本文借助在室内或室外预先部署的红外热像仪(IR)来解决兴趣领域(FoI)的被动人体定位(PHL)问题。与RGB相机相比，红外热像仪可以监测FoI中目标的温度并输出像素级温度值，而且不受光照条件差的影响。然而，高分辨率红外热成像仪成本高昂，限制了其广泛部署的可行性。因此，本文提出一种基于低分辨率红外热像仪的PHL方法，通过对低分辨率的像素级温度值采用机器学习方法来实现人体的被动定位。PHL首先识别出人体头部，然后选取并计算人体头部温度的统计特征，把这些特征值都输入一个机器学习框架(例如，LightGBM)，实现人与相机间的距离推断。在此基础上，根据热图中人体的相对位置、预测的人-机距离、以及红外热相机的位置和视场 (DFoV, Field of View)来计算人体的位置。同时，由于红外热像仪测温误差会随人-机距离的变化而变化，本文还利用估计的距离来对人体测量温度进行校正。实验结果表明，本方法的平均距离误差在0.1m左右，平均定位误差在0.2m左右。实验还表明，利用预测的人-机距离，可以得到更精确的体温。
《IEEE Internet of Things Journal》是物联网领域国际顶尖期刊之一，属中科院JCR一区Top期刊，当前影响因子10.238（2021年）。该期刊涵盖了物联网的各个子领域，包括物联网系统结构，通信和网络协议，安全和隐私，物联网服务和应用等。
