人脸辨识 —— 引人入胜

 

很少有生物辨识技术能像脸部辨识那样激发我们的想象力。 

同样，它的到来在 2020 年引发了深刻的担忧和令人惊讶的反应。 

脸部辨识的工作原理

脸部辨识是使用脸部辨识或验证人的身份的过程。它根据人的脸部细节捕获、分析和比较模式。

• 人脸检测过程是在图像和影像中，检测和定位人脸的重要步骤。
• 脸的捕获过程转换类比信息（脸部）成一组基于该人的脸部特征的数位信息（数据或矢量）。
• 在面对比赛过程验证，如果两个脸都属于同一个人。

让我们用一个最近的例子来说明这个 3 步过程。

来自大华盛顿特区地区的一名学生，使用开源脸部提取应用 app，从 1 月 6 日国会大厦内外活动期间发布在 Parler 上的 827 个影像中检测和删除超过 6,000 张人脸图像。他创建了一个名为 Faces of the Riot 的网站 ，其中展示了这些肖像。

• 示威者、暴徒和记者已经用他们的智慧手机完成了部分脸部捕捉步骤（模拟脸部数位照片）。
• 他使用脸部检测从 20 万张图像中提取脸部。
• FBI 负责调查、转换肖像（数位像素到矢量），并可能与现有数据库进行脸部匹配并辨识个人（使用 AFIS  / ABIS 系统）。 

 

今天，它被认为是所有生物辨识测量中最自然的。 

并且有一个很好的理由 —— 例如，我们不是透过看指纹或虹膜来辨识自己，而是透过看我们的脸。 

 

 

在继续之前，让我们快速定义两个关键字：「身份」和「身份验证」。

人脸辨识数据进行辨识和验证

生物辨识技术用于使用一组可辨识和可验证的数据，来辨识和验证该人的唯一性和特定性。

有关生物辨识定义的更多信息，请访问我们的生物辨识网络档案。

身份辨识回答了这个问题：「你是谁？」

身份验证回答了以下问题：「你真的是你所说的那个人吗？」

和我们在一起。这里有些例子 ： 

• 在脸部生物辨识技术的情况下，2D 或 3D 传感器「捕获」脸部。然后 在将捕获的图像与数据库中保存的图像进行比较之前，透过应用算法将其转换为数位数据。 
• 这些自动化系统可用于根据个人脸部特征（几何形状）在短短几秒钟内辨识或检查个人身份：眼睛间距、鼻梁、嘴唇轮廓、耳朵、下巴等。它们甚至可以在人群中间，以及动态和不稳定的环境中执行此操作。 
• 该业主iPhone X已经推出了脸部辨识技术。 

当然，也存在透过人体进行的其他签名，例如指纹、虹膜扫描、语音辨识、手掌静脉数字化和行为测量。 

那么为什么要进行人脸辨识呢？ 

脸部生物辨识技术，仍然是首选的生物辨识基准。 

那是因为它易于布署和实施。与最终用户没有实体交互。 

此外，用于验证/辨识的脸部检测，和脸部比对过程是快速的。

那么，什么是最好的人脸辨识软件？

 

#1 顶级脸部辨识技术

在生物辨识创新的竞赛中，有几个项目正在争夺头把交椅。

谷歌、苹果、Facebook、亚马逊和微软 (GAFAM) 也在其中。 

现在所有的软件网络巨头都会定期发布他们在人工智能、图像辨识和人脸分析方面的理论发现，以尽快加深我们的理解。

让我们仔细看看：

学术界

香港中文大学的研究人员，于 2014 年开发的 GaussianFace 算法实现了 98.52% 的脸部辨识分数，而人类则为 97.53%。尽管在所需的内存容量，和计算时间方面存在弱点，但仍获得了优异的评价。

脸书和谷歌

2014 年，Facebook 发布了 DeepFace 程序，可以判断两张被拍到的人脸是否属于同一个人，准确率高达 97.25%。在进行相同的测试时，人类在 97.53% 的情况下正确回答，或者仅比 Facebook 程序好 0.28%。 

2015 年 6 月，谷歌透过 FaceNet 取得了更好的成绩。 在广泛使用的 Labeled Faces in the Wild (LFW) 数据集上，FaceNet 实现了99.63%  (0.9963 ± 0.0009)的新记录准确率。山景城的这家公司使用人工神经网络和新算法，设法将一张脸与其主人联系起来，结果几乎完美。    

这项技术被整合到谷歌照片中，用于对图片进行排序并根据辨识的人自动标记它们。

证明了它在生物辨识领域的重要性，随后很快在在线发布了一个名为 OpenFace 的非官方开源版本。 

微软、IBM 和旷视科技

麻省理工学院研究人员于 2018 年 2 月进行的一项研究发现，与浅肤色男性相比，微软、IBM 和中国旷视 (FACE++) 工具在辨识深色皮肤女性时的错误率较高。

2018 年 6 月末，微软在一篇博文中，宣布已大幅改进其有偏见的脸部辨识技术。   

亚马逊

2018 年 5 月，Ars Technica报导称，亚马逊已经在积极向执法机构推广其名为 Rekognition 的基于云端的人脸辨识服务 。该解决方案可以在一张图像中辨识多达 100 个人，并且可以对包含数千万张人脸的数据库进行人脸匹配。  

2018 年 7 月，《新闻周刊》报导称，亚马逊的脸部辨识技术，错误地将 28 名美国国会议员辨识为因犯罪被捕的人。 

主要生物辨识匹配技术供应商

2018 年 5 月底，美国国土安全科学与技术局公布了马里兰州测试设施 (MdTF) 赞助测试的结果。这些实际测试测量了2 m x 2.5 m 走廊中12 个人脸辨识系统的性能。 

泰雷兹利用人脸辨识软件(LFIS)的解决方案，取得了优异的成绩，人脸获取率在 5 秒内达到 99.44%（平均为 68%），供应商真实辨识率在不到 5 秒内达到 98% 平均为 66%。与平均 32% 的错误率相比，它还实现了 1% 的错误率。 

2018 年 3 月 – 使用 300 多名志愿者进行的现场 测试确定了性能最佳的脸部辨识技术。 

 

 有关性能基准的更多信息：2018年11 月发布的 NIST（美国国家标准与技术研究院）报告 详细介绍了 127 种算法的识别准确度，并将性能与参与者姓名相关联。

2019 年底进行的 NIST 持续人脸辨识供应商测试 (FRVT) 3 提供了额外的结果。请参阅 NIST 报告。

正如 ITIF 在 2020 年 1 月所报告的那样，NIST 还证明了最好的脸部辨识算法没有种族或性别偏见。批评者错了。

在 NIST 的报告（2020 年 8 月和 2021 年 3 月），题为「以脸部辨识的准确性口罩，我们看到的算法，在不到一年的时间，都在提高其性能。使用后 COVID-19 算法」。 

脸部情绪辨识 (FER)

脸部情绪辨识（来自实时或静态图像）是映射脸部表情，以辨识人脸上的情绪（如厌恶、喜悦、愤怒、惊讶、恐惧或悲伤）或复合情绪（如悲伤地愤怒）的过程图像处理软件。

人类情感的辨识或解释也分为三个步骤：

• 1）人脸检测
• 2）人脸表情检测
• 3)  将表情分配给特定的情绪状态。

脸部情绪检测的流行来自于广泛的潜在应用领域。

它不同于脸部辨识，其目标是辨识一个人，而不是一种情绪。

面部表情可以由几何或外观特征、从变换图像中提取的参数（例如 特征脸、动态模型以及 3D 和模型）表示。 

供应商包括 Kairos（品牌营销的脸部和情感辨识）、Noldus、Affectiva 或 Sightcorp。