Desde la pandemia de COVID-19, el interés en tecnologías de diagnóstico sin contacto ha crecido, lo que ha llevado a un aumento en la investigación sobre el monitoreo remoto de biosignales. La tasa respiratoria, ampliamente utilizada en estudios anteriores, ofrece una visión limitada del volumen pulmonar. Para abordar esto, proponemos un marco basado en imágenes térmicas para la segmentación respiratoria con el objetivo de estimar la función pulmonar no invasiva. El método propuesto utiliza una técnica de umbralización basada en la magnitud del flujo óptico para extraer automáticamente los fotogramas de exhalación y segmentarlos en secuencias de fotogramas. Se entrena una red basada en TransUNet, que combina una arquitectura de codificador-decodificador de red neuronal convolucional (CNN) con un módulo Transformer en el cuello de botella, en estas secuencias. La Precisión, la Sensibilidad, el IoU, el Índice de Dice y la puntuación F1 del modelo fueron de 0,9832, 0,9833, 0,9830, 0,9651, 0,9822 y 0,9831, respectivamente, lo que demuestra un alto rendimiento de segmentación. El método permite estimar el volumen respiratorio al detectar el comportamiento de la exhalación, lo que sugiere su potencial como una herramienta sin contacto para monitorear la función pulmonar y estimar el volumen pulmonar. Además, la investigación sobre el análisis del volumen respiratorio basado en imágenes térmicas sigue siendo limitada. Este estudio amplía los enfoques convencionales basados en la tasa respiratoria para proporcionar una nueva dirección para el análisis respiratorio utilizando técnicas basadas en la visión.