人脸识别技术面临的困难与挑战
这些泄露后的人脸数据，究竟会被什么样的人使用，用于怎样的场合，是否可能导致财产的损失与其他人身权益的侵犯，对此，我们都一无所知。人脸信息作为生物识别信息，一般来说伴随着人的一生，是不可更改的。这与手机号码之类的个人信息不一样，后者发生泄露，实在不行还可以换一个。但人脸信息发生泄露，不太可能去"换脸"。但可以确定的是，人脸数据的泄露，所带来的潜在的安全风险，远比手机号与账户信息的泄露更为严重。
人脸识别技术存隐患
近几年，人脸识别技术日益创新突破，在各产业之间落地的应用项目有目共睹，但以目前技术来说仍然跟不上瞬息万变的社会变化和市场需求，例如今年新冠病毒突袭下，导致我国大批人脸产品无法在戴口罩的情况下进行扫描识别，事后各大厂商立即更新算法，但从此时也提醒了我们，面对未来的不确定性，技术不能一成不变，需要不断创新与突破。
此外，如何在不同光线和角度下，更好地识别脸部？如何清晰、精准的确定身份等等问题，仍然是目前亟待解决的技术痛点。
于2012年进行的一项研究表明，供应商Cognitec公司提供的面部算法在识别非裔美国人方面的表现要比识别白种人低5%至10%；2011年，还有研究人员发现中国、日本以及韩国开发出的人脸识别模型很难区分高加索人与东亚人种。今年2月，麻省理工学院媒体实验室的研究人员们指出，微软、IBM与中国厂商Megvii公司的人脸识别技术在识别浅肤色女性方面错误率高达7%，识别深肤色男性的错误率为12%，而对深肤色女性的错判比例更是达到35%。
算法出错的例子还远不止于此。最近调查结果显示，伦敦大都会警察局部署的系统在每一次实际应用时都会产生最多49次的错误匹配。在去年众议院监督委员会关于人脸识别技术的听证会上，美国联邦调查局承认，其用于识别犯罪嫌疑人的算法存在高达15%的错误判断率。此外，弗吉尼亚大学的研究人员正在进行的一项研究发现，两大著名研究图像集--ImSitu与COCO（COCO由Facebook、微软以及初创企业MightyAI共同构建），在对体育、烹饪以及其它多种活动的描述当中，表现出明显的性别偏见（例如购物图像一般与女性有关，而教练图像则往往与男性关联）。
如何在不同光线和角度下，更好地识别脸部？如何清晰、精准的确定身份等等问题，仍然是目前亟待解决的技术痛点。
然而，即使解决了偏见问题，即人脸识别系统能够以对所有人都公平公正的方式运作，其中仍然存在着潜在的失败风险。与众多其它人工智能技术一样，就算彻底排除到偏见性因素，人脸识别方案通常都会存在一定程度的误差。一切工具都可用于善途或者恶途，而工具本身越强大，其可能带来的收益或者损害也就越明显。
多个城市"拒绝"人脸识别
去年5月中旬，美国旧金山城市监管委员会投票通过"禁止使用人脸识别"的决定，成为美国第一个对这一技术说"不"的城市。时隔不到一个月，先是马萨诸塞州的萨默维尔紧跟旧金山步伐，发布了东海岸第一个人脸识别政府禁令；之后7月和10月，另一座湾区城市奥克兰以及加州伯克利，也全票通过了政府人脸识别禁用法案。
除此以外，从2020年1月到3月，马萨诸塞州的另外三座城市布鲁克莱恩、剑桥和北安普顿也相继加入到禁用行列之中。截至目前，伴随着又一座大城市波士顿也开始禁用人脸识别技术。
今年9月，波特兰市议会周三通过了美国最强的人脸识别禁令，阻止该技术在俄勒冈州城市的私人企业以及政府机构使用。波特兰对人脸识别的禁令不是第一个，但却是最严格的。虽然旧金山、波士顿和加州奥克兰等城市都已经通过立法禁止政府机构使用人脸识别，但波特兰的措施也禁止商业企业使用该技术。
根据制定的新规，地方政府机构在使用人脸识别技术的时候将受到限制，或是被完全禁止，或是在公共场所受限，且任何购买任意一种新兴监控技术的计划都必须得到市政官员的同意。
可以看到，在舆论的推动与引导下，越来越多的城市正在拒绝人脸识别这一项原本被极力看好的AI技术。而在这一技术被禁的背后，其他相关产业也将大受影响。返回搜狐，查看更多
学习感悟（人脸识别）
文章目录1.人脸识别简介2.人脸识别系统流程3.多姿态人脸识别的算法1.人脸识别简介2.人脸识别系统流程3.多姿态人脸识别的算法1.人脸识别简介人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别技术作为计算机视觉与模式识别领域的一项重要分支。随着算法与硬件是完善而得到发展，大概可分为两个方面：一为传统的基于手工设计特征等人脸识别算法，二是基于深度学习的人脸识别算法。与其他生物识别相比，人脸识别的优点在于高效且方便，被应用于如安保，支付和监控等方面。在现实生活的应用中，人脸识别技术仍然受到诸如光照，表情，衣物遮挡和姿态变换等因素的干扰。其中，人脸的多姿态性是目前人脸识别技术研究的重点和难点之一。2.人脸识别系统流程传统的自动人脸识别系统分为以下几步：（1）图像采集和检测人脸图像的采集多是在受控条件进行的，即需要在相同条件下体现不同个体的不同特征，可以有不同的表情、不同的装饰等，人脸检测在研究中实际的应用一般用作图像定位和图像预处理，为之后的图像处理过程提供人脸的位置信息及像素信息等。人脸图像可以包含如直方图特征、颜色特征、模板特征、结构特征及Haar特征等多种特征，人脸检测即通过提取这些特征实现的。（2)图像预处理图像预处理就是将图像进行归一化或其他处理，使图像符合实验正常运行的要求。图像预处理的目的是针对特征提取的要求将图像整体处理到适合训练的模式，减少整体识别过程中算法无法实现的概率。（3)特征提取特征提取是人脸识别算法中的重要部分，其目的在于将人脸中可用于信息识别的部分进行提取与储存。提取人脸图像特征的过程又被称作人脸表征，人脸表征方法可按特征提取的方式分为两大类：基于知识的表征方法与基于代数的表征方法。（4）降维数据维度的大小对于提取方法不同的特征的识别率的影响是不确定的，但对于同一个特征来说，数据维度越高，其产生的识别率的准确度越高。但数据维数越高其运算难度越大，且维度越高其运算所需要的时间越长。目前广泛使用的降维算法有PCA算法，ICA算法。（5）特征匹配特征匹配是人脸识别算法中的最后一步，它利用不同个体所提取处理好的人脸表征与数据库进行对比，并设置一个阈值对图像与数据库中的数据的匹配程度进行二分类。这一操作包括一对一的图像确认过程与一对多的图像辨认过程。
2.多姿态人脸识别的算法传统的多姿态人脸识别方法大致分为如下几部分。（1）基于几何特征的多姿态人脸识别。人脸的几何特征主要由人脸整体轮廓特征与各个器官特征组成。通过检测各个器官与人脸重要部位边缘检测，并通过算法对检测到的几何信息与数据进行匹配，判断其姿态与身份信息。（2）基于数据降维再分类的多姿态人脸识别。PCA算法的目的是将多维数据进行降维操作得到较低维度的数据再进行人脸识别，可以较快的得出检测结果。但PCA算法也很容易受到外部如光照等因素的干扰。ICA算法在降维方面与PCA算法的效果相近。基于深度学习的算法模型，其网络结构的连接方式与大量可更改的参数使深度学习的模型可以有效的解决人脸的多姿态性对人脸识别带来的困难，例如深度置信网络DeepFace网络、FaceNet网络VGGFace网络和DeepID网络等。其中深度置信网络与VGGFace网络均可以有效的对人脸进行识别。其中，深度置信网络由两个对称耦合的随机反馈型二值单元神经网络构成，对两个网络分别连接池化层并进行堆叠，最后通过Softmax对采集到的数据进行分类分析。深度置信网络的优点在于它不仅仅对数据分类关注，还对其数据与标签的联合分布做了重视，对有标签数据的分类识别的准确率有很大提高。VGGFace网络即建立在VGG-16与VGG-19两种模型的基础上的多姿态人脸识别算法，其中16与19分别代表其网络层数。ASEF算法在多姿态人脸识别中，准确定位人眼位置具有重要意义。一方面，人眼作为带有关键信息的面部特征之一，比嘴巴和鼻子等器官更为重要。另一方面，人眼在面部的位置是相对固定的。人眼的位置通过改进后的AESF算法进行定位。平均合成精密滤波人眼定位算法（ASEF）是使用输入样本和复合输出结果在频域中构造一个滤波器，然后不加权的情况下对这些滤波器求均值以获得平均滤波器。ASEF算法的思想是学习一个滤波器h，然后和图像if进行卷积操作：gi=fixh。通过算法得到左右眼信息之后，即可得到双眼距离数据，再使用K—means聚类方法对人脸姿态进行聚类。
【感悟】随着社会的发展，人脸识别在支付，安保，监控等方面大范围应用，刷脸时代正式到来。手机的面容ID解锁和线上支付在日常生活中运用的比较多，但人脸识别解锁经常会受到一些因素的影响，多姿态的人脸识别技术是目前研究的难点之一。生活中经常采集到的图像不是标准的正脸图像，在很大的程度上影响人脸识别算法的准确性。运用深度学习进一步提升了人脸识别的精确度，为2D人脸识别的应用作出了突破作用，加快了人脸识别的普及。参考文献：[1]李金羽.多姿态人脸识别算法研究[D].北京建筑大学,2020.