基于卷积神经网络与灰狼优化的热成像情感识别：突破光照限制的鲁棒性研究

针对可见光摄像头在低光环境下难以准确识别人脸表情的问题，研究人员提出结合预训练CNN模型（如EfficientNet-B7）与灰狼优化算法（GWO），通过热成像技术捕捉生理性温度变化，实现跨光照条件的鲁棒情感识别。在IRDatabase和KTFE数据集上分别达到91.42%和99.48%的准确率，为心理健康评估和安防监控提供了新范式。

　　

在人类情感交互中，面部表情承载了55%的情绪信息，但传统基于可见光的人脸表情识别(FER)系统常因光照阴影、刻意伪装而失效。尤其在夜间监控或心理疾病评估场景中，这种局限性更为突出。热成像技术通过捕捉面部温度分布——例如焦虑引发的微血管收缩——为情绪识别提供了不受环境光干扰的生理信号。然而，热图像的低对比度和噪声问题，以及缺乏高效的特征提取框架，长期制约其实际应用。

为解决这一挑战，研究人员Anselme Atchogou与Cengiz Tepe提出了一种融合预训练卷积神经网络(CNN)与灰狼优化(GWO)的创新方法。研究选取了包括EfficientNet-B7、ResNet50等10种CNN模型提取热图像特征，并利用GWO优化支持向量机(SVM)、k近邻(kNN)等分类器参数。实验采用IRDatabase（8类情绪）和KTFE（7类情绪）两大热成像数据集验证性能。

关键技术方法
研究通过数据预处理（降噪、人脸裁剪）、迁移学习（预训练CNN特征提取）、GWO参数优化（平衡探索与开发）三阶段流程构建系统。其中EfficientNet-B7在未优化时已达90.30%准确率，经GWO调优后结合梯度提升分类器，在KTFE数据集上创下99.48%的惊人准确率。

研究结果

1. 模型比较：EfficientNet-B7在多数场景中表现最优，其深层架构更适合捕捉热图像的细微温度模式。
2. 优化效果：GWO将kNN分类器准确率从87.21%提升至91.42%（IRDatabase），显著优于粒子群(PSO)、遗传算法(GA)等对比优化器。
3. 跨数据集验证：在KTFE数据集上，梯度提升分类器对"愤怒"和"恐惧"的识别率超98%，证实模型对生理性情绪标记的敏感性。

结论与意义
该研究首次将GWO引入热成像FER领域，通过生物启发优化与深度学习协同，解决了传统方法在特征选择与计算效率上的矛盾。其核心突破在于：

1. 生理关联性：利用热图像反映的血管收缩/扩张模式，克服了可见光FER的"表情伪装"缺陷；
2. 轻量化设计：GWO将特征维度缩减40%的同时提升精度，适合部署在边缘设备；
3. 跨场景适用性：在烟雾、暗光等极端环境下仍保持稳定性能，为自动驾驶舱内监测、抑郁症客观评估提供了新工具。

论文发表于《Signal Processing: Image Communication》，为多模态情感计算开辟了新方向。未来工作可探索动态热视频序列分析，进一步捕捉情绪表达的时序特征。