人臉識別

出自 MBA智库百科(https://wiki.mbalib.com/)

　　人臉識別是指利用分析比較人臉視覺特征信息進行身份鑒別的電腦技術。人臉識別是用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。

　　傳統的人臉識別技術主要是基於可見光圖像的人臉識別，這也是人們熟悉的識別方式，已有30多年的研發歷史。但這種方式有著難以剋服的缺陷，尤其在環境光照發生變化時，識別效果會急劇下降，無法滿足實際系統的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。

　　迅速發展起來的一種解決方案是基於主動近紅外圖像的多光源人臉識別技術。它可以剋服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。

　　人臉識別技術的核心實際為“局部人體特征分析”和“圖形/神經識別演算法。”這種演算法是利用人體面部各器官及特征部位的方法。如對應幾何關係多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。

　　人臉識別分核實式和搜索式二種比對模式。核實式是對指將捕獲得到的人像或是指定的人像與資料庫中已登 記的某一對像作比對核實確定其是否為同一人。搜索式的比對是指，從資料庫中已登記的所有人像中搜索查找是否有指定的人像存在。

　　人臉搜索時（搜索式），將指定的人像進行建模，再將其與資料庫中的所有人的模板相比對識別，最終將根據所比對的相似值列出最相似的人員列表。

　　人臉與人體的其它生物特征（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被覆制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：

　　非強制性：用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有“強制性”；

　　非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；

　　併發性：在實際應用場景下可以進行多個人臉的分揀、判斷及識別；

　　生物特征：例如人臉識別，人類也是通過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物並不通過此類生物特征區別個體。

　　不被察覺的特點對於一種識別方法也很重要，這會使該識別方法不令人反感，並且因為不容易引起人的註意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉圖像信息，而不同於指紋識別或者虹膜識別，需要利用電子壓力感測器採集指紋，或者利用紅外線採集虹膜圖像，這些特殊的採集方式很容易被人察覺，從而更有可能被偽裝欺騙。

　　生物特征識別領域甚至人工智慧領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特征的特點所帶來的。

　　除此之外，還符合視覺特性：“以貌識人”的特性，以及操作簡單、結果直觀、隱蔽性好等特點。

　　基於人臉特征點的識別演算法（Feature-based recognition algorithms）。

　　基於整幅人臉圖像的識別演算法（Appearance-based recognition algorithms）。

　　基於模板的識別演算法（Template-based recognition algorithms）。

　　利用神經網路進行識別的演算法（Recognition algorithms using neural network）。

　　提出了基於Gamma灰度矯正的光照預處理方法,並且在光照估計模型的基礎上，進行相應的光照補償和光照平衡策略。

　　基於統計形變的校正理論，優化人臉姿態；強化迭代理論

　　強化迭代理論是對DLFA人臉檢測演算法的有效擴展；

　　獨創的實時特征識別理論側重於人臉實時數據的中間值處理，從而可以在識別速率和識別效能之間，達到最佳的匹配效果

　　人臉識別需要積累採集到的大量人臉圖像相關的數據，用來驗證演算法，不斷提高識別準確性，這些數據諸如A Neural Network Face Recognition Assignment(神經網路人臉識別數據)、orl人臉資料庫、麻省理工學院生物和計算學習中心人臉識別資料庫、埃塞克斯大學電腦與電子工程學院人臉識別數據等。

　　現有的人臉識別系統在用戶配合、採集條件比較理想的情況下可以取得令人滿意的結果。但是，在用戶不配合、採集條件不理想的情況下，現有系統的識別率將陡然下降。比如，人臉比對時，與系統中存儲的人臉有出入，例如剃了鬍子、換了髮型、多了眼鏡、變了表情都有可能引起比對失敗。

　　在生物識別信息中，人臉識別是最為火熱的應用技術。但由於人臉信息涉及許多隱私數據，使用不當將存在巨大的風險，因此亟須立法規範。歐美是此領域立法的先行者。尤其是美國，近兩年來許多城市均出台相應的禁令。

　　2008年

　　●美國伊利諾伊州《生物信息隱私法》

　　該法是美國州層面第一部保護個人生物信息的法律。該法要求私人實體收集個人生物信息之前，須提供通知，並獲得個人的同意，且應當是書面的。

　　2018年5月

　　●歐盟《通用數據保護條例》（GDPR）

　　GDPR被譽為“史上最嚴格數據保護法”，但對更為敏感的生物識別數據，比如人臉數據，GDPR仍存在局限性。

　　2019年5月

　　●英國威爾士卡迪夫

　　英國威爾士首府卡迪夫的埃德·布里奇斯向法庭提訴訟，稱警方對他使用人臉識別技術是非法侵犯他的隱私權。這一案件被認為是英國，乃至世界第一例涉及人臉識別技術的案件。

　　2019年8月

　　●瑞典謝萊夫特奧市

　　瑞典數據監管機構（DPA）對當地一所高中開出第一張基於歐盟GDPR的罰單。該學校使用人臉識別系統記錄學生的出勤率。

　　2019年

　　●美國《商用人臉識別隱私法》（草案）

　　該法案到2019年3月已被美國國會審議兩次，並提交到“商業、科學和交通委員會”。該法案主要目的是禁止商業機構在未獲得個人明示同意的情況下使用人臉識別技術。

　　2020年2月

　　●美國《加州人臉識別技術法案》

　　該法案主要對州內私營主體與公共主體分別應如何使用人臉識別技術問題做出了規定。該法案對公共主體使用面部識別技術的態度較為寬鬆，但對於使用人臉信息和人臉識別進行持續監視的行為，原則上仍被禁止。

　　2020年4月

　　●美國華盛頓州《人臉識別服務法》

　　該法是美國第一部嚴格限制執法部門使用人臉識別技術的州法律。這使得華盛頓州成為美國首個通過面部識別法案的州。該法適用於華盛頓州所有公共機構。

　　2019年4月，郭某支付1360元，辦理了野生動物世界雙人年卡，確定指紋識別入園方式。2019年7月、10月，野生動物世界兩次向郭某發送簡訊，通知年卡入園識別系統更換事宜，要求激活人臉識別系統，否則將無法正常入園。郭某認為人臉信息屬於高度敏感個人隱私，不同意接受人臉識別，要求園方退卡。協商未果後，郭某以園方未經同意強制收集個人生物識別信息，嚴重違反《消費者權益保護法》等為由，將對方訴至法院。

　　經審理，法院認為人臉識別入園方式並非雙方的合同條款，對郭某不發生效力，野生動物世界單方變更入園方式構成違約，應當承擔違約責任。野生動物世界欲將已收集的照片激活處理為人臉識別信息，超出事前收集目的，違反了正當性原則。

　　2021年4月9日，法院二審判決野生動物世界賠償郭某合同利益損失及交通費共計1038元，刪除郭某辦理指紋年卡時提交的包括照片在內的面部特征信息，以及指紋識別信息。