哈喽黑粉們，歡迎來到黑馬公社！
常言道“隔牆有耳”，
是指勸人小心說話，
因爲指不定就被有心人聽了去。
而如今，隨著科技的不斷進步發展，
“隔牆有耳”都不算啥了，
因爲，技術已經可以做到“隔牆識人”了！
聽起來是不是感覺很可怕？
畢竟有人隔著一堵牆都能知道你是誰~
看到這裏大家是不是想說
不就是聲音來辨識人物嘛，
有什麽大不了的~
黑馬告訴你，還真就不是！
近日，在電氣和電子工程師協會
舉辦的第12屆國際人機交互國際會議上，
英特爾和Gdansk University的研究員
就針對熱成像能否可以
使AI識別出人物的面部特征進行了解答。
（熱成像下的鴕鳥）
正是基于這個原理，
英特爾的研究人員通過一款名爲
Flir ThermaCam SC3000紅外熱像儀進行了面部數據采集分析。
（圖自虎撲）
那麽英特爾的研究員又是怎麽做的呢？
（下面灰色部分是硬核原理闡述，不感興趣的可直接跳過）
在數據樣本方面，
英特爾采用了兩個面部熱圖像數據集。
分別爲SC3000-DB和IRIS。
其中SC3000-DB的數據來自英特爾團隊
使用FLIR ThermaCAM * SC3000相機創建，
其包含了40個類別的766張圖像，
每個類別分爲由19名男性和21名女性志願者組成。
拍攝這些圖像時，
志願者需要正視兩分鍾的熱相儀。
相比之下，
IRIS的數據集則由俄克拉荷馬州立大學
視覺計算和圖像處理實驗室提供。
主要包含了30名志願者的共4190張圖像。
它倆的主要區別在于，
IRIS的熱圖像並沒有讓人專注的盯著熱像儀，
相比SC3000-DB的專注，
IRIS包含了更多不可預知的情況。
（圖自百度百科）
進行到這一步之後，
就需要進行面部特征的提取了，
研究人員利用FaceNet DNN架構和可見光圖像的模擬
來驗證提取到的模型是否可用于熱圖像。
最後，研究人員通過比較兩種面對特征向量，
發現可以經過了可見光圖像數據上訓練過的FaceNet模型，
可以很好地的識別出原本的志願者。
其中，SC3000-DB組的准確性爲99.5％，
IRIS組的准確性爲82.14％。
