常言道“隔牆有耳”，
是指勸人小心說話，
因為指不定就被有心人聽了去。
而現在，隨著科技的不斷進步發展，
“隔牆有耳”都不算啥了，
因為，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~
看到這裡大家是不是想說
不就是聲音來辨識人物嘛，
有什麼大不了的~
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屆國際人機互動國際會議上，
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徵進行了解答。
首先我們先來明白下熱成像的原理。
在自然中的一切物體，
都會產生紅外輻射，
輻射能量正比於自身溫度的四次方成正比，
輻射出的波長和其溫度成反比。
而紅外成像的原理就是
根據探測到物體的輻射能量高低將其轉變成熱像圖。
（熱成像下的鴕鳥）
正是基於這個原理，
英特爾的研究人員通過一款名為
Flir ThermaCam SC3000紅外熱像儀進行了面部資料採集分析。
為什麼英特爾要這麼費力的研究“隔牆識人”呢？
錢多？並不是！（雖然錢真的很多）
在生活中有些照明條件不好的環境，
和容易涉及到安全和隱私問題的地方，
我們往往不能增加照明條件和佈置普通攝像頭來識別他人。
而熱成像就能適當的規避這種行為。
這張調侃的圖就足以說明一切：
（圖自虎撲）
那麼英特爾的研究員又是怎麼做的呢？
（下面灰色部分是硬核原理闡述，不感興趣的可直接跳過）
在資料樣本方面，
英特爾採用了兩個面部熱影象資料集。
分別為SC3000-DB和IRIS。
其中SC3000-DB的資料來自英特爾團隊
使用FLIR ThermaCAM * SC3000相機建立，
其包含了40個類別的766張影象，
每個類別分為由19名男性和21名女性志願者組成。
拍攝這些影象時，
志願者需要正視兩分鐘的熱相儀。
相比之下，
IRIS的資料集則由俄克拉荷馬州立大學
視覺計算和影象處理實驗室提供。
主要包含了30名志願者的共4190張影象。
它倆的主要區別在於，
IRIS的熱影象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。
接下來，研究人員首先對採集到的資料集
進行人臉檢測並裁剪到僅包含面部的區域。
下一步將進行面部識別和裁剪後的資料集影象
生成縮小影象用以模擬降低解析度，
影象縮小至13.14(±1.47)*15.57(±1.96)畫素之後，
研究人員再使用自定義CNN超解析度卷積神經網路進行影象增強識別。
是不是感覺饒了一圈又回來了，
並不是，將採集到的資料
進行降低解析度再放大之後，
可以更好的模擬實際應用中的低解析度現象。
（圖自百度百科）
進行到這一步之後，
就需要進行面部特徵的提取了，
研究人員利用FaceNet DNN架構和可見光影象的模擬
來驗證提取到的模型是否可用於熱影象。
最後，研究人員通過比較兩種面對特徵向量，
發現可以經過了可見光影象資料上訓練過的FaceNet模型，
可以很好地的識別出原本的志願者。
其中，SC3000-DB組的準確性為99.5％，
IRIS組的準確性為82.14％。
可以說，英特爾此舉
不僅證明了“隔牆真的可以識人”，
還證明了熱影象的應用領域大有可為。
（黑馬為什麼第一時間想到了防止越獄……）
比如用在軍事領域方面，
隔著障礙物都能清楚的知道目標人物；
用在醫療或工業領域，
可以做到既不侵犯使用者隱私，
也可以提供一些有用的資訊。
當然就現階段而言，
對於普通消費者的實用性可能並不是很高。
最後，如果想要了解更多關於熱影象
進行人臉識別的資料，
參考資料：
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