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％。