可锁定逃犯的面部识别技术

自1986年警方首次将DNA技术成功应用于刑案侦破以来，在不到40年的时间里，其已深刻影响了刑事司法领域的发展进程。不过，随着当前面部识别技术的问世与异军突起，该技术已然成为刑事司法领域内又一大科技突破！

被英国警方用于识别犯罪嫌疑人的新科技

据《泰晤士报》2024年4月5日报道，英国伦敦警察厅情报部门负责人表示，面部识别技术作为一项“改变游戏规则”的工具，自2023年4月引入以来，平均每两个小时就能识别出一个因抢劫、强奸、盗窃等被通缉的犯罪嫌疑人。英国国王查尔斯加冕典礼前夕，伦敦警察厅在市中心启用了实时面部识别技术（Live Facial Recognition，LFR）比对涉嫌犯罪的通缉名单，以识别混在人群之中的潜在危险对象。

加冕典礼期间，警方动用LFR技术扫描了伦敦市中心的100万个摄像头画面并通过人工智能算法予以了分析。英国伦敦警察厅的数据显示，加冕日当天，部署在伦敦皮卡迪利大街的摄像头共拍摄了超过3万张面部图像，并同10451张已知犯罪人的照片进行了比对。在此过程中，LFR技术触发了两次警报。其中，一名被通缉的性犯罪嫌疑人在经过白金汉宫附近的一个面部识别摄像头时被扫描发现，旋即被成功抓获。上述案例被英国当局视为运用LFR技术搜索嫌犯，尤其是在大型公共活动中的一种有效手段。英国内政部称：“新的科学技术是实现更为高效、有效执法的关键。面部识别技术在帮助执法部门打击谋杀、强奸、持械犯罪、恐怖主义以及儿童性犯罪等方面，发挥着关键的作用。”

面部识别，是一项基于人脸特征信息进行身份识别的生物识别技术

人脸主要由眼睛、鼻子、嘴巴以及下巴等部位组成，对这些局部及其相互之间结构关系的几何描述可作为面部识别的几何特征

面部识别技术能够帮助警方从人群中准确锁定目标人物，而整个过程耗时仅仅以毫秒计算即可。值得一提的是，即使镜头中的人员戴着口罩，该技术仍能对其面部的生物特征进行精确扫描与识别。英国国家物理实验室（National Physical Laboratory，NPL）的一份报告显示，面部识别技术的错误匹配率为1/6000。英国伦敦警察厅情报部门负责人则表示，1/6000是报告估算的概率，而实际运行中面部识别技术的出错率仅为1/40000。新技术的应用，为执法部门的破案工作带来了根本性转变。英国预计，将在未来4年中共投入2.3亿英镑用于提升警察破案技术水平，其中就包括配备更多装备了面部识别系统的警车。

不过，鉴于对公民自由、隐私保护以及技术滥用等方面的担忧，面部识别技术在当前乃至未来还是个有争议的话题。为此，英国警方预计将通过“安全护栏措施”的设置，来确保面部识别技术不会侵犯公民的隐私；同时，将面部识别技术的部署保持在适当程度，以平衡公共安全和公民隐私。南威尔士警局也表示，面部识别技术的应用过程，同人们在公共场合中的摄影活动差异不大。如果某一个体并不在警方的“监视清单”上，警方就不会保留该个体的数据信息。

面部识别技术的使用原理

简单来说，面部识别技术需要借助摄像头来采集带有人脸的图像或视频流，通过人工智能等予以图像检测和人脸跟踪，进而对检测到的面部作出相应分析和识别。从技术流程角度而言，面部识别技术包括了人脸图像的采集检测、预处理、特征提取以及匹配识别等。

采集检测：无论是动态图像、静态图像，抑或不同角度、不同表情的人脸面部图像，都可以经由摄像头予以采集。当个体进入拍摄采集范围后，设备即会自动搜索并拍摄其面部图像。随后，通过人脸检测，对人脸位置和大小等信息、特征予以准确标定，以便后续进一步利用。

预处理：人脸面部图像的预处理，即在人脸检测结果的基础上，对图像进行的处理活动。考虑到设备采集的原始图像往往会受制于各类条件的干扰和影响，无法直接予以使用，这就需要在前期阶段对图像进行噪声过滤、灰度校正等预处理活动。

英国国王查尔斯加冕典礼前夕，伦敦警察厅在市中心启用了实时面部识别技术以识别混在人群中的潜在危险对象

特征提取：人脸特征的提取，即对人脸作出特征建模的过程。面部识别技术可利用的特征通常包括像素统计特征、视觉特征、人脸图像代数特征以及变换系数特征等。以人脸面部器官的形状描述以及相互距离特性而言，人脸主要由眼睛、鼻子、嘴巴以及下巴等部件组成，对这些局部及其相互之间结构关系的几何描述，可作为面部识别的几何特征。

匹配识别：当系统提取到人脸面部图像的特征信息与数据后，即可在后台数据库中进行搜索，并确认是否与已知的存储特征模板匹配。这就需要事先设定一个阈值，当识别的相似度大于等于该阈值时，即可得到匹配的结果，从而对面部图像的身份信息作出判断。

科学技术的飞速发展，令深度学习在面部识别中发挥着越来越重要的作用。尤其是卷积神经网络（Convolutional Neural Networks，CNN）的介入，使其得以构建起多层神经网络结构来进行自动学习和面部特征的提取。通过从低层次的像素特征到高层次的语义特征的学习，来完成对面部复杂特征的精准描述。在技术流程方面，深度学习能融入人脸图像的检测、特征提取与识别等多个阶段。深度学习模型在大量标注面部数据的训练基础上，可实现识别过程中的高精匹配。此外，深度学习还可同诸如生成式对抗网络（Generative Adversarial Networks，GAN）等其他技术结合，共同作用于面部识别技术，以持续提升面部识别的技术优势。

编辑：黄灵 yeshzhwu@foxmail.com