热成像是否足够详细到可以使AI模型识别到人的面部特征?这是英特尔和甘斯克工业大学研究人员在最近在电气和电子工程师协会的第12届国际人类系统交互国际会议上提出的一项研究中试图回答的问题。这些研究人员研究了在可见光数据上训练的模型的性能，该模型随后在热成像上进行了训练。

　　正如研究人员在描述其工作的论文中所指出的那样，在诸如医疗机构等优先考虑或要求保护隐私的环境中，经常使用热成像来代替RGB相机数据。那是因为它可以遮挡个人识别的细节，例如眼睛的颜色和下巴线。

　　该团队利用了两个面部热成像数据集，第一个数据集（SC3000-DB）是使用FlirThermaCam SC3000红外热像仪创建的。它包含766张来自19名男性和21名女性的40名志愿者的图像，他们被要求坐下来看着相机两分钟。至于第二个数据集-来自俄克拉荷马州立大学视觉计算和图像处理实验室的IRIS数据集-包含4190张图像，这些图像是在30个人的协助下收集的，其中许多人动了动头并使用了不同的面部表情。

　　研究人员首先使用机器学习模型将图像裁剪到仅包含人脸的区域。然后，他们采用了另一个模型从图像中提取面部特征并将其数字表示为矢量（对应于特定特征的值集）。最后，他们采用了在可见光图像上训练的第三种模型，以验证这种模型是否可以应用于热成像。

　　在这些实验过程中，研究人员比较了两种类型的面部特征向量：一种识别给定图像中描绘的人，另一种基于人的个人资料与输入图像的相似性。他们发现，在可见图像数据上训练的模型可以很好地推广到热成像，成功提取出面部特征并在志愿者之间进行区分，SC3000-DB的准确性为99.5%，IRIS的准确性为82.14%。

　　该小组希望将研究范围扩展到在其他各种情况下收集的数据，例如，当受试者的头部水平或垂直旋转时。研究人员写道：“许多有前途的视觉处理应用，例如非接触式生命体征估计和智能家居监控，都可能涉及私人和/或敏感数据，例如有关人的健康的生物特征信息。因此，热成像不仅可以提供有用的数据，而且还可以隐藏个人身份，因此被用于许多场景的应用。”