哈喽黑粉们，欢迎来到黑马公社！
常言道“隔墙有耳”，
是指劝人小心说话，
因为指不定就被有心人听了去。
而如今，随着科技的不断进步发展，
“隔墙有耳”都不算啥了，
因为，技术已经可以做到“隔墙识人”了！
听起来是不是感觉很可怕？
毕竟有人隔着一堵墙都能知道你是谁~
看到这里大家是不是想说
不就是声音来辨识人物嘛，
有什么大不了的~
黑马告诉你，还真就不是！
近日，在电气和电子工程师协会
举办的第12届国际人机交互国际会议上，
英特尔和Gdansk University的研究员
就针对热成像能否可以
使AI识别出人物的面部特征进行了解答。
首先我们先来明白下热成像的原理。
在自然中的一切物体，
都会产生红外辐射，
辐射能量正比于自身温度的四次方成正比，
辐射出的波长和其温度成反比。
而红外成像的原理就是
根据探测到物体的辐射能量高低将其转变成热像图。
（热成像下的鸵鸟）
正是基于这个原理，
英特尔的研究人员通过一款名为
Flir ThermaCam SC3000红外热像仪进行了面部数据采集分析。
为什么英特尔要这么费力的研究“隔墙识人”呢？
钱多？并不是！（虽然钱真的很多）
在生活中有些照明条件不好的环境，
和容易涉及到安全和隐私问题的地方，
我们往往不能增加照明条件和布置普通摄像头来识别他人。
而热成像就能适当的规避这种行为。
这张调侃的图就足以说明一切：
（图自虎扑）
那么英特尔的研究员又是怎么做的呢？
（下面灰色部分是硬核原理阐述，不感兴趣的可直接跳过）
在数据样本方面，
英特尔采用了两个面部热图像数据集。
分别为SC3000-DB和IRIS。
其中SC3000-DB的数据来自英特尔团队
使用FLIR ThermaCAM * SC3000相机创建，
其包含了40个类别的766张图像，
每个类别分为由19名男性和21名女性志愿者组成。
拍摄这些图像时，
志愿者需要正视两分钟的热相仪。
相比之下，
IRIS的数据集则由俄克拉荷马州立大学
视觉计算和图像处理实验室提供。
主要包含了30名志愿者的共4190张图像。
它俩的主要区别在于，
IRIS的热图像并没有让人专注的盯着热像仪，
相比SC3000-DB的专注，
IRIS包含了更多不可预知的情况。
接下来，研究人员首先对采集到的数据集
进行人脸检测并裁剪到仅包含面部的区域。
下一步将进行面部识别和裁剪后的数据集图像
生成缩小图像用以模拟降低分辨率，
图像缩小至13.14(±1.47)*15.57(±1.96)像素之后，
研究人员再使用自定义CNN超分辨率卷积神经网络进行图像增强识别。
是不是感觉饶了一圈又回来了，
并不是，将采集到的数据
进行降低分辨率再放大之后，
可以更好的模拟实际应用中的低分辨率现象。
（图自百度百科）
进行到这一步之后，
就需要进行面部特征的提取了，
研究人员利用FaceNet DNN架构和可见光图像的模拟
来验证提取到的模型是否可用于热图像。
最后，研究人员通过比较两种面对特征向量，
发现可以经过了可见光图像数据上训练过的FaceNet模型，
可以很好地的识别出原本的志愿者。
其中，SC3000-DB组的准确性为99.5％，
IRIS组的准确性为82.14％。
可以说，英特尔此举
不仅证明了“隔墙真的可以识人”，
还证明了热图像的应用领域大有可为。
（黑马为什么第一时间想到了防止越狱……）
比如用在军事领域方面，
隔着障碍物都能清楚的知道目标人物；
用在医疗或工业领域，
可以做到既不侵犯用户隐私，
也可以提供一些有用的信息。
当然就现阶段而言，
对于普通消费者的实用性可能并不是很高。
最后，如果想要了解更多关于热图像
进行人脸识别的资料，
大家可以点击下方的参考链接进行访问。
参考资料：
Exploring Deep Learning Face Recognitionwith Thermal Images
https://www.intel.ai/exploring-deep-learning-face-recognition-with-thermal-images/#gs.trgdag
Influence of Thermal Imagery Resolution onAccuracy of Deep Learning based Face Recognition
https://ieeexplore.ieee.org/document/8942636
FaceNet: A Unified Embedding for FaceRecognition and Clustering
https://arxiv.org/abs/1503.03832
https://www.robots.ox.ac.uk/~vgg/publications/2018/Cao18/cao18.pdf
