【人脸表情识别】不得不读的重要论文推荐（2019
上一篇专栏文章我们介绍了2015-2018年基于图片的人脸表情识别代表性方法。本文将延续上一篇的内容，继续盘点2019-2020基于图片的人脸表情识别的代表性工作。
作者&编辑|Menpinland
1.对姿态和身份鲁棒的人脸表情识别方法
之前的研究表明人的头部姿态以及身份都会影响人脸表情识别的效果，头部姿态的改变会让算法难以用统一的模式去识别相同的表情，而相同的身份容易让算法误认为同一个人属于同一类（相同身份有许多人脸特征相同），因此许多研究者针对这两类问题提出了相应的解决方案。但很少有工作能较好地同时解决姿态跟身份带来的问题，所以Wang等人[1]基于对抗学习的思想提出了对姿态和身份较为鲁棒的人脸表情识别方法（如图1所示）。该方法输入相同表情但姿态跟身份不一样的两张人脸，通过对抗学习的方式去除掉姿态跟身份的变化，仅保留表情的特征信息再进行识别，从而达到对姿态和身份都较为鲁棒的目的。
推荐指数：✦✦✦✦✧
图1｜[1]中提出方法示意图
[1]WangC,WangS,LiangG.Identity-andPose-RobustFacialExpressionRecognitionthroughAdversarialFeatureLearning[C]//Proceedingsofthe27thACMInternationalConferenceonMultimedia.2019:238-246.
2.含手工特征的自适应加权损失函数
在其他一些分类问题上，前人的研究发现手工设计的特征跟深度学习获得的特征有相似之处且互补，选用合适的策略将手工特征嵌入到深度学习中可有效提升分类的效果。Xie等人[2]发现在人脸表情识别领域，并没有太多的工作深入研究如何将手工特征跟深度特征相融合，因此构建自适应的加权损失函数融合手工特征以及深度特征。
推荐指数：✦✦✦✧✧
图2｜[2]中提出的方法示意图
[2]XieW,ShenL,DuanJ.AdaptiveWeightingofHandcraftedFeatureLossesforFacialExpressionRecognition[J].IEEETransactionsonCybernetics,2019.
3.图结构表示和双向循环神经网络
Zhong等人[3]的工作最大的创新之处在于采用图结构进行人脸表情表示，随后再用双向循环神经网络以及全连接层进行特征提取和分类。不过无论从理论解释上还是实验结果上，这种方法暂时还没有特别明显的优势。
推荐指数：✦✦✧✧✧
图3｜[3]中提出方法示意图
[3]ZhongL,BaiC,LiJ,etal.AGraph-StructuredRepresentationwithBRNNforStatic-basedFacialExpressionRecognition[C]//201914thIEEEInternationalConferenceonAutomaticFace&GestureRecognition(FG2019).IEEE,2019:1-5.
4.联合人脸表情的生成与识别
针对当前人脸表情识别数据较少的问题，Yan等人[4]提出联合人脸表情生成与识别的方法（方法框架如图4所示）。简单来说，就是通过生成对抗网络合成虚拟的表情图片，这些虚拟的图片能够辅助识别的网络提升表情识别的效果，而识别的网络能够引导GAN生成更逼真的虚拟表情图片。
推荐指数：✦✦✦✧✧
图4｜[4]提出的方法架构
[4]YanY,HuangY,ChenS,etal.JointDeepLearningofFacialExpressionSynthesisandRecognition[J].IEEETransactionsonMultimedia,2019.
5.空间注意力+多路连接的人脸表情识别
Xie等人[5]主要围绕最常用的人脸表情识别方法——卷积神经网络进行更有针对性的改进，在多个数据集上取得了较好的识别效果。方法主要分成两大模块(如图5)：（1）attention-basedSalientExpressionalRegionDescriptor(SERD)，这个模块先从在大型人脸数据集上进行过预训练的模型微调得到特征图，再加入空间注意力机制，突出表现出表情的区域；（2）Multi-PathVariation-SuppressingNetwork(MPVS-Net)，这个模块简单来说就是将一个人脸表情特征同多个随机相同表情的人脸特征进行比对，降低不同属性的影响（性别，人种等），训练出来后，得到具有明显区分性的特征向量再进行全连接和分类。在2020年情感计算顶级期刊《IEEETransactionsonAffectiveComputing》中，Fan等人[6]同样引入了注意力机制，以及通过双阶段训练的方法降低不同属性对表情识别的影响（方法结构如图6）。
推荐指数：✦✦✦✦✧
图5｜[5]提出的模型结构
图6｜[6]提出方法示意图
[5]XieS,HuH,WuY.Deepmulti-pathconvolutionalneuralnetworkjointwithsalientregionattentionforfacialexpressionrecognition[J].PatternRecognition,2019,92:177-191.
[6] FanY,LiV,LamJCK.FacialExpressionRecognitionwithDeeply-SupervisedAttentionNetwork[J].IEEETransactionsonAffectiveComputing,2020.
6.利用对抗学习提升带遮挡表情识别效果
跟姿态变换、光照问题一样，遮挡问题也是人脸表情识别所需面临的一项挑战。Pan[7]等人基于对抗学习的思想，提出了一个有效提升含遮挡的人脸表情识别网络（方法框架如图7所示）。在训练阶段，网络利用Resnet对遮挡和非遮挡人脸分别进行训练得到y1和y2两组特征，随后通过设计的五个损失函数对网络进行优化。五个损失函数分别为：（1）针对y1的交叉熵损失函数；（2）y1与y2相似度损失函数；（3）针对y1和y2交叉熵函数的LIR（LossInequalityRegularization）损失函数；（4）利用遮挡与非遮挡特征联合训练的生成对抗损失函数；（5）利用遮挡特征实现去除遮挡的损失函数。最终五个损失函数按照一定权重进行相加，权重通过网格搜索的方法进行选择。同时考虑到含遮挡的人脸表情图片较少，作者通过人工合成的方式构建含遮挡的人脸表情数据。2020ACMMM上另外一篇文章[8]也是设计多个损失函数的组合引导网络提升含遮挡人脸表情的识别效果（网络结构如图8所示）。
推荐指数：✦✦✦✦✧
图7｜[7]提出的方法框架示意图
图8｜[8]提出的网络结构
[7]PanB,WangS,XiaB.Occludedfacialexpressionrecognitionenhancedthroughprivilegedinformation[C]//Proceedingsofthe27thACMInternationalConferenceonMultimedia.2019:566-573.
[8] XiaB,WangS.OccludedFacialExpressionRecognitionwithStep-WiseAssistancefromUnpairedNon-OccludedImages[C]//Proceedingsofthe28thACMInternationalConferenceonMultimedia.2020:2927-2935.
7.高效网络集成
AAAI2020的一篇文章，总体来说，Siqueira等人[9]工作的核心思路就是网路集成，根据数据集类型的不同（实验室条件下和自然状态下的不同）设计不同的网络结构，创新性的话并无太大亮点。不过，文章提供了一定的理论支撑，以及提供了基于所提方法的非常完整的表情识别框架，识别效率高，所以还是值得推荐。
推荐指数：✦✦✦✦✧
代码：https://github.com/siqueira-hc/Efficient-Facial-Feature-Learning-with-Wide-Ensemble-based-Convolutional-Neural-Networks
图9｜[9]中针对不同类型数据集提供不同的集成方案
[9]SiqueiraH,MaggS,WermterS.Efficientfacialfeaturelearningwithwideensemble-basedconvolutionalneuralnetworks[J].arXivpreprintarXiv:2001.06338,2020.
8.抑制不确定性表情
当前大型人脸表情数据集存在着几个不确定因素：人脸表情模棱两可，图片质量较低以及标注者会带有主观偏见，这些问题的存在也容易让模型训练过程中陷入“误区”。针对上述问题，Wang等人[10]提出了“自愈网络”（Self-CureNetwork，SCN）用于在训练过程中动态的调整标签从而提升识别的效果。整个网络包含三大主要部分（如图10所示）：（1）样本经过一个主干卷积神经网络生成特征，特征经过一层全连接层和sigmoid函数，得到一个表达样本标签一致性的参数（该参数越接近1，即代表这个样本跟标签越是对应一致的）；（2）得到样本标签一致性的参数后，经过一个正则化网络不断学习后，网络会自动归类“好”样本与“坏”样本，并更加突出两者间的差异；（3）对于“坏样本”，如果其预测所有表情概率的最大值减去其标注表情的概率大于一个阈值，则修改为最大概率的类别。同年另外一篇CVPR文章[11]也是针对人脸表情识别中的标注问题提出了基于图表示方法。
推荐指数：✦✦✦✦✦
代码：https://github.com/kaiwang960112/Self-Cure-Network
图10｜[10]中提出的方法示意图
[10]WangK,PengX,YangJ,etal.Suppressinguncertaintiesforlarge-scalefacialexpressionrecognition[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2020:6897-6906.
[11] ChenS,WangJ,ChenY,etal.LabelDistributionLearningonAuxiliaryLabelSpaceGraphsforFacialExpressionRecognition[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2020:13984-13993.
基于图片的人脸表情识别的工作，尤其是近两年的优秀的工作，其实远不止本文提到的那些。一些笔者不太熟悉的领域，如基于弱监督[12]，半监督[13]的人脸表情识别、基于动态类别增长的人脸表情识别[14]、基于域自适应（迁移学习）的跨数据集人脸表情识别[15]等，在本文就不再对这些方法做过多的描述，有兴趣的小伙伴可自行查看。
[12] ZhangF,ZhangT,MaoQ,etal.GeometryGuidedPose-InvariantFacialExpressionRecognition[J].IEEETransactionsonImageProcessing,2020,29:4445-4460.
[13] FloreaC.,BadeaM.,FloreaL.,RacoviteanuA.,VertanC.(2020)Margin-Mix:Semi-SupervisedLearningforFaceExpressionRecognition.In:VedaldiA.,BischofH.,BroxT.,FrahmJM.(eds)ComputerVision–ECCV2020.ECCV2020.LectureNotesinComputerScience,vol12368.Springer,Cham.
[14] ZhuJ,LuoB,ZhaoS,etal.IExpressNet:FacialExpressionRecognitionwithIncrementalClasses[C]//Proceedingsofthe28thACMInternationalConferenceonMultimedia.2020:2899-2908.
[15] ZhouL,FanX,MaY,etal.Uncertainty-awareCross-datasetFacialExpressionRecognitionviaRegularizedConditionalAlignment[C]//Proceedingsofthe28thACMInternationalConferenceonMultimedia.2020:2964-2972.
总结
从近两年的代表性工作我们也可以看到，除了用非常新颖方法去提升识别效果外。对于基于图片的人脸表情识别方法，越来越多研究回归到这个领域所存在的问题（姿态变化、身份影响以及标注不一等）并提出针对性的解决方案。但当前仍然没有方法能解决所有基于图片的人脸表情识别所存在的问题，所以对于之后该领域的工作依然值得期待。下一篇专栏我们将把目光转向基于视频的人脸表情识别，敬请期待~
有三AI秋季划-人脸图像组
人脸图像小组需要掌握与人脸相关的内容，学习的东西包括8大方向：人脸检测，人脸关键点检测，人脸识别，人脸属性分析，人脸美颜，人脸编辑与风格化，三维人脸重建。。了解详细请阅读以下文章：
【CV秋季划】人脸算法那么多，如何循序渐进地学习好？
转载文章请后台联系
侵权必究
往期精选
【人脸表情识别】基于图片的人脸表情识别，基本概念和数据集
【人脸表情识别】如何做好表情识别任务的图片预处理工作
【人脸表情识别】不得不读的重要论文推荐（2015-2018篇）
【CV秋季划】模型优化很重要，如何循序渐进地学习好？
【CV秋季划】人脸算法那么多，如何循序渐进地学习好？
【CV春季划】170分钟学习OpenCV与经典图像处理算法基础
【CV秋季划】人脸关键点检测，人脸识别视频更新
【CV秋季划】人脸检测，活体人脸检测，伪造人脸检测视频更新
【CV秋季划】人脸识别经典难题介绍，抗遮挡，跨年龄，异质源，少样本等
【CV秋季划】人脸三维重建视频更新
【CV秋季划】人脸年龄，表情，姿态等属性识别视频更新
【CV秋季划】人脸美颜与风格化视频上新
【CV秋季划】人脸编辑之统一属性编辑方法视频更新
【CV秋季划】人脸编辑之表情，年龄，姿态编辑方法视频更新
【CV秋季划】深度学习换脸算法视频更新
人脸识别技术应用的机遇与挑战
作者：戴丽娜（上海社会科学院新闻研究所副所长、副研究员）；郑乐锋（上海社会科学院互联网研究中心研究助理）
人脸识别技术的研究最早起源于20世纪60年代，到90年代进入了初级应用阶段。近年来，随着计算机视觉技术、大数据、人工智能、机器学习等技术的疾速发展，人脸识别技术在各国出现了爆发式增长，给人们的工作和生活带来了极大便利。
根据全球第二大市场研究机构Markets and Markets年中发布的预测，2019年全球人脸识别市场规模预计为32亿美元，五年后将达79亿美元，市场的主要驱动力来自于各国政府、国土安全、金融、零售、医疗保健等服务领域。然而，人脸识别技术在快速发展、深入社会的同时，也给我们带来了诸多安全挑战。个人隐私数据泄漏、技术滥用等造成的信息安全风险问题亟待解决。2019年发生的多起人脸识别安全事件已引起了全球各界人士对人脸识别技术应用规制的深层反思。
西北工业大学一名学生在图书馆人脸识别系统终端前登记注册个人信息。新华社发
人脸识别技术带来的新机遇
目前，从全球人脸识别技术领域的应用场景布局来看，安防、金融、交通是相对布局较为成熟的领域，而在零售、广告、智能设备、教育、医疗、娱乐等领域也均有较多应用场景，为经济社会的发展以及人们日常生活的便捷带来了新机遇。
资料图片
1.智能安防领域
随着智慧城市、大数据、人工智能等项目开展和技术应用，智能安防领域对于人脸识别技术的需求越来越大。人脸识别作为一种非常重要的身份识别手段，在公安巡检、网上追逃、户籍调查、证件查验等方面得到了广泛应用。同时，人脸识别也可以用作访问控制的一种手段，延伸出了诸如考勤系统、门禁系统等方面的应用，确保只有经过授权的人员才能进入某些区域。
2.金融交易领域
人脸识别在金融交易领域的应用也非常普遍，其应用场景主要包括人脸识别存取款、电子银行远程开户、在线网络支付等方面。早在2013年，芬兰创业公司Uniqul就推出了全球第一款基于脸部识别系统的支付平台。Uniqul的人脸识别系统将用户面部生物数据与数据库中的账户匹配，短时间内即可快速完成身份确认和交易流程。
3.公共交通领域
人脸识别技术在公共交通中的应用主要包含航空、火车、汽车、地铁等公共出行领域。国际民航组织规定，自2010年起，118个成员国家及地区必须使用机读护照，而人脸识别则成了首选模式。人脸识别技术在航空安检中率先得到应用，而后逐渐扩展到部分城市的火车站和地铁站等公共交通安保领域。
4.营销零售领域
目前，人脸识别在营销零售领域的应用正快速扩展。以无人零售为代表的新零售场景大量使用了人脸识别技术，无人售货机遍布各大商场、楼宇、地铁、车站等公共场所，无人便利店自2017年起广泛使用了人脸识别安全系统。此外，人脸识别技术还广泛应用于广告投放和识别客户信息（如客户性别、年龄、表情、肤质、观看广告时长等），并通过分析这些数据有针对性地向客户推送最有吸引力的广告。早在2013年，全球第三大零售巨头Tesco（乐购）就曾宣布，计划在英国450间加油站便利店的广告荧屏上加入一项叫OptimEyes的人脸识别技术。OptimEyes可根据感知到的受众情况智能选择投放广告内容。
5.智能设备解锁
2017年9月，苹果新版手机iPhoneX率先应用了FaceID屏幕解锁功能，随后，各大手机品牌厂商相继应用了人脸识别解锁功能，引发了智能终端设备人脸识别应用的热潮，成了人脸识别产业新的快速增长点。
6.医疗领域
2019年1月，《自然》杂志刊载了人工智能公司FDNA发布的一项最新研究：DeepGestalt是基于深度学习的人脸识别医疗系统，可以通过人脸识别技术辨识基因疾病，从而帮助医生进行诊断。FDNA的研究人员训练了17000多张面部图像，能够以较高的精度从人脸照片中识别出罕见的遗传综合征。目前，经过训练的DeepGestalt大约能从面容上识别200多个综合征，准确率达到91%左右。
7.教育领域
除了在各种重大考试中应用人脸识别技术防止舞弊，人脸识别技术也应用于课堂签到、课堂效果监测等方面。在课堂上运用人脸识别技术，通过对学生面部表情进行识别，根据学生的情绪表现监测分析，从而可以进一步提升教学效果。卡内基梅隆大学（CMU）的研究人员曾展示过一套全面的实时传感系统——“EduSense”。该系统使用两台壁挂式摄像头（一台对着学生，一台对着老师），单个摄像头可以看到教室中的每个人，并自动识别信息，并可以对视频和音频进行分析。
8.寻找失踪人口
人脸识别系统已经成为寻找失踪人口的有效工具之一。将失踪人员照片添加到数据库中，运用人脸识别技术进行信息比对，可及时向执法人员发出警报通知。2019年4月，印度妇女和儿童发展部向高等法院提交的一份文件显示，德里警方通过人脸识别技术，在4天时间里，从45，000生活在儿童之家的儿童中识别出2930失踪儿童，并确认了他们的身份，努力协助他们与家人团聚。
个人隐私和数据保护的隐患
人脸识别技术应用在提升身份认证便捷度和效率的同时，也给个人隐私和数据保护带来了巨大的挑战。仅在2019年，媒体就报道了多起人脸识别技术使用不当的相关事件：
问题场景一——数据泄露隐患：6月6日，微软公司疑似因隐私保护和授权瑕疵方面的原因删除了曾为全球最大的人脸识别数据库MS Celeb。据悉，MS Celeb数据库于2016年发布，拥有超过1000万张图像以及将近10万人的面部信息，用于培训全球科技公司和军事研究人员的面部识别系统。而在微软删除该数据库前，IBM、松下电气、阿里巴巴、辉达、日立、商汤科技、旷视科技等多个商业组织都曾使用过MS Celeb数据库。
问题场景二——使用必要性存疑：8月21日，瑞典北斯部盖乐夫提市的一所高中因使用面部识别技术来监控学生的出勤情况，被瑞典数据监管机构（The Swedish Data Inspection Authority，DPA）处以20万瑞典克朗（人民币14.8万元）的罚款。这是欧盟的《通用数据保护条例》（General Data Protection Regulation，简称GDPR）生效以来，瑞典数据监管机构公布的首张罚单。瑞典数据监管机构认为，该学校使用面部识别技术来监控学生的出勤情况，事先未向瑞典DPA寻求咨询，在日常环境中对学生进行摄像监控等行为侵犯了学生的隐私，违反了GDPR关于处理敏感生物特征数据的规定。
问题场景三——滥用数据风险：此前，伊利诺伊州的一起集体诉讼案指控脸书公司滥用面部识别数据，并要求赔偿350亿美元，脸书要求美国一家法院驳回此案。10月18日，旧金山第九巡回法院的三名法官组成的小组驳回了脸书的请求。此案涉及700万用户，脸书可能会面临向每个用户赔偿1000至5000美元的罚款，总罚款金额最高可能达到350亿美元。法庭文件说：“脸书的面部识别技术违反了伊利诺伊州的生物特征信息隐私法（BIPA）。违反BIPA的规定实际上损害了用户的隐私，或会对他们的隐私构成实质性的威胁。”
问题场景四——安全隐忧：12月12日，美国人工智能公司Kneron测试团队在荷兰最大的机场史基浦机场用手机屏幕上的一张照片骗过了自助登机终端，再次引起了人们对人脸识别准确性和安全性的关注。此外，该团队还用一个特制的3D面具成功蒙骗了微信和支付宝等人脸识别支付系统。同样引起了人们对人脸识别支付安全性的担忧。
上述事件报道不仅引起了公众的对人脸识别技术应用边界与个人隐私保护的高度关注，也促使业界和监管者对一路高歌猛进的人脸识别应用进行深刻反思。
第一，严重侵犯个人隐私。首先，大部分公共场所在采集人脸信息时并未明确告知，使得被动采集成为常态；其次，在机场、火车站、公园、银行、学校、公司（小区）门禁或考勤等人脸识别的应用中用户几乎完全没有选择权利，只能被动接受；再次，人脸识别技术滥用，隐私安全风险高筑，面相分析、换脸、换装、试妆、测肤质等娱乐小程序，以及刷脸支付售货机等随处可见，毫无边界的人脸识别技术应用，正肆无忌惮地收集着用户的人脸数据及个人隐私。
第二，数据安全保障机制缺失。数据采集、存储与使用等规范缺失，导致数据泄漏风险极高。首先，当前关于人脸识别技术产品生产企业资质、产品的安全标准和市场准入标准，数据的存储资质和时限，以及对已获取数据的使用权限等缺少明确规定。其次，生产企业和提供应用服务的企业在数据存储和使用中缺乏透明度。再次，网络安全生态环境持续恶化，人脸数据库泄漏事件也时有发生。
第三，识别技术有待进一步完善。目前，人脸识别应用还达不到百分之百的准确。尤其是针对不同种族和民族群体识别的错误率差异比较大。例如，麻省理工媒体实验室和微软的一项合作研究曾显示，人脸识别的准确率与肤色高度相关。当被识别的图像中为白人时，正确率超过90%；而对于肤色较深的女性，准确率仅为65%。因此，用于比对的基础数据库不仅需要考虑种族和民族样本平衡性，也需要尽可能确保样本数量的有效性。此外，姿势、装饰（帽子、眼镜、口罩等）和光线等变量均会对识别结果产生影响。
第四，部分不当应用可能导致歧视。现今，人脸识别技术在招聘、交友、婚恋、教育等领域也屡见不鲜。通过对人脸数据的分析，对个体的性格、心理、能力、情商等进行评定，给出相应建议。然而，限于技术水平、原始数据精准度、算法隐含的价值判断，以及数据库样本量的有效性等诸多因素，使得这类应用可能扩大某种偏见，引发歧视。
此外，作为身份验证手段，人脸识别技术存在先天缺陷。相对于指纹、虹膜、声音、声纹、基因等其他用于身份识别的生物信息，人脸暴露度较高，更容易实现被动采集。这也同时意味着人脸信息的数据更容易被窃取，不仅可能侵犯个人隐私，还会带来财产损失，甚至大规模的数据库泄露还会对一个族群或国家带来安全风险。
针对上述问题，有必要对人脸识别技术的无限制推广和扩张及时“刹车”，并尽快采取相应措施防范和规制人脸识别技术的应用。
如何防范人脸识别技术的潜在风险
人脸识别技术本质上是一种基于大规模人脸数据分析的人工智能身份验证应用技术。因此，合理和合法使用该项技术，还需充分认识人脸数据的意义和价值：一是，人脸数据可被还原成人脸图像，关涉到个体的肖像权，因而相关滥用行为极易侵犯此项权益；二是，在数字经济时代，人脸数据具有一定的经济价值。一方面，基于人脸数据的人脸识别技术应用给相关企业和行业带来了巨大的经济利润，而用户不仅几乎没有得到任何经济补偿，甚至还可能给自身的权益受到侵害埋下巨大隐患；另一方面，作为身份识别和验证的人脸数据，一旦被窃取、滥用，可能给用户直接带来安全威胁或财产损失，如门禁和支付应用。
有效防范人脸识别技术可能带来的风险需要从完善相关法规政策、加强政府监管、提高行业自律和提升个体素养等层面系统规避人脸识别技术应用带来的风险和挑战。
第一，需尽快完善包括人脸识别在内的人体生物信息使用法律法规。应划定人脸识别技术使用边界，并建立人脸识别技术应用申报备案和审批制度。遵循“必要性”原则，防止因商业利益滥用此技术。例如，对于非封闭式公共场所安装人脸识别设备（如公园验票等）必要性展开充分评估。
第二，采集人脸数据前须告知用途和可能风险，以保障公众知情权与选择权，防止企业过度收集和利用。尤其是企业或政府机构在公共场合以拍摄、录像、扫描等方式采集可在人脸识别中使用的数据，应公开、明确告知，以便不愿被采集的人可以避开这些区域。同时，对于一些商业或娱乐性应用，不仅必须履行告知义务，还需为用户提供“退出”选项。即当用户不想再继续授权使用其面部数据时，应用提供方必须提供“退出”或“删除”路径，以确保被采集方的“选择权”和“被遗忘权”。
第三，对人脸数据存储权限做出明确规定，确保数据在采集、传输、使用和存储过程中的安全性。可通过第三方认证的方式，确认企业是否具有相应技术能力保障人脸数据的安全性。此外，人脸数据应采取本地存储方式，并禁止跨境流动。
第四，根据数据用途，明确规定人脸数据的存储主体、时限和采集，以最大限度保证数据安全。人脸识别技术使用过程中通常涉及人脸识别技术产品提供方和采纳方。其中，采纳方既包括维护公共安全的特殊主体相关政府公共管理部门，同时也包括一般的企事业单位主体。但无论是哪类主体都需避免滥用职权过度采集人脸数据，并同时承担数据保护的责任。依据人脸数据的使用目的和需要，可将数据的存储时限分为即时、短期和长期三类，并尽可能选择即时存储方式，即比对后不对扫描到的人脸数据进行保存。
第五，应建立和健全行业组织，建立人脸识别行业自律准则。在数字时代，技术发展日新月异，法律法规滞后于技术发展已经成为新常态。因此，完全寄希望于政府治理人脸识别既不可能，也不现实。因此，建立人脸识别技术企业联盟类组织，确立相应伦理原则和安全标准，有利于人脸识别行业良性发展。
第六，认识人脸数据的价值，增强隐私自我保护意识。当前，人脸识别技术正处于快速应用之中，个人在面临各种信息采集的同时，必须要增强自我隐私保护意识，认真阅读相关隐私条款，对于信任度有存疑可能的应用，应当明确拒绝其信息收集行为，警惕个人隐私泄漏风险。
《光明日报》（2019年12月26日 14版）
[责编：曾震宇]人脸识别技术发展现状及未来发展趋势
限时免费提供人脸人体、分割抠图、OCR以及视频等共计140+项AI能力的调用【点此开通】
人脸识别，通常也称人像识别、面部识别，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，主要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的一系列相关技术。
近年来，随着人工智能的发展以及国家经济发展、安全防卫的需要，我国人脸识别市场不断扩大，技术水平不断提升，在算法方面已取得世界领先地位。伴随着人工智能的持续发展，智能化时代的悄然到来，以人脸识别为代表的生物识别技术越来越普及。从安防、支付、金融到教育、医疗和交通，"刷脸"日渐成为常态，为人们的生产与生活带来了诸多智能、安全与便捷。
一、人脸识别技术发展背景
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。除了安防、金融这两大领域外，人脸识别还在交通、教育、医疗、警务、电子商务等诸多场景实现了广泛应用，且呈现出显著应用价值。为了进一步把握人脸识别技术所带来的重大机遇，我国出台了一系列政策予以支撑。
2015年以来，我国相继出台了《关于银行业金融机构远程开立人民币账户的指导意见(征求意见稿)》、《安全防范视频监控人脸识别系统技术要求》、《信息安全技术网络人脸识别认证系统安全技术要求》等法律法规，为人脸识别技术的应用以及在金融、安防、医疗等领域的普及奠定了重要基础。
2017年，人工智能首次被写入全国政府报告;同年7月，国务院发布了《新一代人工智能发展规划》;12月，工信部出台了《促进新一代人工智能产业发展三年行动计划(2018-2020年)》，其中对人脸识别有效检出率、正确识别率的提升做出了明确要求。作为人工智能主要细分领域，人脸识别获得的国家政策支持显而易见。
2020年，《中国新一代人工智能发展报告2020》今天在浦江创新论坛发布。报告对过去一年中国人工智能发展的总体情况进行了系统回顾。报告分全球发展、创新环境、科技研发、产业化应用、人才培养、区域发展、人工智能治理七个章节，力图客观反映中国《新一代人工智能发展规划》的实施情况，揭示未来发展的新挑战和新趋势。
二、人脸识别技术发展历程
人脸识别最初在20世纪60年代已经有研究人员开始研究，真正进入初级的应用阶段是在90年代后期，发展至今其技术成熟度已经达到较高的程度。
1991年，特征脸(Eigenface)算法被应用在人脸识别，首次实现了自动检测人脸。这项技术是霍普金斯大学的希洛维奇(Sirovich)提出，再由麻省理工学院(MIT)"连接科学"的创始主任亚力克斯彭特兰(AlexPentland)发扬光大，彭特兰在2012年被《福布斯》评为"全球7个最强数据科学家之一"，获此殊荣的还有谷歌创始人拉里佩奇。
2000年以后，NIST研究院又在FERET项目基础上做了延伸，先后发起两个新项目FRVT和FRGC，FRVT是评估技术可用性，测试算法系统性能，为采购技术的相关部门提供检测报告。FRGC则是面向市场上的公司和团队，联合其他部门的定制化需求，发布竞标比赛，FRVT负责对接评估，帮助不同部门完善人脸识别系统的个性化要求。
2010年，随着Facebook加入人脸识别功能，人脸识别开始走向个人。从支付到美颜，全球互联网公司纷纷跟进，2017年苹果iPhoneX首次发布人脸解锁功能，抢购一空同时引爆了市场，如今人脸识别已经应用在了方方面面，短视频、直播这些每天都会高频出现在我们身边。整个发展过程可以分为机械识别、半自动化识别、非接触式识别及互联网应用阶段。
与其他生物识别方式相比，人脸识别优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同。指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中体验感不佳。
目前人脸识别需要解决的难题是在不同场景、脸部遮挡等应用时如何保证识别率。此外，隐私性和安全性也是值得考虑的问题。人脸识别优势明显，未来将成为识别主导技术。
具体来说，相比指纹识别、虹膜识别等传统的生物识别方式，优点主要还集中在四点：非接触性、非侵扰性、硬件基础完善和采集快捷便利，可拓展性好。在复杂环境下，人脸识别精度问题得到解决后，预计人脸识别有望快速替代指纹识别成为市场大规模应用的主流识别技术。
三、人脸识别技术研发现状
人脸识别发展加快一方面来自于我国智能化社会建设的发展需求，另一方面来自于人脸识别技术的快速发展。尤其是近年来人工智能化的浪潮下，人脸识别行业受到了资本的青睐，为人脸识别技术的发展提供了重大机遇。根据SooPat数据显示，近年来我国人脸识别行业相关专利申请数量不断提高。
2018年，我国人脸识别行业专利申请量为3487项，较2017年略有提升，专利公开数量为5200项，同比增长93%。2019年1-2月，我国人脸识别专利公开量已经达到1174项，超过2014年全年水平。
四、我国人脸识别技术应用现状分析
2014年是我国人脸识别技术的转折点，使人脸识别技术从理论走向了应用，2018-2020年则是人脸识别技术全面应用的重要节点，"刷脸"时代正式到来。
目前，从我国人脸识别技术应用来看，主要集中在三大领域：考勤门禁、安防以及金融。
从具体应用来看，主要包含了公共安全领域的刑侦追逃、罪犯识别以及边防安全等;信息安全领域的政府职能领域的电子政务、户籍管理、社会福利和保险;商业企业领域的电子商务、电子货币和支付、考勤、市场营销;场所进出领域的军事机要部门、金融机构的门禁控制和进出管理等。除了公共安全领域，人脸识别也更多的被用到了金融行业。当下刷脸办卡、远程贷款、自主开户、刷脸支付已经开始在我们的生活中渗透。现在很多银行已经把人脸识别系统引入到自主设备中，在办卡时可以利用人脸识别技术将现场采集的照片与已存照片、身份证照片进行比对，确认之后，才可以进行自主开卡、业务变更、密码重置等业务，更加的安全高效。
同时在交通领域，行人闯红灯也步入了“刷脸”时代。中国式过马路曾经成为一时笑料，很多中国人在过马路的时候，不看红绿灯，凑够一群人就走的情况还是没能够得到改善。一直以来这种闯红灯的陋习很难被治理，但是人脸识别技术的发展让我们看到了转机。
现在已经有地区开始将人脸识别技术用于治理行人乱闯红灯了，在行人闯红灯时，自动识别抓拍系统会对闯红灯的市民进行抓拍，并将数据上传到大数据侦查实验中心，核实真实身份，并实时在电子大屏上对违法人员进行曝光。
五、人脸识别未来发展趋势
首先，人脸识别应用的最广泛领域便是安防行业，不仅给整个安防行业注入了新的生命活力，也进一步开拓了新的发展市场。作为安防市场未来的发展方向的智能视频分析，其中最重要的技术就是人脸识别。
其二，我国的三维测量技术近年来发展形势较好，而现今3D人脸识别算法正对2D投影的缺陷做了补充，此外对于其中的传统难点，包括人脸旋转、遮挡、相似度等在内的都有了很好的应对，这也成为了人脸识别技术的另一个最为重要的发展路线之一。
其三，大数据深度学习进一步提升了人脸识别的精确度，这也为2D人脸识别的应用作了一定的突破，将其应用于互联网金融行业当中，能够快速普及金融级应用。
其四，人脸识别技术由于其便利性、安全性，可在智能家居中用作门禁系统以及鉴权系统，因此智能家居与人脸识别技术的融合是未来发展的重点方向。智能家居中的人脸识别系统是结合嵌入式操作系统和嵌入式硬件平台建立的，加强了人脸识别技术与智能家居应用的结合度，具有概念新、实用性强等特点。
其五，人脸识别技术是未来基于大数据领域的重要发展方向。现如今公安部门都引入了大数据，这也弥补了传统技术的难点，通过人脸识别技术使得这些照片数据再度存储利用，能够大大提升公安信息化的管理和统筹，这将成为未来人脸识别的主要发展趋势。
在线免费体验百种AI能力：【点此跳转】
钉钉扫描下方二维码，进群免费对接百种AI能力