果校驗(yàn)方面出發(fā)，設(shè)計(jì)了四個(gè)實(shí)驗(yàn).實(shí)驗(yàn)一的目的是比選合適的CNN算法用于紅外熱圖的性別與年齡識(shí)別.將“色彩1”濾鏡的1 800張圖片按10∶1∶1拆分為訓(xùn)練集、驗(yàn)證集、測(cè)試集，利用四種CNN算法進(jìn)行訓(xùn)練與測(cè)試，選取預(yù)測(cè)準(zhǔn)確率最高的CNN模型.為探究圖像處理方法對(duì)識(shí)別準(zhǔn)確率的影響，設(shè)計(jì)了實(shí)驗(yàn)二與實(shí)驗(yàn)三.實(shí)驗(yàn)二對(duì)比了單濾鏡和混合濾鏡數(shù)據(jù)集的訓(xùn)練效果，以探究紅外熱圖濾鏡的影響.由于文獻(xiàn)中可見(jiàn)光圖的識(shí)別通常采用人臉大頭像，實(shí)驗(yàn)三將原有的紅外熱圖進(jìn)行手動(dòng)裁剪，得到僅具有面部特征的正方形圖片，用于對(duì)比分析人臉裁剪對(duì)識(shí)別準(zhǔn)確度的影響.最后，為校驗(yàn)紅外熱圖中性別年齡識(shí)別的可行性及效果，實(shí)驗(yàn)四采用相同算法對(duì)同一批數(shù)據(jù)的紅外熱圖和可見(jiàn)光圖分別進(jìn)行測(cè)試，對(duì)比了預(yù)測(cè)效果.各實(shí)驗(yàn)方案設(shè)計(jì)如表2所示.

表2 實(shí)驗(yàn)設(shè)計(jì)方案

2 實(shí)驗(yàn)結(jié)果

2.1 CNN算法對(duì)比

四種CNN算法的總體識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間如圖2所示.在性別識(shí)別任務(wù)中，Inception-V3的準(zhǔn)確率在四種算法中最高：總體93.3%(男性90.0%、女性98.3%)，最低的DenseNet-121也有84.7%的準(zhǔn)確率.這表明，雖然紅外熱圖比可見(jiàn)光圖缺少一些細(xì)節(jié)，但不同性別間的紅外熱圖差異足以讓計(jì)算機(jī)判別性別.如圖3所示，在任一算法下，女性準(zhǔn)確率(93.3%～100%)均高于男性準(zhǔn)確率(78.9%～90.0%).通過(guò)肉眼觀察發(fā)現(xiàn)男女紅外熱圖有兩點(diǎn)顯著不同(圖4)：(1)女性面部溫度溫差大，顏色區(qū)分更明顯，且臉頰溫度較低，而男性的面部溫度分布更均勻，顏色差別較?。?2)女性的發(fā)型輪廓較男性范圍更大，尤其兩鬢的頭發(fā)較多.當(dāng)男性圖片具有以上特征時(shí)，易被誤判為女性，故識(shí)別女性的準(zhǔn)確率普遍高于男性的識(shí)別準(zhǔn)確率.

圖2 卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)紅外熱圖進(jìn)行性別與年齡識(shí)別的效果對(duì)比

圖3 性別識(shí)別中男性、女性和總體準(zhǔn)確率對(duì)比

圖4 男女紅外熱圖對(duì)比

相比之下，年齡識(shí)別任務(wù)的準(zhǔn)確率稍低(圖2).ResNet-50在四種算法中總體準(zhǔn)確率最高——80.0%，但在不同年齡段中準(zhǔn)確率差異較大.老年識(shí)別準(zhǔn)確率最高(100%)、中年準(zhǔn)確率次之(80%)、青年準(zhǔn)確率較低(60%)，這可能是由于19～30歲人群的面部信息與31～55歲人群非常接近，造成機(jī)器識(shí)別困難.

此外，在性別和年齡識(shí)別中，Inception-V3和ResNet-50的訓(xùn)練速度都顯著優(yōu)于DenseNet-121和DenseNet-121(圖2)，即在迭代次數(shù)、每批處理圖片個(gè)數(shù)、凍結(jié)網(wǎng)絡(luò)層數(shù)相同的條件下，Inception-V3和ResNet-50可以在更短的時(shí)間內(nèi)達(dá)到更高的準(zhǔn)確度，訓(xùn)練效果更好.總體而言，CNN可以在紅外熱圖的性別識(shí)別中獲得很好的效果，相對(duì)最優(yōu)算法為Inception-V3；CNN也可以支持粗略的年齡分類，相對(duì)最優(yōu)算法為ResNet-50.

2.2 圖像采集與處理方法的影響

為探究不同紅外濾鏡對(duì)訓(xùn)練效果的影響，實(shí)驗(yàn)三分別采用Inception-V3和ResNet-50模型對(duì)性別和年齡分類進(jìn)行了測(cè)試.由于“深藍(lán)”濾鏡的老年樣本太少，無(wú)法對(duì)“深藍(lán)”濾鏡樣本進(jìn)行年齡分類測(cè)試.實(shí)驗(yàn)結(jié)果如圖5(a)所示.對(duì)比單個(gè)濾鏡的結(jié)果可知，“色彩1”濾鏡比“深藍(lán)”濾鏡更適用于性別識(shí)別，這與肉眼判斷一致——“色彩1”的顏色區(qū)分度更大.此外，在“色彩1”濾鏡中加入“深藍(lán)”濾鏡后，性別和年齡的識(shí)別準(zhǔn)確度均大幅下降，尤其是年齡識(shí)別準(zhǔn)確率從80.0%下降到了58.1%.這是由于紅外熱圖只拍攝溫度信息，同一顏色可以在不同濾鏡中代表不同溫度，因此多種濾鏡混合會(huì)擾亂紅外熱圖的溫度特征.由此可見(jiàn)，紅外熱圖的數(shù)據(jù)采集需采用單一濾鏡.

圖5 圖像處理方法對(duì)識(shí)別準(zhǔn)確率的影響

圖5(b)展示了人臉裁剪對(duì)識(shí)別準(zhǔn)確度的影響.在相同數(shù)據(jù)集下，裁剪原圖并僅保留人臉區(qū)域后，性別識(shí)別的準(zhǔn)確率提高了2.7%，年齡的準(zhǔn)確率提高了7.2%.準(zhǔn)確度的大幅提升說(shuō)明，性別與年齡識(shí)別的主要信息來(lái)源為人臉區(qū)域，裁剪后的圖片聚焦人臉，可以排除人臉以外區(qū)域?qū)π詣e與年齡分類的干擾.因此，在紅外熱圖的性別與年齡識(shí)別中，建議將圖片進(jìn)行人臉裁剪后再訓(xùn)練，可以提升識(shí)別準(zhǔn)確率.在視頻動(dòng)態(tài)識(shí)別中，可以采用目標(biāo)檢測(cè)算法直接檢測(cè)人臉并進(jìn)行性別與年齡分類.

2.3 紅外熱圖與可見(jiàn)光圖對(duì)比

紅外熱圖與可見(jiàn)光圖的識(shí)別效果對(duì)比如圖6所示.當(dāng)其他條件相同時(shí)，紅外熱圖與可見(jiàn)光圖的性別識(shí)別準(zhǔn)確度相當(dāng).即使紅外熱圖比可見(jiàn)光圖少了很多面部紋路細(xì)節(jié)，但其足夠應(yīng)用于性別識(shí)別任務(wù).而對(duì)于年齡識(shí)別任務(wù)，紅外熱圖的年齡識(shí)別準(zhǔn)確率略低于可見(jiàn)光圖，但仍能達(dá)到80.0%的總體準(zhǔn)確率.可見(jiàn)，紅外熱圖比可見(jiàn)光圖少了一些可用于識(shí)別年齡的面部特征，導(dǎo)致整體準(zhǔn)確率不及可見(jiàn)光圖，但紅外熱圖可以滿足粗略的年齡分類任務(wù).此外，在相同條件下，可見(jiàn)光圖的訓(xùn)練時(shí)間大約是紅外熱圖的1.5倍，這是由于紅外熱圖的細(xì)部特征相較可見(jiàn)光圖更少，因此,訓(xùn)練速度更快.

圖6 紅外熱圖與可見(jiàn)光圖效果對(duì)比

2.4 實(shí)驗(yàn)結(jié)果驗(yàn)證

總結(jié)本文在性別和年齡識(shí)別任務(wù)中得到的最高準(zhǔn)確率，與文獻(xiàn)中最高準(zhǔn)確率進(jìn)行對(duì)比(表3)，可見(jiàn)，本文用Inception-V3在紅外熱圖上進(jìn)行性別識(shí)別的準(zhǔn)確率(男100%，女96.7%)遠(yuǎn)高于前人采用傳統(tǒng)機(jī)器學(xué)習(xí)的結(jié)果(男91.8%，女83.0%)，證明用CNN算法在紅外熱圖上進(jìn)行性別識(shí)別是完全可行的，且Inception-V3比傳統(tǒng)識(shí)別算法更具優(yōu)越性.紅外熱圖的年齡識(shí)別尚未找到文獻(xiàn)做對(duì)比，但本文用ResNet-50對(duì)紅外熱圖的三類年齡識(shí)別結(jié)果可達(dá)80.0%，略低于本文使用ResNet-50對(duì)可見(jiàn)光圖的識(shí)別結(jié)果88.9%，略高于文獻(xiàn)中ResNet對(duì)可見(jiàn)光圖的年齡識(shí)別結(jié)果78.29%，證明紅外熱圖的溫度信息可以支持粗略的紅外熱圖年齡分類.

表3 實(shí)驗(yàn)結(jié)果與文獻(xiàn)結(jié)果對(duì)比

3 結(jié)論

將卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于紅外熱圖進(jìn)行性別與年齡識(shí)別，從算法比選、圖像處理等方面設(shè)計(jì)實(shí)驗(yàn)，分析并提出了提高識(shí)別準(zhǔn)確率的方法.主要貢獻(xiàn)與結(jié)論如下：

(1)證實(shí)CNN可獨(dú)立支持紅外熱圖的性別與年齡識(shí)別，在四種CNN算法中，Inception-V3更適用于性別識(shí)別，ResNet-50更適用于年齡識(shí)別，識(shí)別準(zhǔn)確率均高于現(xiàn)有文獻(xiàn)記載；

(2)男女的面部溫度分布差異較大，發(fā)型差異大，因此本文中紅外熱圖的性別識(shí)別準(zhǔn)確率高達(dá)98.7%；不同年齡段的紅外熱圖差異較小，人臉紅外熱圖可能不適于精確的年齡識(shí)別，但按照19～30歲、31～55歲、56～78歲劃分時(shí)，CNN可在紅外熱圖上達(dá)到80.0%的總體準(zhǔn)確率；

(3)建立了紅外熱圖人臉數(shù)據(jù)集，發(fā)現(xiàn)在采集紅外熱圖時(shí)，統(tǒng)一濾鏡和對(duì)圖像進(jìn)行人臉裁剪可以提高年齡與性別識(shí)別的準(zhǔn)確度.

由于本文目的是探究紅外熱圖進(jìn)行性別與年齡識(shí)別的理論可行性，因此,拍攝照片為單一人像且照片背景溫度分布均勻，而在實(shí)際應(yīng)用中，一張紅外熱圖中可能存在多個(gè)人像，且背景溫度更為復(fù)雜，未來(lái)可研究多人復(fù)雜背景下紅外熱圖的性別與年齡識(shí)別.此外，紅外熱像儀的測(cè)溫精度大致與價(jià)格成正比、與測(cè)溫距離成反比，在實(shí)際應(yīng)用中應(yīng)根據(jù)具體場(chǎng)景和目的，考慮紅外熱成像帶來(lái)的減少人工、提高舒適度的價(jià)值，綜合選擇價(jià)格適宜且精度較高的方案.