隔墙认人，听起来很玄乎。其实可能只用分两步：

• 第一步，隔墙收集热图；

• 第二步，根据热图特征识别人脸。

那么问题来了，热图像是否可以提供足够的信息，使AI模型可以识别人脸特征呢？

最近，英特尔和哥但斯克工业大学的研究人员给出了答案，并在第12届国际人机交互会议期刊(International Conference on Human System Interaction)上发表了成果。在这一研究中，他们在普通可见光图像训练出的模型的基础上，将训练数据替换为热图像进行了再训练。

在需优先考虑或要求保护隐私的情况下，热图像经常用来替代RGB图像，例如在医疗设备的使用中。这是因为热图像能够模糊人体特征，例如眼睛颜色或下颌轮廓。

所以，热图到底够不够模糊呢？

研究团队采用两套面部热图像数据集，第一套SC3000-DB数据集是使用Flir ThermaCam SC3000红外热像仪拍摄的，共包括40位志愿者的766张图片，志愿者由19名男士和21名女士组成，他们被要求坐在相机前两分钟。

第二套数据集是俄克拉荷马州立大学数据计算和图像处理实验室的IRIS数据集，该数据集包括30个志愿者的4190张图片，其中许多志愿者移动了头部或摆出了不同的面部表情。

研究人员首先使用机器学习模型对图片进行剪切，只保留面部部分。接着使用另一个模型来从图像中提取面部特征并将特征转换为特征向量（为每一个特征设定数值）。最后，采用利用可见光图像训练的第三个模型验证这种模型是否可以应用于热图像。

在实验过程中，研究人员对比了两个面部的特征向量：一个是用于识别人的特征向量，另一个是基于人的轮廓与输入图片相似性的特征向量。

结果发现用可见光图像训练的模型能够很好的泛化到热图像应用中，模型能够成功提取面部特征，并分别以99.5%和82.14%的准确率分辨了SC3000-DB数据集和IRIS数据集中的志愿者。

研究团队希望该研究可以扩展应用到不同场景产生的图像中，例如头部水平或垂向转动的图像。

论文中还评论道，许多有前景的视觉处理应用（例如非接触式生命体征估计和智能家居监控）可能涉及私人或敏感数据，例如关于人体健康的生物体征信息。之前人们普遍认为，热图像能够在提供有用信息的同时保证个人隐私，因此它才能够被广泛用于这些应用当中。

然而，这一研究无疑会让人们开始重新考虑热图的安全性。

本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/469/238.htm]