如何识别我们的“面纹”

罗元婕

人脸识别属于生物特征识别技术中的一种，它指的是对生物体（一般特指人）的生物特征来区分每一个个体。脸、指纹、手掌纹、虹膜、视网膜、语音、体形、个人习惯（如签字）等生物特征的识别，都有相应的识别技术支持。这些特征常被视为便捷的身份认证形式，因为它们大多与生俱来，且具备唯一性。

随着移动设备处理能力的提升，人脸识别技术迅速突破安防领域，涌向日常应用，在金融系统、娱乐等其他领域发酵，创造了巨大的商业价值。

据了解，“刷脸”认证的背后，其实是一整套的信用实人认证过程，包含了新技术、实名认证等一整套方案。技术专家表示，目前人脸识别技术已经达到金融级的准确度和安全性，准确率超过99.6%，而且，结合眼纹等多因子验证，准确率能达到99.9%。发型、常规妆容、胖瘦变化、老化等都可以被准确识别出来。

目前，深度学习正逐渐被应用于人脸识别中，深度学习将特征提取和分类两个步骤融合在一起，利用神经网络黑盒子的特性，计算出最适合的特征提取模式，直接跳过“特征提取影响识别结果”这一缺陷，让算法更适用于不同的实际应用。

人臉识别技术的种类虽然繁多，但底层算法大同小异，识别图片的“多样性”和“精准性”才是衡量技术高低的重要标准。只有把一定规模的训练数据“喂”给机器，提升它深度学习的能力，才能保证人脸识别技术在实际应用场景中达到预期的效果。这也就意味着，为了提高算法的准确性，大量的数据积累是必不可少的。

以商场内部监控摄像头的例子来说明，比较容易理解“刷脸”的原理：装备了面部识别软件的计算机将会对商场内的视频影像进行检测和识别。系统一旦发现任何可疑的“脸”，就会密切关注那个镜头中的每一张“脸”。当系统把图像中的脸调整到合适的大小和方向后，就会进一步细致识别，并创建一个“面纹”。

面纹与指纹原理类似，即一组能够区别人脸的组合特征。每个人眼睛、鼻子和嘴等面部特征之间的距离、面积和角度等几何关系各不相同，一个大眼睛、小鼻子、薄嘴唇的“面纹”，就和小眼睛、大鼻子、厚嘴唇人的面纹不同。

把面纹与一张照片进行对比，可以验证一个“已知人”的身份，比如公司对进入特定区域的员工进行身份验证。面纹也可以与数据库中大量的图片进行对比，识别出一个“未知人”。可是，当光照变化、人脸有外物遮挡、面部表情变化时，特征变化较大，一个墨镜就能极大地混淆面部识别系统。

此外，正在被识别的人对识别过程的配合程度也是决定面部识别成功与否的因素之一。因而，对有意识地进行面部识别的人进行识别就会比较简单，比如刷脸支付时，顾客为方便软件识别，就需要在合适的光线下直视摄像头。

为了解决这些技术难点，提高面部识别的准确性，研发或应用人脸识别技术的公司正大量积累数据，希望完善系统的深度学习能力。比如，作为美图秀秀的合作方，Face++已经识别了超过10亿张照片，现在还建立了数亿张照片的名人图片库。而Facebook为了研究DeepFace技术，早已建立了一个来自于4030个人的440万张标签化的人脸池。Facebook希望通过深度学习算法，调查用户在社交网络上的行为和习惯，进而精准地推送信息。