导语：如今，无人驾驶地铁穿梭于城市，扫码支付“无现金”走进日常生活……物联网、AI、5G等技术不再只停留在理论或者想象。
科学技术迭代更新，人类文明的脚步从未停止。人工智能产业进入爆发年，应用不断落地，尤其是基于计算机视觉原理的人脸识别技术，以其不可复制性、非接触性、可扩展性和快速性等特点在多种生物识别技术中脱颖而出。
人脸识别系统的研究始于20世纪60年代，80年代后，随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的最新应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。
人脸识别系统技术流程
人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。
人脸图像采集及检测
人脸图像采集：不同的人脸图像都能通过摄像镜头采集下来，比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到很好的采集。当用户在采集设备的拍摄范围内时，采集设备会自动搜索并拍摄用户的人脸图像。
人脸检测：人脸检测在实际中主要用于人脸识别的预处理，即在图像中准确标定出人脸的位置和大小。人脸图像中包含的模式特征十分丰富，如直方图特征、颜色特征、模板特征、结构特征及Haar特征等。人脸检测就是把这其中有用的信息挑出来，并利用这些特征实现人脸检测。
主流的人脸检测方法基于以上特征采用Adaboost学习算法，Adaboost算法是一种用来分类的方法，它把一些比较弱的分类方法合在一起，组合出新的很强的分类方法。
人脸检测过程中使用Adaboost算法挑选出一些最能代表人脸的矩形特征(弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器，再将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，有效地提高分类器的检测速度。
人脸图像预处理
对于人脸的图像预处理是基于人脸检测结果，对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰，往往不能直接使用，必须在图像处理的早期阶段对它进行灰度校正、噪声过滤等图像预处理。对于人脸图像而言，其预处理过程主要包括人脸图像的光线补偿、灰度变换、直方图均衡化、归一化、几何校正、滤波以及锐化等。
人脸图像特征提取
人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。人脸特征提取就是针对人脸的某些特征进行的。人脸特征提取，也称人脸表征，它是对人脸进行特征建模的过程。人脸特征提取的方法归纳起来分为两大类：一种是基于知识的表征方法；另外一种是基于代数特征或统计学习的表征方法。
基于知识的表征方法主要是根据人脸器官的形状描述以及他们之间的距离特性来获得有助于人脸分类的特征数据，其特征分量通常包括特征点间的欧氏距离、曲率和角度等。人脸由眼睛、鼻子、嘴、下巴等局部构成，对这些局部和它们之间结构关系的几何描述，可作为识别人脸的重要特征，这些特征被称为几何特征。基于知识的人脸表征主要包括基于几何特征的方法和模板匹配法。
人脸图像匹配与识别
提取的人脸图像的特征数据与数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出。人脸识别就是将待识别的人脸特征与已得到的人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。
人脸识别应用前景广阔
随着人工智能、机器学习、深度学习等新兴技术和算法的发展，人脸识别技术的识别成功率在近些年超过了肉眼的识别成功率，随着成功率的提高，人脸识别应用也遍地开花，从宏观上来说人脸识别的应用主要在以下几方面。
1.企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门，人脸识别登录，景区人脸识别验票，展会人脸识别门禁，人脸识别会员管理系统等。
2.电子护照及身份证。这或许是未来规模最大的应用。在国际民航组织（ ICAO）已确定，从 2010年 4月 1日起，其 118个成员国家和地区，人脸识别技术是首推识别模式，该规定已经成为国际标准。
3.公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
4.自助服务。如银行的自动提款机，如果同时应用人脸识别就会避免被他人盗取现金现象的发生。
5.信息安全。如计算机登录、电子政务、电子商务及银行交易。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现。如果密码被盗，就无法保证安全。如果使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一。从而大大增加电子商务和电子政务系统的可靠性。
人脸识别技术争议不断
世间之事，大抵都是一半海水，一半火焰。科技也不例外，通常一项技术的研发、落地，能在同一象限内全球的从业者达成初步共识，譬如5G、IoT等等。
但是，人脸识别技术却是个例外，它正经历着史无前例的冰火两重天。
近日，美国马萨诸塞州的萨默维尔市宣布禁止当地警方和市政部门使用面部识别软件，成为美国第二个禁止该技术的城市。这项法令将面部识别称为“等同于要求每个人随时携带和展示带有个人照片的身份证”，并引用了对女性、年轻人、移民和有色人种面部识别错误匹配的担心。
据外媒称，萨默维尔市收到了当地居民分享的98条书面评论，加上美国公民自由联盟（ACLU）的支持信和来自贸易组织安全行业协会的反对信。该市收到的所有信件都支持禁令。人脸识别技术在美国的争议一直不断，反对者认为，如果不对这项技术进行规范，将会为政府提供前所未有的权力来跟踪人们的日常生活。
作为人脸识别行业中的佼佼者——亚马逊，也遭遇了各种非议。早在去年5月，美国一批民权组织就联名致信亚马逊，要求其停止向政府提供一款名为Rekognition的面部识别技术，因为这种技术很可能被政府滥用，从而严重威胁到各种人群的公民权利。
在亚马逊提供的工具中，亚马逊的图像识别产品Rekognition是最具争议的。每分钟只需支付几便士的费用，就能够扫描视频片段，识别人脸，然后与客户的数据库进行比对。
然而，民权组织称它为“可能是有史以来最危险的监视技术”，不仅如此，他们还要求亚马逊停止向政府机构出售这一技术，尤其是警察局（Rekognition 曾被应用于警察局抓捕罪犯）。旧金山的城市监管会禁止了这一技术的使用，他们表示，这个软件不仅有侵犯性，而且有偏见——对比黑人和亚洲人，它更能识别白色人种。
在商业层面，最近科技巨头微软宣布，已删除其公开人脸识别数据库——MS Celeb。据称，用于学术研究的该数据库于2016年建立，拥有超过1000万张图像、将近10万人的面部信息，包括一些公众人物的数据。
而在更早的2011年，谷歌母公司Alphabet董事长埃里克·施密特说，人脸识别“很可怕”，并承诺谷歌公司不会建立用户照片的数据库……
很明显，在当今的欧美国家，对人脸识别技术的担忧，远胜于对这种技术所带来的益处的乐观预期。
人脸识别的技术困局
纵然人脸识别技术已经被应用于多层面，但目前仍旧有技术困局。人脸识别的困难主要是人脸作为生物特征的特点所带来的。
1.人脸类似性
不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。
2.人脸易变性
人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人脸识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。
在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化（inter-class difference），而称第二类变化为类内变化（intra-class difference）。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。
此前，美国公民自由联盟（ACLU）使用亚马逊的脸识别产品Rekognition进行了一项实验，发现软件错误地将28名国会议员判定为此前被捕的罪犯。
但亚马逊方面回应，其软件的设计本意是辅助人类工作，造成误判的原因是ACLU在实验中使用了错误的设置，将识别阈值定为80%，一般在警方工作中建议阈值不低于99%。
此外，针对此前计算机生成的假脸假视频DeepFake较为全面测评的论文表示，现有的先进人脸识别算法在面对计算机生成的假脸时基本束手无策，他们经过一系列实验发现，当前已有的先进人脸识别模型和检测方法，在面对 DeepFake 时基本可以说是束手无策——性能最优的图像分类模型 VGG 和基于 Facenet 的算法，分辨真假视频错误率高达 95%；基于唇形的检测方法，也基本检测不出视频中人物说话和口型是否一致。
对此，Idiap 研究所博士后Pavel Korshunov 和瑞士生物识别研究和测试中心主任Sébastien Marcel 指出，随着换脸技术的不断发展，更加逼真的 DeepFake 视频，将对人脸识别技术构成更大的挑战。
人脸识别面临滥用风险
于欧美国家，人脸识别的功能已是执法机关追踪嫌犯时最强有力的武器；还有些医疗机构正通过分析人的脸部特征，来诊断某些罕见遗传疾病……但它对公民隐私权构成的威胁，也前所未有。
相较指纹等其他生物特征，人脸识别的最大不同就在于，它能远距离发生作用，而无需直接接触。这意味着，政府、公司等机构和个人可能未经当事人同意、甚至完全不知情的情况下读取并搜集其数据，进而非法使用。
事实上，人脸不仅仅能表明身份，或许还会泄露许多其他信息。有研究表明，通过大数据和算法，有相当大概率能通过人脸特征来测算一个人的智力水平、性取向，甚至政治倾向……
因此，一旦这种技术被不恰当地使用，就有可能产生严重后果——例如，保险公司或可更精确判定一个人的健康状况，从而制定出包赚不赔的保单价格；雇主可能会雇佣或拒绝一些特定的雇员，以满足其偏见；一些政府则可能更加主动有效地对某些特定人群进行追踪、监控甚至迫害；在人种多元的国家，脸部特征数据的运算结果还可能造成对某些族群人士的不公正认知……
还有人认为，人脸识别会反过来影响人们的现实交往和信任关系。如果都知道自己的脸部特征会对自己将在社会上遭遇怎样的对待产生重大影响时，人们就会被训练成“表演大师”。长此以往，整个社会将陷入巨大的信任危机之中。
人脸识别技术的双面性
“人脸识别技术是无罪的，钢铁有时被用于制造婴儿保育箱，有时被用于制造枪支。”对于人脸识别技术落地所遭遇的“困境”，亚马逊 CTO Werner Vogels如是说。
他认为，所有的技术都是双面性的，可以有很好的应用，也可以被恶意利用。决定技术发展的走向，取决于监管部门的选择。
当然，所有的技术从0到1，从1到N的过程都是不断补全自身短板的过程，在这方面，众多公司也开始了攻坚之路。
今年5月，Facebook便发布了Fairness Flow，该工具会自动警告某种算法是否根据检测目标的种族、性别或者年龄，做出了不公平的判断。
今年6月，通过与人工智能公平性专家们开展合作，微软公司修改并扩展了其用于模型训练的Face API数据集。
Face API是一项微软Azure API，主要提供用于检测、识别及分析图像中人脸内容的算法。
通过与肤色、性别以及年龄相关的大量新数据，Face API如今能够将深肤色男性与女性的错误判断率降低至原本的二十分之一，对女性的错误判断率则降低为原先的九分之一。
与此同时，初创企业Gfycat公司也于今年表示，其将引入更为严格的检测阈值，从而努力提高其人脸识别算法在判断亚裔人士面部方面的准确性。
过去一段时间，以人脸识别为代表的AI技术在部分地区的发展的确遭遇了一些挑战，但我们也绝不能因此去否定它所有的光环。
此外，人们对人脸识别技术的担忧还主要来自侵犯隐私。
尽管一些人脸识别数据平台表示在采集到照片后会对照片进行脱敏处理，只提取照片特征，而非照片本身，即使这些特征在传输过程中被窃取，也无法还原出照片。但是未经用户允许调用照片，本身就是一种对其隐私的侵犯。并且，这些数据依然可以用来跟踪消费者的购物习惯，用于精准营销。
人脸识别等人工智能技术目前还处于野蛮发展阶段，虽然近年来开始强调个人隐私保护，但是还远远不够。如果忽略技术发展中的人文因素，会带来难以预测甚至灾难性的后果。未来应以此为契机，建立数据安全和伦理的防火墙。
“数据集聚时代的来临，给现代科技伦理和科技立法均带来挑战，固有伦理与立法的精神和规范应结合时代发展。”中国政法大学国际法学院副教授曾涛谨慎表示，世界各国均对科技发展引发的新问题，如数据保护颁行新的法律，我国也应及时更新制定相应规则，同时呼唤相应行业伦理与监督标准。
人脸识别技术的应用是否应该有具体边界，它在某个领域的技术是否已经成熟到可以应用，人脸识别数据应如建立怎样的妥善保护机制，公众是否有权知道算法的透明性等，这些开放性的挑战都是当前亟须研究和厘清的问题。
本文版权归原作者所有，同心智造网（www.hahakm.com）转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
