大數據文摘出品
來源：venturebeat
編譯：大萌、錢天培
隔牆認人，聽起來很玄乎。其實可能只用分兩步：
- 第一步，隔牆收集熱圖；
- 第二步，根據熱圖特徵識別人臉。
那麼問題來了，熱圖像是否可以提供足夠的信息，使AI模型可以識別人臉特徵呢？
最近，英特爾和哥但斯克工業大學的研究人員給出了答案，並在第12屆國際人機互動會議期刊(International Conference on Human System Interaction)上發表了成果。在這一研究中，他們在普通可見光圖像訓練出的模型的基礎上，將訓練數據替換為熱圖像進行了再訓練。
在需優先考慮或要求保護隱私的情況下，熱圖像經常用來替代RGB圖像，例如在醫療設備的使用中。這是因為熱圖像能夠模糊人體特徵，例如眼睛顏色或下頜輪廓。
所以， 熱圖到底夠不夠模糊呢？
研究團隊採用兩套面部熱圖像數據集，第一套SC3000-DB數據集是使用Flir ThermaCam SC3000紅外熱像儀拍攝的，共包括40位志願者的766張圖片，志願者由19名男士和21名女士組成，他們被要求坐在相機前兩分鐘。
第二套數據集是俄克拉荷馬州立大學數據計算和圖像處理實驗室的IRIS數據集，該數據集包括30個志願者的4190張圖片，其中許多志願者移動了頭部或擺出了不同的面部表情。
研究人員首先使用機器學習模型對圖片進行剪切，只保留面部部分。接著使用另一個模型來從圖像中提取面部特徵並將特徵轉換為特徵向量（為每一個特徵設定數值）。最後，採用利用可見光圖像訓練的第三個模型驗證這種模型是否可以應用於熱圖像。
在實驗過程中，研究人員對比了兩個面部的特徵向量：一個是用於識別人的特徵向量，另一個是基於人的輪廓與輸入圖片相似性的特徵向量。
結果發現用可見光圖像訓練的模型能夠很好的泛化到熱圖像應用中，模型能夠成功提取面部特徵，並分別以99.5%和82.14%的準確率分辨了SC3000-DB數據集和IRIS數據集中的志願者。
研究團隊希望該研究可以擴展應用到不同場景產生的圖像中，例如頭部水平或垂向轉動的圖像。
論文中還評論道，許多有前景的視覺處理應用（例如非接觸式生命體徵估計和智能家居監控）可能涉及私人或敏感數據，例如關於人體健康的生物體徵信息。之前人們普遍認為，熱圖像能夠在提供有用信息的同時保證個人隱私，因此它才能夠被廣泛用於這些應用當中。
然而，這一研究無疑會讓人們開始重新考慮熱圖的安全性。
相關報導：
https://venturebeat.com/2020/01/09/intel-researchers-propose-ai-that-recognizes-faces-from-thermal-images/