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。
（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。
（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。
（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％。
