在國內，進入高鐵站、在機場過安檢、入住賓館或到單位簽到時使用人臉識別系統已是很普遍的事了。但奇怪的是，近來國外媒體時有人臉識別系統患上“臉盲癥”的報道。近日，英國大都會警察局被曝其部署的人臉識別系統準確率僅達到2%。而美國民權組織在使用亞馬遜面部識別系統時，掃描所有535位美國國會議員的面部照片，結果其中28人竟被識別成了罪犯。如此誤差引起了人們的質疑，以及對警方使用該系統的擔憂。

人臉識別是AI技術發展較快、應用較多的一個領域，國內警方的人臉識別系統屢屢精準識別逃犯，國外警方的人臉識別準確率為何如此之低？究竟是評價標準不同，還是技術上真有差別？

隱私憂慮或限制技術發展

對于中外人臉識別效果的巨大差異，航天科工智慧產業發展有限公司系統總體部專家何東昌在接受科技日報記者采訪時解釋，首先是國外的國情問題。“有些國家認為，人臉識別存在隱私問題，甚至對視頻監控技術的應用都有一定限制。”例如在英國，面部識別和追蹤技術就曾引發巨大爭議，英國各界甚至發起一項“請警方停止用攝像頭進行面部識別”的抗議活動。類似情況在美國也有發生，如亞馬遜公司利用云計算平臺、人工智能技術幫助警方使用人臉識別技術，美國公民自由聯盟對此提出了抗議。

“國內人臉識別應用已相當廣泛，并積累了相當多的實戰經驗，在人臉圖像采集、預處理以及特征選取等方面的工程優化也做得很好。”何東昌說，除國情外，在國際上我國的人臉識別技術確實發展比較快。

美國國家標準與技術研究院組織的人臉識別算法測試FRVT?2018結果顯示，我國公司再度摘得桂冠。該測試以評測標準的嚴謹性、一致性和全面性著稱。在測試中，我國的人臉識別算法在千萬分之一的誤報下達到識別準確率95.5%，成為當時全球業界在此項指標下的最好水平。

清華大學媒體大數據認知計算研究中心主任王生進教授說，當前人臉識別有三種應用模式：1∶1人臉識別、1∶N人臉識別、M∶N動態布控。

1∶1識別的本質是計算機對當前人臉與人像數據庫進行快速人臉比對，并得出是否匹配的過程，“刷臉”登機、驗票、支付都屬此類；1∶N是在海量的人像數據庫中找出當前用戶的人臉數據并進行匹配，即從N個人臉中找出1個目標；M∶N是通過計算機對場景內所有人進行面部識別，并與人像數據庫進行動態人臉比對，能應用于黑名單監控、VIP客戶管理系統、校園人臉識別系統等多種場景。

“英國警局出現的情況，也未必是識別準確率低。可能是在特定環境下，采集的圖片不夠理想，或是M∶N的人臉識別，為達到更高的檢出率和檢測速度，在一定程度上犧牲了準確度。”何東昌說。

保護“刷臉”信息需多管齊下

在信息即價值的時代，個人隱私信息的商業價值日益凸顯。在人臉識別技術火爆的同時，社會上出現了是否會侵犯隱私，人臉是否能被“假冒”的擔憂和質疑。對此，何東昌認為，目前國內，從消費電子領域到安保、網絡支付、金融等領域都在逐步引入人臉識別，但新技術有“雙刃劍”屬性，應防范其中潛藏的安全隱患。

特別是在“刷臉”過程中，用戶的姓名、性別、年齡、職業，甚至用戶在不同情境狀態下的情緒等大量信息都被采集并儲存。這些信息如果得不到妥善保管而被泄露，用戶個人隱私就處在“裸奔”狀態。“因此，面對刷臉產生的個人隱私問題，我們必須多角度共同保護。目前在人臉識別技術領域，我國尚無相應的安全監管機制，應及早未雨綢繆，預先防范。”何東昌說。

微軟總裁兼首席法務官布拉德·史密斯也在其博文中表示：“考慮到這項技術被濫用的可能性和廣泛的社會影響，政府在人臉識別方面的立法似乎顯得尤為重要。”

“看好我們的臉”，公民應多一些戒備與防范意識，企業多一些技術層面的保障措施，監管也須及時跟進。業內人士也建議，政府應從管理者角度，通過立法方式強化面部識別領域的監管力度，保障公民個人信息安全；相關行業、企業應提升應用軟件等載體及儲存設備的安全技術水平，提升網絡安全意識，避免公民隱私信息泄露或遭非法轉賣；非必要的隱私數據不應采集。當前，人臉識別技術的開發仍有巨大拓展空間，國家有必要在數據共享和開放上加大引導力度，促進技術發展。另一方面，人臉識別技術在逐漸走向成熟，應用將越來越多，識別技術的各類標準，特別是保護公民隱私的標準應盡快出臺；相關行業及企業需擔負起社會責任，主動積極地規范行業標準，自覺維護采集、儲存的公民隱私數據安全等。

人臉識別技術知多少

目前，國內外人臉識別技術發展速度加快，技術路徑也比較多。何東昌介紹說，主流的人臉識別技術基本上可歸結為五類。

其中，基于模板匹配方法是將待處理的人臉圖像直接與數據庫中所有模板進行匹配，選取匹配最相似的模板圖像作為待處理圖像的分類。不過，由于數據庫中每個人的模板圖片數量有限，不可能涵蓋現實中所有的復雜情況，簡單的模板匹配只利用了相關信息，對背景、光照、表情等非相關信息非常敏感。因此，該方法只適用于理想條件下的人臉識別，并不適合應用于實際場景。

基于幾何特征的方法，即人的面部有形狀和大小都不相同的部件，如鼻子和嘴巴等。通過對這些部件形狀的對比、部件間位置的檢測，從而實現人臉識別。與基于模板匹配方法相似，形狀、距離等信息并不能表達出圖像中的姿態、表情等非線性因素，導致該方法的可靠性和有效性較低。

基于人工神經網絡的方法直接使用圖像像素點作為神經網絡的輸入，通過模擬人腦神經元工作機制，可學習到其他方法難以實現的隱性人臉特征表示。而且神經網絡擁有非線性激活函數，使得網絡對人臉圖像中的非線性因素和關系有一定的表達能力。

基于稀疏表示的人臉識別方法中，稀疏表示用的“字典”直接由訓練所用的全部圖像構成，無需經字典學習。

最后一種是基于深度學習的人臉識別方法。其核心內容是逐層訓練的網絡結構，每層使用的是自編碼神經網絡，自編碼神經網絡主要包括對數據編碼和解碼兩部分內容。通過編碼、解碼實現對輸入數據的無監督學習，辨識能力隨數據增長逐步提高。