中国领先的企业技术服务平台

返回贤集网 返回论坛
贤集网技术论坛APP下载
8 回复贴,共 1回复 收藏

人脸识别技术是什么原理?利与弊各是什么?

人脸识别技术是什么原理?利与弊各是什么?

回复

近年来,随着安防行业的不断向前发展,智能化是未安防行业发展的一大发展趋势。所谓人脸识别技术,即基于人的脸部特征,对输入的人脸图象或者视频流进行判断,首先判断其是否存在人脸。如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。



人脸识别技术原理分析


人脸由于其易采集的特性,受到很多行业客户的关注,特别是公安、海关、商场等。人类每天都在进行人脸识别,因此也最能接受这种身份认证方式。人脸识别的研究始于上世纪中期,经历了数十年的努力,现在已经可以应用在我们的实际生活中,为我们提供各种便利。


人脸识别主要分为人脸检测(face detection)、特征提取(feature extraction)和人脸识别(face recognition)三个过程.


人脸检测:人脸检测是指从输入图像中检测并提取人脸图像,通常采用haar特征和Adaboost算法 训练级联分类器对图像中的每一块进行分类。如果某一矩形区域通过了级联分类器,则被判别为人脸图像。


特征提取:特征提取是指通过一些数字来表征人脸信息,这些数字就是我们要提取的特征。常见的人脸特征分为两类,一类是几何特征,另一类是表征特征。几何特征是指眼睛、鼻子和嘴等面部特征之间的几何关系,如距离、面积和角度等。由于算法利用了一些直观的特征,计算量小。不过,由于其所需的特征点不能精确选择,限制了它的应用范围。另外,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。所以说,这类算法只适合于人脸图像的粗略识别,无法在实际中应用。


表征特征利用人脸图像的灰度信息,通过一些算法提取全局或局部特征。其中比较常用的特征提取算法是LBP算法。LBP方法首先将图像分成若干区域,在每个区域的像素640x960邻域中用中心值作阈值化,将结果看成是二进制数。图3显示了一个LBP算子。LBP算子的特点是对单调灰度变化保持不变。每个区域通过这样的运算得到一组直方图,然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。


人脸识别:这里提到的人脸识别是狭义的人脸识别,即将待识别人脸所提取的特征与数据库中人脸的特征进行对比,根据相似度判别分类。而人脸识别又可以分为两个大类:一类是确认,这是人脸图像与数据库中已存的该人图像比对的过程,回答你是不是你的问题;另一类是辨认,这是人脸图像与数据库中已存的所有图像匹配的过程,回答你是谁的问题。显然,人脸辨认要比人脸确认困难,因为辨认需要进行海量数据的匹配。常用的分类器有最近邻分类器、支持向量机等。


与指纹应用方式类似,人脸识别技术目前比较成熟的也是考勤机。因为在考勤系统中,用户是主动配合的,可以在特定的环境下获取符合要求的人脸。这就为人脸识别提供了良好的输入源,往往可以得到满意的结果。但是在一些公共场所安装的视频监控探头,由于光线、角度问题,得到的人脸图像很难比对成功。这也是未来人脸识别技术发展必须要解决的难题之一。


现在已有一些机构、高校在进行人脸识别新领域、新技术的研究。如远距离人脸识别技术,3D人脸识别技术等。远距离人脸识别系统面临两个主要困难。一是如何从远距离获取人脸图像。其次,在得到的数据并不理想的情况下如何识别身份。从某种意义上来看,远距离人脸识别并不是一个特定的关键技术或基础研究问题。它可看成是一个应用和系统设计问题。通常有两类解决方法用于获取人脸图片。一种是高清的固定式摄像机,另一种是使用PTZ控制系统多摄像机系统。后者更适合于一般情况,不过其结构更为复杂,造价也更贵。后者需要考虑如何协调多台摄像机的同步操作。一般地,系统由低分辨率广角摄像机和高分辨率长焦摄像机组成。前者用于检测和追踪目标,后者用于人脸图像采集和识别。目前远距离人脸识别技术还处于实验室阶段,未来如果能够解决上述问题,对人员布控这样的应用有着重要意义。


3D人脸识别能够很好地克服2D人脸识别遇到的姿态、光照、表情等问题。主要原因是2D图像无法很好地表示深度信息。通常,3D人脸识别方法使用3D扫描技术获取3D人脸,然后建立3D人脸模型并用于识别。不过,3D人脸识别技术的缺点也是很明显的。首先它需要额外的3D采集设备或双目立体视觉技术,其次,建模过程需要的计算量较大。相信随着未来芯片技术的发展,当计算能力不再受到制约,采集设备成本大幅下降的时候,3D人脸识别将会成为热门技术之一。


人脸识别在应用中的挑战


从实际测试来看,用户的预期与当前的技术水平之间的差距还是比较大的。人脸识别技术在动态监控应用中面临的压力实际上也比较大。


1.用户希望正确报警率要求高。而现实是理论上来说必须接受高误报率。在技术方面,要达到高正确报警率,可以通过降低阈值来实现,但是降低阈值的代价是:高误报率。为了达到95%正确报警率,很多算法可能会产生300%或更高的误报率。


2.用户希望监控库足够大,往往要求数万或几十万,甚至上百万的监控名单,希望能捕到“大鱼”。现实是库容量大就必须接受高误报率。


3. 用户希望大规模成网建设,能够勾画出监控人员的活动轨迹。 现实是必须高投入,重新建专用网络和相关硬件。


4. 用户希望尽量使用目前的监控设备(摄像机和网络)。 现实是现有的摄像机清晰度不够,图像质量差,用于场景监控时视频中人脸过小,网络带宽不够等等造成无法使用现有设备。


5. 用户希望少产生误报甚至不产生误报。 现实是这样就必将损失正确报警率和减少监控库容量,与用户的想法相违。


6.光照问题


面临各种环境光源的考验,可能出现侧光、顶光、背光和高光等现象,而且有可能出现各个时段的光照不同,甚至在监控区域内各个位置的光照都不同。


7. 人脸姿态和饰物问题


因为监控是非配合型的,监控人员通过监控区域时以自然的姿态通过,因此可能出现侧脸、低头、抬头等的各种非正脸的姿态和佩戴帽子、黑框眼镜、口罩等饰物现象。


8. 摄像机的图像问题


摄像机很多技术参数影响视频图像的质量,这些因素有感光器(CCD、CMOS)、感光器的大小、DSP的处理速度、内置图像处理芯片和镜头等,同时摄像机内置的一些设置参数也将影响视频质量,如曝光时间、光圈、动态白平衡等参数。


9.丢帧和丢脸问题


需要的网络识别和系统的计算识别可能会造成视频的丢帧和丢脸现象,特别是监控人流量大的区域,由于网络传输的带宽问题和计算能力问题,常常引起丢帧和丢脸。



OpenCV是Intel 公司支持的开源计算机视觉库。它轻量级而且高效--由一系列 C 函数和少量 C++ 类构成,实现了图像处理和计算机视觉方面的很多通用算法,作为一个基本的计算机视觉、图像处理和模式识别的开源项目,OpenCV 可以直接应用于很多领域,其中就包括很多可以应用于人脸识别的算法实现,是作为第二次开发的理想工具。


1 系统组成


人脸识别系统可以在Linux 操作系统下利用QT库来开发图形界面,以OpenCV 图像处理库为基础,利用库中提供的相关功能函数进行各种处理:通过相机对图像数据进行采集,人脸检测主要是调用已训练好的Haar 分类器来对采集的图像进行模式匹配,检测结果利用PCA 算法可进行人脸图像训练与身份识别,而人脸表情识别则利用了Camshift 跟踪算法和Lucas–Kanade 光流算法。


2 搭建开发环境


采用德国Basler acA640-100gc 相机,PC 机上的操作系统是Fedora 10,并安装编译器GC*.3,QT 4.5和OpenCV2.2 软件工具包,为了处理视频,编译OpenCV 前需编译FFmpeg,而FFmpeg 还依赖于Xvid库和X264 库。


3 应用系统开发


程序主要流程如图所示。


回复 0


面像识别是近年来随着计算机技术、图象处理技术、模式识别技术等技术的快速进步而出现的一种崭新的生物特征识别技术。生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术,如同人的指纹、掌纹、眼虹膜、DNA以及相貌等人体特征具有人体所固有的不可复制的唯一性、稳定性、无法复制一样,不易失窃或被遗忘。由于每个人的这些特征都不相同,因此利用人体的这些独特的生理特征可以准确地识别每个人的身份。


随着计算机技术的迅速发展,人们开发了指纹识别、声音识别、掌形识别、签名识别、眼纹(视网膜)识别等多种生物识别技术,目前许多技术都己经成熟并得以应用。而面像识别技术则是生物识别技术的新秀,与其他识别技术相比较,面像识别具有简便、准确、经济及可扩展性良好等众多优势,可广泛应用于安全验证、监控、出入口控制等多个方面。


面像识别技术包含面像检测、面像跟踪与面像比对等课题。面像检测是指在动态的场景与复杂的背景中判断是否存在面像并分离出面像,面像跟踪指对被检测到的面像进行动态目标跟踪,面像比对则是对被检测到的面像进行身份确认或在面像库中进行目标搜索。


面像检测分为参考模板、人脸规则、样本学习、肤色模型与特征子脸等方法。参考模板方法首先设计一个或数个标准人脸模板,然后计算测试样本与标准模板之间的匹配程度,通过阀值来判断是否存在人脸;人脸具有一定的结构分布特征,人脸规则即提取这些特征生成相应的规则以判断测试样本是否包含人脸;样本学习则采用模式识别中人工神经网络方法,通过对面像样本集和非面像样本集的学习产生分类器;肤色模型依据面像肤色在色彩空间中分布相对集中的规律来进行检测;特征子脸将所有面像集合视为一个面像子空间,基于检测样本与其在子空间的投影之间的距离判断是否存在面像。


上述方法在实际系统中也可综合采用。


面像跟踪一般采用基于模型的方法或基于运动与模型相结合的方法,另外,肤色模型跟


踪也不失为一种简单有效的手段。


面像比对从本质上讲是采样面像与库存面像的依次比对并找出最佳匹配对象。因此,


面像的描述决定了面像识别的具体方法与性能。目前主要有特征向量与面纹模板两种描述方


法,特征向量法先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离、角度等等


属性,然后计算出它们的几何特征量,这些特征量形成一描述该面像的特征向量;面纹模板


法则在库中存储若干标准面像模板或面像器官模板,在比对时,采样面像所有象素与库中所


有模板采用归一化相关量度量进行匹配。另外,还有模式识别的自相关网络或特征与模板结


合的方法。



面像识别技术的最新进展是可以通过摄象机来搜索捕捉识别活动的人像,而不仅仅


识别照片。例如,最近由美国新泽西州Visionics公司开发的面像局部特征分析法识别


系统,仅用一部摄象机和一台计算机,即可在人群中识别出某个人来。


该系统利用摄象机扫描拍摄的某一区域,搜索有可能是人脸的形状。然后在存储器


中搜索已事先存入的与之类似的面部特征。为了确认扫描到的眼睛、鼻子和嘴等特征就是一


个活人而不是人体模型或图片,系统还对眨眼或其他可以提供信息的面部动作进行搜索。


然后系统对组成面部图像的像素进行分析。它将每个像素点的明暗度与相邻点进行比较,查找明暗度向周围呈放射突变的区域。在眉骨、眼睛、或者其他突起的特征,比如颧骨和鼻子等处,都会出现这种突变。系统将勾勒出每一个这种像素点的位置,这些点称为“参照点”然后在点之间连线,形成一个由三角形构成的网络。


系统将测量每个三角形的角度,生成由672个1和0组成的数来描述一张面孔。之后程


序尝试从它的数据库中找出与该数据相匹配的类似记录。这种匹配不可能绝对理想,因此软


件会将相似程度分为不同的等级。软件是根据骨络结构描绘参考点的,因此胡须、化妆和眼


睛等伪装都不可能骗过它。


用于扑捉面部图像的除了为标准视频外,近来的发展趋势是热成像技术。热成像技术通


过分析由面部的毛细血管的血液产生的热线来形成面部图像,与视频摄像头不同,热成像技


术并不需要在较好的光源条件下,因此即使在黑暗情况下也可以使用。并可更好地排除胡须、


头发以及化妆引起的面部变化的干扰。



2、1、2面像识别过程


1.建立面像档案:可以从摄像头采集面像文件或取照片文件,生成面纹 (Faceprint)编码;


2.获取当前面像,可以从摄像头捕捉面像或取照片输入,生成其面纹;


3.将当前面像的面纹编码与档案中的面纹编码进行检索比对。


“面纹”编码方式是根据脸部的本质特征和开头来工作的,它可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化,具有强大的可靠性,使得它可以从百万人中精确地辨认出一个人。


上述整个过程都自动、连续、实时地完成,而且系统只需要普通的处理设备。几乎所有的生物测量过程对人们来说都是一种干扰。指纹和掌纹的测定需要人们将手放在玻璃表面。虹膜扫描需要用激光照射你的眼睛。面部识别最大的优越性在于它的方便性, 快速性,而且是非侵扰的。面部识别无需干扰人们行为而达到识别效果,无需为是否愿意将手放在指纹采集设备上,或对着麦克风讲话,或是将他们的眼睛对准激光扫描装置而进行争辩。你只要很快从一架摄像机前走过,你就已经被快速的检验。


2、1、3面像识别技术应用范围


面像识别技术作为生物识别技术体系的后起之秀,将有着十分广泛的应用前景。可应用于诸多领域,如出入口控制、银行金融系统、公安追辑嫌疑犯、反恐怖斗争以及互联网中等等。在我国开展的“追逃”斗争,如果能利用面像识别技术,则可大大提高工作效率,并能对犯罪分子产生极大的威慑力量。使用面像识别系统只要在重要的车站、码头、机场、海关出入口附近架设摄像机,系统即可在无人职守的状态下,自动捕捉进、出上述场所的人员的头像,并通过计算机网络将面像特征数据传送到计算机中心数据库,自动与面像数据库中的逃犯面像比较,迅速准确地作出身份判断。一旦发现吻合的头像,可以自动报警并记录。


我国银行金融系统对安全控制有着极高的要求,如电子商务信息系统、金库的安全设施、保险柜、自动柜员机的使用等。由于近年来金融诈骗、抢劫发生率有所增高,对传统安全措施提出了新的挑战。面像识别技术不需要携带任何电子、机械“钥匙”,可以杜绝丢失钥匙、密码的现象,如果配合IC卡、指纹识别等技术可以使安全系数成倍增长。同时,在ATM自动取款机上应用面像识别技术,可以免除用户忘记密码的苦恼,还可以有效防止冒领、盗取的事件发生。


目前,在我国,面部识别技术的研究和应用还刚刚开始,但在欧美等发达国家这一技术已被应用在许多场所。特别是“9.11”恐怖事件之后,美国警方率先在冰岛国际机场、美国波士顿机场、美国奥克兰机场、美国亚特兰大机场、美国休斯敦机场等开始应用这一先进技术,借助闭路监视系统监控扫描人群自动搜寻警方所需要的恐怖分子目标。


1 人脸识别的分类



1.1 鉴别、验证和监控  


(1) 鉴别(identification):鉴别回答"这是谁?" 将给定的人脸图象与计算机中存储的N个人的图象逐个比较,输出M幅图象,这些按与给定图象的相似度从大到小排列,再由人来确定这是谁。通常,一个人在计算机中只存储一幅正面图象。


(2) 验证(verification):验证回答"这是否为某人?" 将给定的人脸图象与与计算机中存储的某人的图象比较,回答给定的图象是否为某人的图象。通常,一个人在计算机中存储多幅不同角度的图象。   (3) 监控(watch list):监控同时具有鉴别和验证,回?quot;这是否为要找的人?"(Are you looking for me?)。将未知身份的人的图象输入计算机,计算机决定这个人是否在监控名单中,如果在,还必须确定这个人的身份。


1.2 人脸识别和人头识别


(1) 人脸识别:输入给计算机识别的人脸图象,只包括人的脸部部分,没有背景、头发、衣服等。这时,计算机在进行真正的人脸识别。


(2) 人头识别:输入给计算机识别的人脸图象,除了包括人的脸部有皮肤的部分外,还有部分背景、头发、衣服。这时,人脸的五官特征是次要的,头发、背景、人脸轮廓等是主要特征,一旦头发、背景等变化,识别率下降。   


1.3 自动与半自动人脸识别


(1) 自动人脸识别:输入到计算机的图象可以是包含人脸的图象,由计算机自动检测人脸部分进行分割后,进行识别。最初人们认为人脸检测是件容易的事,后来发现人脸检测可能比人脸识别更困难(特别是在灰度图象情况下,这时没有运动信息和肤色信息可利用),人脸检测已经是一个独立的研究课题。


(2) 半自动人脸识别:采用人工确定人脸图象中两眼各自的中心位置,计算机根据这两个位置分割人脸图象,进行识别。常用于人脸鉴别。


2 人脸识别的性能


2.1主要性能指标


测量人脸识别的主要性能指标有:(1)误识率(False Accept Rate, FAR):这是将其他人误作指定人员的概率;(2)拒识率(False Reject Rate, FRR):这是将指定人员误作其它人员的概率。


计算机在判别时采用的阈值不同,这两个指标也不同。一般情况下,误识率FAR 随阈值的增大(放宽条件)而增大,拒识率FRR 随阈值的增大而减小。因此,可以采用错误率(Equal Error Rate, ERR)作为性能指标,这是调节阈值,使这FAR和FRR两个指标相等时的FAR 或 FRR。


2.2 影响人脸识别性能的因素及解决方法   


(1) 背景和头发:消除背景和头发,只识别脸部图象部分。


(2) 人脸在图象平面内的平移、缩放、旋转:采用几何规范化,人脸图象经过旋转、平移、缩放后,最后得到的脸部图象为指定大小,两眼水平,两眼距离一定。


(3) 人脸在图象平面外的偏转和俯仰:可以建立人脸的三维模型,或进行三维融合(morphing),将人脸图象恢复为正面图象。


(4) 光源位置和强度的变化:采用直方图规范化,可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric shape from shading)技术,可以得到一个与光源位置无关的图象。


(5) 年龄的变化:建立人脸图象的老化模型。


(6) 表情的变化:提取对表情变化不敏感的特征,或者将人脸图象分割为各个器官的图象,分别识别后再综合判断。   


(7) 附着物(眼镜、胡须)的影响。


(8) 照相机的变化:同一人使用不同的照相机拍摄的图象是不同的。


3 应用情况


在无数影视或新闻中出现过这样的场景:警方利用人脸识别技术抓住了罪犯。然而,在现实生活中,人脸识别技术的效果并不令人满意。


美国陆军实验室在13周时间内,用270人的图象测试一个人脸识别系统,发现识别率只有 51%。这套系统在机场中进行测试时,存储了250人的图象,其中的15人在1个月内通过摄影机958次,只有455次被正确辨认,识别率只有47%。在美国一个机场开展的一项为期8周的公开测试中,使用一家公司的人脸识别系统,在4个星期出错率为53%。在另一个机场开展的一项为期90天的测试中,人脸识别系统发出的错误警报也太多。


人脸识别技术效果不尽如人意的原因:真人的电视图像与存储在数据库中的照片在布光和角度方面有差别。目前的人脸识别技术在人处于静止状态或一小群人通过检测点时有效,因此不适合在交通流量大的机场和街道拐角处使用。人脸识别要得到广泛采用,还很有待时日。


回复 0

在茫茫人海的火车站走来走去,只要一眨眼的功夫已经被认出,随即被特工盯梢;迎面相逢的美女是致命杀手,手机发出嘀嘀的报警声,上面已经显示美女的姓名和信息……是的,这就是人脸识别的神奇之处。在之前上映的电影《碟中谍4》中,这些场景令人炫目。我们不禁要问:这是真的吗?这种科技什么时候才能用到我们身上?事实上,这些情景不仅仅是电影特技,人脸识别已经让科幻成为现实。在我们的生活中,很多地方都有它的影子。


识别:


人脸检测 面部特征定位 与数据库进行人脸比对


人脸识别技术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的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识,达到识别不同人身份的目的。


人脸识别的过程其实并不复杂。首先是人脸检测,即判断输入图像中是否存在人脸,如果有,便给出每个人脸的位置、大小。其次是面部特征定位,即对找到的每个人脸,检测其主要器官的位置和形状等信息;最后进行人脸比对,根据面部特征定位的结果,与库中人脸对比,判断该人脸的身份信息。


在安全性方面,人脸识别系统信息存储仍是以计算机能识别的语言为主,即数字或者特定代码。这也就是说,它同样会面临黑客的攻击。但若是对已存储的人脸信息进行加密,即便黑客偷走了“人脸”,也没办法识别或者打开。


与传统的身份鉴定方式相比,人脸识别的最大特点就是更具安全、保密和方便性。人脸识别独具的活性判别能力,保证了他人无法以非活性的照片、木偶、蜡像乃至人头欺骗识别系统,无法仿冒。此外,人脸识别速度快,不易被察觉。与其他生物识别技术相比,人脸识别属于一种自动识别技术,一秒时间内可以识别好几次。不被察觉的特点对于一种识别方法也很重要,这会使该识别方法不令人反感,并且因为不容易引起人的注意而不容易被欺骗。


原理:


基于面部特征信息进行计算与转换


在茫茫人海中找到你想要的那个人,这样的场景很多人都想象过,可是这样的技术应用也许还需要时日。现在,人脸识别大多用于门禁识别或公安机关追踪等,拍张照片,随后与人脸库进行比对。这个过程实际上并不简单,其对比的背后是一系列的计算与转换。


人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找,这一系列的计算与转换都是人脸识别的关键内容。据介绍,人脸识别技术核心称为实时面部特征匹配(RFFM),其识别特征数据紧凑,特征算法准确高效,是一种独创的识别技术。人脸识别的具体方法有多种,比如几何特征的人脸识别方法。几何特征可以是眼、鼻、嘴等的形状和他们之间的几何关系(如相互之间的距离),目前采用测量两眼之间距离的较多。这些算法识别速度快、需要的内存小,但识别率较低。除此之外还有基于特征脸的人脸识别方法、神经网络的人脸识别方法、弹性图匹配的人脸识别方法等。


人的容貌会变,表情会变,胖瘦会变,拍摄环境会变,在这么多的变数中,人脸识别能准确吗?国家863人脸识别项目研发清华大学教授苏光大曾撰文介绍,一个人脸识别系统的性能考察,主要有识别率和识别速度两方面。人脸识别的识别率是针对确定的数据库来说的,很难有一个绝对的标准。据介绍,在国际上已有的一些人脸数据库:美国的YALE人脸库,英国ORL人脸库;美国FERET人脸库等等。而识别速度则有两种,一种是基于文件的,即把特征存成文件,在文件级进行比对;另一种是基于数据库的,如在oracle数据库中进行比对,在数据库中存有详细的人员档案由此可以进行图文混合查询,而借助图文混合查询,可以提高查中率。这两种方式各有特点,目前的研究是将两者的优点结合在一起,以实现高速、高识别率的人脸识别。


人脸识别经过40年左右的发展,技术上已经达到了一定的成熟度。与其他生物特征识别技术相比,人脸识别在实用性方面具有独到的技术优势。


苏光大说,人脸识别不需要使用者配合的生物识别方法,因而操作隐蔽性强,特别适合于安全防范、罪犯监控、罪犯抓捕。同时,它采用非接触式采集,没有侵犯性,容易被接受。而指纹采集,掌纹识别通常给人造成不适的感觉。其中,人脸识别最大的优点在于,更符合人类的识别习惯,有点类似人机互动。因而,人们对该技术寄予厚望,期望能够满足从国家公共安全、社会安全到金融安全以及人机交互等各类应用的需要。


据趋势科技谢旭东介绍,人脸识别技术已经在全球有了不少应用,并且取得了不错的效果。研究报告显示,从2002年至2006年仅仅5年间,全世界人脸识别技术的市场价值就从3290万美元升至2.427亿美元。


如今,人脸识别系统应用范围已经相当广泛,可用于公安、机场、边防口岸、安防等多个重要行业及领域,以及智能门禁、门锁、考勤等民用市场。也许你仍然觉得这些都离我们太遥远了,最新的消息是,我们常常使用的邮箱也有可能使用人脸识别系统进行验证。


网易在去年底宣布,人脸识别系统的核心技术上已经取得突破,今年上半年有望率先在网易免费邮箱登录安全上应用。


缺点:


人脸识别率 受多种因素影响


“现有的人脸识别系统在用户配合、采集条件比较理想的情况下可以取得令人满意的结果。但是,在用户不配合、采集条件不理想的情况下,现有系统的识别率将陡然下降。人脸识别技术远未达到实用水平,还存在着诸多的挑战性问题需要解决。”在接受北京青年报采访时,谭晓阳这样介绍。


比如,人脸比对时,与系统中存储的人脸有出入,例如剃了胡子、换了发型、多了眼镜、变了表情都有可能引起比对失败。也就是说,人如果发生微小变化,系统可能就会认证失败。如今,保守估计,人脸识别技术准确率能达到95%,但没有达到100%。同时,对于双胞胎,由于相似特征太多,人脸识别基本不可能完成。


中国科学院自动化研究所博士张小博也认为,光照、姿态、装饰等,对机器识别人脸都有影响。目前在美国有全世界最先进的人脸识别系统,其在做测试的时候,识别误读率也有1%。


苏光大称,如今,对于非配合情况下的人脸图像采集,遮挡问题非常严重。特别是在监控环境下,被监控对象可能会戴着眼镜、帽子等饰物,使得被采集的人脸图像有可能不完整,从而影响了后面的特征提取与识别,甚至会导致人脸检测算法的失效。如何有效地去除遮挡物的影响,是非常紧迫的研究课题。


同时,随着年龄的变化,面部外观也会变化,特别是对于青少年,这种变化更加明显。对于不同的年龄段,人脸识别算法的识别率也不同。年龄变化对人脸识别算法的影响也必须得到解决。


此外,虽然随着人脸数据库规模的增长,人脸识别算法的性能将呈现下降,如何维持或提高大规模应用环境下的人脸识别算法的识别率,同样是一个非常重要的问题。


担忧:


隐私何在?人脸识别会不会引发隐私泄露


据国外媒体报道,顶级社交网络公司 Facebook在去年已悄悄推出自动识别照片人物这一人脸识别技术,引发新一轮的隐私泄露担忧。


Facebook的“标签推荐”功能使用面部识别技术,使用户为亲友添加标签这一操作更为快捷。Facebook为用户自动开启此项功能,该项功能已在美国和大多数国家启用。Facebook在面对外界质疑时回应,“推出这项服务时,我们原本应该让用户更为清楚。” Facebook还通过声明表示,照片标签推荐功能仅在向Facebook上传新照片时启动,只有好友才被推荐,并且用户可通过隐私设置关闭该功能。


谷歌PICasa和苹果iPhoto等照片软件和在线服务也使用人脸识别技术,但Facebook拥有5亿多用户,使用人脸识别技术势必会引发更为棘手的隐私问题。


回复 0

目前,在我国内地,从消费电子领域到汽车电子、安保、网络支付、金融等领域都在逐步引入人脸识别,堪称是百花齐放。


但用户不一定都愿意接受的,这不,一群玩家已经想出各种避开人脸识别的方法了...



反人脸识别“联盟”


被学校处罚了的行为艺术家葛宇路,在马路上贴自己名字之前还有个作品:寻找自己周围无处不在的摄像头,搭个脚手架上去跟它对视。


在接受记者采访时,葛宇路这样解释了他的这个行为:“往常监控都是来监视我们的,我是不是也可以看它?在这里,我质疑的是一种监控的权力。我对它并不能做出实质的改变,我只是盯着它,争取盯几个小时把背后看我的人看出来,或者说我们之间能够有一瞬间的对视,我觉得那就很棒了。”(这种做法...真的很棒棒...)


同样不满于被盯着的还有俄罗斯黑客Grigory Bakunov,他倒不是在质疑被监控的权力,而是质疑人们正在滥用面部识别技术:“在俄罗斯,面部识别系统正被不同的人们使用着。在莫斯科,要避免被摄相机拍到脸几乎是不可能的。”


Grigory Bakunov是俄罗斯最大的科技公司Yandex的技术总监,最近,他公开表示自己已经在网络上和其他几个黑客一起,开发出了一种“反面部识别算法”。


这种算法的实现方式是,以化妆的方式在脸上画出特定的线条,以此干扰面部识别技术。画出来大概是这样:



Grigory Bakunov号称这项技术非常有效,对于男女都适用。但为了避免技术被滥用,他并没有公开反人脸识别系统的详细算法和原理。(战斗民族的黑客从来都是反科技的?)


日本国立情报学研究所也曾经发明高科技眼镜Privacy Visor,利用红外发生技术,使摄像头的面部识别系统无法检测到人的面部特征。眼镜架上的红外发生器能影响绝大多数的智能手机和平板电脑,这样拍出的照片在人眼看起来和普通照片没有差别,却无法识别面部信息。



隐藏的风险


当下,绝大多数互联网用户的数据正在被搜集,但基本上是识别型编码,比如浏览器cookies或者电邮地址。代表我们在线身份的一切最终都可以转化为一堆数字和字母,这里面几乎所有的信息都可以被改变,就好像你随时可以申请一个新的社保号码一样。而脸部数据则完全不同,脸部识别数据和公众用户的其他生物数据一样,改变成本非常高,有时候甚至是不可能的。从某种意义上说,脸部数据是一种我们所有人无法逃脱的“数据链路”。


从技术水平的角度来看,人脸是唯一不需要用户主动配合就可以采集到的生物特征信息。其他生物特征的采集过程,如指纹、掌纹、虹膜、静脉、视网膜,都需要以用户的主动配合为前提,即如用户拒绝采集,无法获得高质量的特征信息。


从社会心理的角度来看,通过人脸识别身份,符合人的视觉识别经验,容易被使用者接受。如人们在采集指纹和虹膜时,会担心隐私泄漏,但是每天被街头的几百台监控摄像机拍摄,却不感到被侵犯,因为人脸天生就暴露在外,被认为是识别身份的天然特征。由于以上两点,人脸识别技术的风险很容易被忽略。


加强监管


以上开发“反人脸识别”的技术,其主要诉求是:1.要保障个人隐私;2.不能用在非法的地方。以此,建议可从以下三方面予以应对:


政府加强监管,行业主动规范。首先,政府应从管理者的角度,通过立法、行政等方式加强对于面部识别领域的监管力度,进一步保障*安全;行业及企业也应当担负起社会责任,主动积极地规范行业标准,自觉维护所采集、储存的公民隐私数据安全。


持续提升安全技术水平。其次,相关企业应当持续提升面部识别应用软件等载体以及储存设备的安全技术水平,提升网络安全意识,避免公民隐私信息泄露或遭非法转卖。同时,对于非必要的隐私数据,不应非法采集。


人脸识别技术作为其重要领域,投资企业纷纷看好。前瞻研究院相关数据显示,截至2017年5月,中国人脸识别申请专利多达6432项,仅2016年就有1755项。未来十年,我国人脸识别行业市场规模有望达到千亿元。

回复 0

你还记得电影里的这些情节吗?《变形金刚2》中,年轻的男主角和他的小伙伴们过关卡时,虽然骗过了值班军人,却被军方的人脸识别技术发现。2014年翻拍版的《机械战警》中,机械战警第一次面对大众公开亮相,就在人群中不停地扫描所有人脸,同时将获取的人脸在通缉犯资料库中作比对,瞬间就发现看热闹的人群中有一个逃逸多年的通缉犯,并将其制服。其他还有许多电影中,但凡是美国的机要部门,进门就要扫描各种生物特征,从早年电影中的指纹、虹膜,到现在的人脸。  


人脸识别到底是什么?  


人脸识别,是视觉模式识别的一个细分问题,也大概是最难解决的一个问题。 其实我们人每时每刻都在进行视觉模式识别,我们通过眼睛获得视觉信息,这些信息经过大脑的处理被识别为有意义的概念。于是我们知道了放在我们面前的是水杯、书本,还是什么别的东西。  


我们也无时无刻不在进行人脸识别,我们每天生活中遇到无数的人,从中认出那些熟人,和他们打招呼,打交道,忽略其他的陌生人。甚至躲开那些我们欠了钱还暂时还不上的人。  


然而这项看似简单的任务,对机器来说却并不那么容易实现。  


对计算机来讲,一幅图像信息,无论是静态的图片,还是动态视频中的一帧,都是一个由众多像素点组成的矩阵。比如一个1080p的数字图像,是一个由1980*1080个像素点组成矩阵,每个像素点,如果是8bit的rgb格式,则是3个取值在0-255的数。  


机器需要在这些数据中,找出某一部分数据代表了何种概念:哪一部分数据是水杯,哪一部分是书本,哪一部分是人脸,这是视觉模式识别中的粗分类问题。  


而人脸识别,需要在所有机器认为是人脸的那部分数据中,区分这个人脸属于谁,这是个细分类问题。  


人脸可以分为多少类呢?  


取决于所处理问题的人脸库大小,人脸库中有多少目标人脸,就需要机器进行相应数量的细分类。如果想要机器认出每个他看到的人,则这世界上有多少人,人脸就可以分为多少类,而这些类别之间的区别是非常细微的。由此可见人脸识别问题的难度。  


更不要提,这件事还要受到光照,角度,人脸部的装饰物等各种因素的影响。这也不难解释为什么人脸识别技术目前还没有大量应用在日常生活中,大部分人只能在科幻电影中接触人脸识别了。


傻傻分不清楚——一些容易被混淆的概念


一些不太被人熟悉的事物,经常会伴随着大量的概念混淆。 


比如对西方宗教不太了解的国人,可能搞不清楚为什么有些人信上帝但不信耶稣;都是在教堂工作的大叔,为什么有些要禁欲,有些却能结婚。


而人脸识别作为一个新事物,也伴随着大量的概念混淆,而分清这些概念,对于理解人脸识别还是比较重要的。


人脸检测与人脸识别


完成人脸识别的工作,要经过几个步骤。首先计算机需要在图像或视频中找到人脸的位置,这部分工作一般叫做人脸检测。如前所述,这是一种粗分类,具体到人脸检测中,实际上是二分类,计算机只需要判断目标图像是或者不是人脸。但由于并不能事先确定人脸的大小和位置,计算机需要以每个可能的人脸大小对全图进行扫描,逐个判断子窗口所截取的图像是否为人脸。而每次扫描过程,子窗口移动的步长可能是几个像素。


所以你可以大致想象下,作一张图的人脸检测,计算机需要作多少次二分类判断。 


人脸检测步骤从一张图中获得人脸的位置和大小,并将该部分图像送给后续步骤,包括:人脸部件点定位,人脸图像的对齐和归一化,人脸图像质量选取,特征提取,特征比对。所有步骤完成后,才能得知该人脸的身份。 


当然,我们也可以单独使用人脸检测功能来完成某些应用,比如当前大部分照相机,及手机摄像头都有人脸检测功能,可以自动获得人脸位置,从而对图片作一些自动调焦和优化。甚至对人脸做一些初步的判断,比如性别、年龄,甚至颜值。


1v1人脸验证与1vN人脸查找


主人公通过各种方式,蒙混过层层身份验证,成功进入某机要部门,这是电影中经常出现的情节。而这层层的身份验证就经常包括人脸识别。在这种应用中,使用者往往需要提供自己的身份。 


比如使用门卡,计算机可以通过门卡在后台中获取门卡所有者的人脸样本,将其与当前使用门卡人的人脸图像进行对比,以确认当前使用门卡的人与门卡的所有者是否匹配,如此可以避免捡到你门卡的人轻松混入公司。


这是一种1v1的身份验证,计算机对当前人脸和库存人脸进行一次比对,是对其他验证方式的一种辅助,从而提高身份验证的可靠性。这种应用目前已经大量使用,比如敏感设施的准入,互联网金融领域的远程开户及大额提取的身份验证等。  


文章开始时提到的《机械战警》中的桥段,则是1vN的人脸查找。机械战警可以联机查找一个保存了所有通缉犯数据的人脸库,每次他遇到一个人,都会先获取该人的人脸信息,用所获得信息去通缉犯数据库中去逐个比对,如果发现匹配度足够高的,就当场抓捕。每次人脸识别,计算机要作n次人脸比对,n为待识别库中的人脸模板数。  


如果要求计算机只凭借人脸识别出一个人的身份,这实际上也是一种1vN的人脸查找,其目标人脸库是一个由n个人脸组成的“熟人库”,随着n的增大,准确识别的难度也会增大,一次识别所需要的计算时间也会增加。我们可以考虑一下,一个普通人能对多少个人脸进行准确识别?大概也就在几十个这个数量级上吧。 


而目前最好的人脸识别技术实际上已经超过了这个水平。  


例如国内顶级的人脸识别公司,一般会有一面屏幕墙,演示公司各个摄像头所拍摄到人员活动,并对身份进行准确识别,而公司内一般维护一个百人数量级的人脸库。但如果N再继续增大,达到千人库,万人库,那么实时查找唯一的匹配人脸就成为一种科幻要求了,在较大的人脸库应用中,一般会降低对实时性的要求,并且只要求查出前m名非常匹配的疑似人脸,以便缩小人工检索的范围。


回复 0

人脸识别主要分为人脸检测、图像预处理、特征提取和匹配识别4个过程(如图1所示)。


1.人脸检测


人脸检测在实际应用中主要用于人脸识别的预处理,即从输入图像中检测并提取人脸图像,标定出人脸的位置和大小。目前常用的人脸图像模式特征有:直方图特征、颜色特征、结构特征及haar特征等。基于以上特征采用Adaboost算法挑选出最能代表人脸的矩形特征,按照加权投票方式,按级构造成级联分类器。检测时,级联分类器对图像中的每一块进行分类并将最终通过级联分类器的图像判定为人脸图像。


图1 人脸识别过程




2.图像预处理


人脸检测获取的原始图像由于受到各种条件的限制和随机干扰,往往不能直接使用,需要在人脸图像预处理部分对图像进行包括光线补偿、灰度变换、直方图均衡化、归一化、滤波及锐化等处理。


3.特征提取


特征提取是人脸识别中最关键的一步,简单说它是指通过一些数字来表征人脸信息,这些数字就是要提取的特征。


目前主流的特征提取算法主要分为线性特征提取算法和非线性特征提取算法。线性特征提取算法的代表是主分量分析(PCA)与线性鉴别分析(LDA)。


主分量分析是一种基本的多维数据描述方法,其基本思想是:利用一组为数不多的特征去尽可能地精确表示样本的特征。主分量分析通常采用样本总体协方差矩阵的特征向量系作为展开基(即K-L坐标轴),而那些对应若干个最大特征值的特征向量则被称为主分量或者主成分(principal component)。模式样本在这些主分量上线性投影后,所得的系数即称为主分量特征。主分量分析具有:消除了模式样本之间的相关性和实现了模式样本的维数压缩两大优点,即主分量分析给出了原始高维样本的一种简约表示。可以证明,这种表示在最小协方差意义下是最优的。由于这些优点,主分量分析被成功应用于人脸图像表示。但是由于这种表示是以所有样本的最优重建为目的,因此对于描述不同类样本之间的差异而言,它不一定是最优的描述。从这个意义上说,用它描述的特征来进行人脸识别不是最优的。


线性鉴别分析是众多模式识别方法中最经典的方法之一。LDA算法的目的是确定一组最优鉴别矢量(投影轴),使得原始数据在该鉴别矢量集上投影后类间离散度和类内离散度的行列式之比达到最大,称该方向对应的矢量为Fisher最佳鉴别矢量。LDA的物理意义是,样本在这些最优鉴别矢量上投影后,同类的样本尽可能靠近,而不同类样本尽可能地分离,类间散布程度与类内散布程度之比达到最大。如果说PCA获得的是样本的最佳表示特征集,那么LDA获得的则是样本的最佳鉴别特征集,该特征集应该更适于模式的分类。


但对于人脸识别而言,由于表情、光照、姿态等变化而引起的人脸图像之间的差异造成人脸图像在高维空间的分布是非线性的,而线性特征提取方法是对这些非线性特征进行了线性简化,所以无法获得更好的识别效果。于是,非线性特征提取方法引起了研究者们广泛的关注,并取得极大的发展。非线性特征提取方法大致可分为两个分支,即基于核的特征提取方法和以流形学习为主导的特征提取方法。


4.匹配识别


将提取到的待识别人脸特征与数据库中的人脸特征进行对比,根据相似度对人脸的身份信息进行判断。而这一过程又可以分为两个大类:一类是一对一验证,一类是一对多辨认。


一对一验证是指将待识别人的特征信息与历史采集特征信息进行两两比对,若两者的相似度不低于设定的阈值,则验证通过,否则失败。在这种模式下通常采用错误拒绝率(FNMR,FalseNon-Match Rate)和错误接受率(FMR,False Match Rate)两个指标衡量生物特征识别技术性能,具体定义如(1)和(2)所示。



一对多的辨认是利用未知身份生物特征在大量的已知身份的生物特征数据库中查询,设置相似度阈值,并返回列表长度,识别未知生物特征拥有者的身份。一般用错误匹配率(FPIR,False Positive Identification Rate)和正确识别率(TPIR,True Positive Identification Rate)两个指标衡量识别性能。具体定义如(3)和(4)所示。



在人脸识别性能测试中为了衡量人工查看的工作强度,还定义了SEL(Selectivity)指标衡量一对多识别性能,SEL具体定义如(5)所示。


当光照条件和人脸姿态发生变化后(例如人脸在深度方向发生偏转),人脸识别系统的识别率会出现严重的下降。鉴于以上技术缺陷,在人脸识别技术领域,各大高校、科研机构都在进行更加深入的研究,各种各样的新技术、新算法不断涌现。例如,基于多线索的人脸识别技术通过在认知判别中引入多种有效的特征信息和多种理论推理方法,全面、准确地认识和区分对象;基于线性表示的鲁棒人脸识别算法,该算法首先检测出图像中存在的噪声点,然后在去除噪声的基础上求得准确的表示系数,做出更加准确的识别;基于流形学习的局部最大间距鉴别嵌入(LMMDE)特征提取方法。该方法在保持样本局部结构的同时,考虑位于同一流形上不同类样本的差异性,有效解决了因近邻关系扭曲而引起的不同类样本相互重叠的问题。

回复 0

最近一段时间,“人脸识别”技术在各地应用的新闻屡见不鲜。继北京天坛公园安装“人脸识别”厕纸机后,8月31日,广西壮族自治区南宁市一家公园也采用了“人脸识别”厕纸机;9月7日,江苏省徐州市一家公共厕所同样装上了“人脸识别”厕纸机。北京市住建委9月8日表示,为解决保障房违规转租转借现象,继去年在海淀区金隅翡丽小区推行“人脸识别”门禁系统试点基础上,今年进一步在全市所有公租房小区推广。北京、武汉等地的火车站也开始启用“刷脸进站”设备。


《法制日报》记者在网上搜索发现,目前在门禁、考勤等方面应用“人脸识别”技术已经十分广泛。然而,任何新技术都可能是双刃剑。“黑科技”在带来更多惊喜和便利的同时,其潜藏的安全隐患也不容忽视。



尴尬的使用体验


9月18日14时,《法制日报》记者来到北京市通州万达广场的京东之家体验“刷脸”支付。记者选中商品后来到支付柜台,店员优先推荐扫码支付。在记者表明要体验“刷脸”支付后,店员劝道:“这个技术还不太成熟,步骤比较繁琐,我们自己试了很多次,都不成功。之前也有顾客来尝试,没有支付成功。”记者执意表示愿意尝试后,店员才指导记者通过京东App扫码开通了“刷脸”支付功能,但是最终卡在了支付页面,无法付款。店员的电脑端也显示记者没有支付成功。记者随后多次退出App程序,尝试重启进入该功能,但都失败了。


店员无奈地对记者说:“之前京东相关人员也来看过这个情况,但还是没办法成功‘刷脸’支付。今天人比较少,我们可以一直等您‘刷脸’支付,要是人多的时候,一直不能支付成功的话,后面的顾客就烦了。”最后,记者只得选择常规的扫码支付方式才完成此次购买。


同样作为使用者的北京师范大学大四学生墨桑(化名),对于“刷脸”的使用感受也是一言难尽。


今年秋季学期,北京师范大学在学生公寓换装了新的门禁系统,“人脸识别”代替了之前的刷卡识别。更换识别系统后,学生进入公寓需要对着摄像头采集图像,然后刷自己的学生卡,匹配之后才能进入学生公寓。学生如果忘记带学生卡,可以输入学号的后四位,匹配成功也可以进入公寓。墨桑说:


“说是化妆或者戴眼镜都不会有影响,但是戴眼镜的话,在录入时要对戴眼镜和不戴眼镜的图像各录入一遍,传说‘亲妈都认不出来的时候,机器还能认出来。”


在墨桑看来,如果正常识别,速度还是挺快的,但并非每次都如愿。


“如果学生卡、学号都不能够与图像识别系统匹配,还有最后一招,就是对着那个机器大声喊出自己的名字。第三种开启方式让我们很尴尬,虽然这种情况不多,但是已经出现了”。


目前,北京师范大学的学生公寓有两道门禁,第一道大门是“人脸识别”,第二道门类似地铁站进出闸机,是刷卡识别加宿管阿姨辨别。墨桑说:


“‘人脸识别’听起来比以前安全很多,但是一个同学通过‘人脸识别’打开大门后,后面的人和以前一样,依然可以不通过识别直接跟着进入。尴尬的是,在以前使用刷卡识别时,如果忘记带学生卡,第二道门无法刷卡进入,需要到宿管阿姨那里登记才能够进入。现在,因为有了外面的‘人脸识别’,所以宿管阿姨管的就很宽松,只要从第一道门禁进来了,宿管阿姨直接按第二道门禁的按钮放行,不需要刷卡。不知道是不是每栋楼都一样,这样其实加大了外人混入公寓的风险。”


在便捷性上,墨桑说:


“识别系统本来就只是为了提高安全性的,不是为了更方便。虽然没有做过调查,但是听同学说安全性反而降低了,而且现在出公寓也要刷卡,谈不上便利。也许以后会改进,一次只放一个人进入,不过这也太麻烦了。我同学普遍觉得这个系统很鸡肋,我现在觉得弊大于利,可能因为刚开始不太适应,说不定以后会改进。”


杂乱的产品市场


和国外的“人脸识别”技术多应用于安防领域不同,在我国,“人脸识别”技术主要应用于企业的考勤门禁、物业小区的安全防护和金融领域的开户认证等,其中金融领域的应用占比较多。不过,目前比较常见的“人脸识别”技术主要出现在考勤机等应用上。


《法制日报》记者以购买者的身份采访了北京市一家专业从事“人脸识别”设备销售的企业,并现场测试了一台集“门禁”“考勤”为一体的多功能考勤机。


在现场,记者首先进行人脸照片录入,主要对人脸的眼眶、鼻区以及嘴部三块区域进行图像采集。录入之后,记者站在机器前进行识别,只要一进入摄像头可照范围之内立即就被识别成功。不过,记者摘下眼镜或者更换眼镜以及调整眼镜佩戴角度后,考勤机无法识别成功。此外,用照片比对,该设备依然无法识别。



据工作人员介绍,目前“人脸识别”考勤机的价位从数百元到上万元不等,价格越高,识别的精确度越高。记者测试的这款产品是最畅销的千元机,只要脸部采集到的数据能吻合到六成以上,便能认定是同一人。不过相对而言,由于采集时拍摄下来的一些特征相对单一,所以精确度也会受到影响。


记者还在淘宝通过搜索“人脸识别考勤”联系上一家卖“人脸识别”考勤机的店铺,并反复询问客服人员是否可以通过人脸的照片或者人脸视频进行打卡,客服都回答说不可以。在该商品的问答区,也有网友询问是否可以用手机上的照片或者视频代替打卡,有一个购买过该考勤机的网友回答说自己试了,发现不可以。


记者随后搜索“人脸识别锁”,发现这类商品品牌繁多。记者联系了销售量排名靠前的一家商铺。在演示视频中,记者看到,演示者利用人脸的照片和视频尝试多次都无法开锁。商家承诺称,如果用户在使用过程中发现可以用照片打开,他们会赔偿1万元。在商品的问答区,已经购买的网友也表示自己尝试用照片开锁,但没有成功。记者询问客服人员,这个“人脸识别”锁的原理和苹果新发布的iPhone X手机的Face ID是否相同?客服人员称,他们的锁“采用面部3D骨骼识别技术,红外扫描面部轮廓,化妆、灯光明暗、胖瘦等不会影响识别,可以开锁。‘人脸识别’系统是取脸上很多个点,计算各个部位的点的距离。这个算法与是否化妆没有关系,不影响识别。而且,在灯光暗的情况下也能识别,因为‘人脸识别’锁有两个带有夜视功能的红外探头,只要把脸和手掌显示在屏幕框内,照样可以识别开门。小朋友身高达到1.3米的都可以‘刷脸’”。客服人员说,“照片绝对打开不了这把锁,此锁采用是3D骨骼识别技术,戴眼镜的朋友请戴着眼镜录脸。化浓妆、发型,都能准确识别。另外,如果脸部整形动了脸部三分之二的,就有可能识别不了,需要重新录入。”


那么,使用3D仿真面具是否可以骗过“人脸识别”系统呢?对此问题,客服人员没有正面回答。


在问答平台“知乎”上,一位网友回答了“目前人脸识别技术最大的挑战是什么”这一问题,其答案获得最高赞。这位网友告诉记者,淘宝上卖的“人脸识别”锁不能保证绝对安全。记者询问这种产品是否有可能被3D仿真面具欺骗?这位网友说,这种情况可能发生。


记者随后在淘宝上搜索“3D面具”“乳胶面具”,发现这种产品也有不少,有的面具不仅改变了容貌,而且改变了脸部的骨骼结构,戴上之后多有以假乱真的效果。


被破解的人脸识别


尽管“人脸识别”产品的客服人员声称一般不易被破解,但现实生活中已然出现了破解实例。



破解“人脸识别”的实例,要从一次网约车经历说起。


一名市民通过网约车App下单。很快,车到了,但车辆、司机的信息均与手机客户端上显示的信息不符。为了赶紧回家,这名市民也顾不上太多,就直接上车了。结果,车开出去不到一分钟,司机就扭头对这名市民说要取消订单。尽管这名市民一再拒绝,但司机还是坚持把她送回原处,让她重新打出租车。


没有办法,这名市民只能再次用这款网约车软件叫车,结果发现来接他的还是那名司机。司机说:“你要么就打个出租车回去,只要你还用这个软件约车,叫到的还是我的车。”


这名市民当时就纳闷了,为什么会这样?一番打听后,这名市民才知道,附近有一个由30多名“黑车”司机组成的车队,每名司机都有一堆虚假的司机账号,上百个虚假账号由同一个人来统一接单,然后通过电台调度车辆去接人。因此,不管用户打到哪个号,都会调同一名司机去接人。


了解到这些内情,这名市民更加不解,“这个网约车App上明明使用了‘人脸识别’功能来验证司机信息,为什么这些司机可以使用虚假账号”?经过一番软磨硬泡,那名司机终于透露,“人脸识别”听起来很厉害,但是他们有软件可以轻易破解。


没错,“高大上”的“人脸识别”技术就这样被一群“黑车”师傅给黑了。


以上故事是在Freebuf(国内关注度最高的全球互联网安全媒体平台)主办的FIT2017互联网安全创新大会上,平安科技安全研究员高亭宇在一场“关于人脸识别技术应用风险”主题演讲中的一段描述。


说完这个故事,高亭宇现场展示了那名司机用来破解“人脸识别”技术的软件——一款可以让照片“张口说话”的App。


高亭宇说,从那之后,他开始琢磨“人脸识别”技术在实际应用层面的风险,并调研了市面上使用“人脸识别”技术的软件,最后的结果出乎自己的预料。


通过分析,高亭宇发现,市面上大部分使用了“人脸识别”技术的软件,其识别流程大致相同:检测人脸→活体检测→人脸对比(和之前上传的自拍照或证件照)→分析对比结果→返回结果(通过或不通过)。


据了解,其中“活体检测”技术即在“人脸识别”时要求用户进行眨眼、点头、张嘴等动作,以防止静态图像破解,国内多个知名App中的“人脸识别”都采用了这项技术。


高亭宇说,一般的App开发者不会自己开发“人脸识别”技术,而是通过第三方的API接口或SDK组件来获得“人脸识别”功能,基于这个特点,他对“人脸识别”技术从接入到实际使用过程中的每个关键点进行了分析,最终在多个环节都找到了多个突破点,只要略施小计,就能让“人脸识别”形同虚设。比如,注入应用绕过活体检测,也就是通过注入应用的方式来篡改程序,从而绕过所谓的活体检测功能,使用一张静态照片就可以通过人脸识别。


在采访过程中,甚至有业内人士这样表示,“不是3D打印不行,如果用一台精密的打印机,破解‘人脸识别’同样不在话下”。


“除了一般的考勤、账号安全App之外,大量的银行、P2P金融企业的App已经介入使用了‘人脸识别’技术,其中金融行业在使用‘人脸识别’技术时的安全性明显高于一般应用;当‘人脸识别’技术涉及关键业务时,安全防护水准往往更高。”高亭宇说,比如他在测试国内某P2P金融的客户端时,尝试“人脸识别”解锁失败数次后,该App 就检测出了可能存在恶意破解的情况,强制使用银行卡信息、手机短信等其他方式来完成认证。


高亭宇在现场强调了一点,除了“人脸识别”技术在手机上的应用缺陷之外,许多问题导致的原因都是开发者在调用第三方“人脸识别”服务时,没有严格按照一个安全的规范来做,接入流程不够严谨,甚至经常出现为了提高用户体验而舍弃安全性的做法,这样的做法在技术实力不强的小公司十分常见,最终导致的结果就是,让用户把密码写在了自己的脸上。

回复 0

人脸识别出来时,很多公司宣传时都标榜自己的识别准确率有多高,但事实上准确率越高,风险可能越大。密码丢了可以换,但生物信息是不可再生的,一旦泄露,对不起,你不可能再有第二张脸了。”——谈剑峰


他解释道这些有人脸技术的公司没有提示过,或者说用户没有去考虑后台服务器的问题:


在互联网环境下,一旦采用生物特征认证,就一定会有特征数据库,所有的生物特征数据,只要进入计算机,就会被转换为计算机代码。只要是代码就可以被截获、被重放、被重构。


服务器端存储大量用户的特征数据库,特征数据库一旦被黑客或犯罪分子获取,后果无法挽回。


黑客攻击你很容易


今天早上小编看到雷锋网发布一条消息,长生科技官网首页被黑客攻击。此次“疫苗”事件的主谋。


截止到发文,长生生物官网依然无法正常打开。,可见现在的黑客很容易就能黑掉你们的官网。



黑客想要黑掉一个网站真的很容易。不止长生科技的官网。


2016年2月,好莱坞一家医疗中心的系统受到黑客攻击,院方缴纳40比特币,系统才恢复正常。


2017年5月,立陶宛的一家整形外科医院系统遭到攻击,约25000多张个人隐私照片和信息被泄露。


今年2月,我国连续有2家医院系统被植入勒索病毒……



网络技术的发展一方面降低了犯罪成本,另一方面也提高了犯罪的效率。以前家里没装监控摄像头,小偷还要到你家来踩踩点,现在只要黑了你家装的摄像头,家里啥时候没人、钱放哪里都一清二楚了。


各种各样的信息化,各种各样的数据化,我们有没有真正想过:


这样做安全么?



人类的脸是一件杰作。面部特征之纷繁各异令人惊叹,它让人们能相互辨认,也是形成复杂社会群体的关键。


互联网上流通着大量数据——超过 7 亿的互联网用户每天在上传照片。在一些社交媒体平台,每次你上传照片或视频时,它的人脸识别系统会试图从这些照片和视频中得到更多信息。比如,这些算法会提取关于你是谁、你的位置以及你认识的其他人的数据,并且,这些算法在不断改进。


有调查显示,在信息安全投入占信息化投入的比重方面,美国占到了20%—25%,欧洲的数据为10%—15%,而中国还仅有1%—3%。


这意味着,作为世界第一的互联网应用大国,我国在网络安全上的投入还远远落后于发达国家,网络信息安全产业存在巨大的发展空间。


以上:作为人脸识别的忠实粉丝小编表示还是要注意保护自己的隐私,自己的手机有密码保护就尽量少用人脸识别,没有什么东西是绝对的,并且我国的网络安全并没有发展的很快,所以就要大家自己提高意识。

回复 0
8 个回复,共 1
您尚未登录,登录后才可以发帖评论,快去 登录 吧!

主题信息

推荐主题