可能再也没有一项生物识别技术如“刷脸”被大规模应用时这样备受关注了。
开创了生物识别技术落地应用先河的指纹识别技术刚登场时风头无限，数不清的企业入局、拓展应用，做到后来，慢慢发现，好像指纹识别技术再怎么扩展也就只能做个验证模块，适用面广不假，市场需求量大不假，但是总在这一亩三分地里玩儿，好像不怎么尽兴。而后被提出的指静脉识别、掌纹识别技术，安全性是更高了，作为验证模块也更让人放心，但冥冥中有个声音越来越大：生物识别技术不该只是为了验证而存在啊！
再到后来，“接触式”和“非接触式”生物识别技术的概念被人熟知，指纹、指静脉、掌纹被归类为“接触式”，而人脸、虹膜、步态等被归类到了“非接触式”里。从那时起，人们就在探讨两类生物识别技术的异同与应用场景的差异。
近年来，随着前端设备超高清化的普及，“非接触式”生物识别技术正在逐步落地。其中，人脸识别技术被寄予了更多厚望。
狭义上的“刷脸”，广义上的“人脸识别”
说起人脸识别，可能大部分人想到的会是刷脸开门禁、刷脸支付、刷脸解锁手机，也可能有一部分人体验过刷脸进火车站、登机的高科技，如果还有人知道刷脸取钱、刷脸当电子身份证，那已经是了不起的“消息通”了。然而，这些就是人脸识别的全貌吗？当然不是，这些只是狭义上的“刷脸”。
本文一开篇就提到了“可能再也没有一项生物识别技术如人脸识别被大规模应用时这样备受关注了。”如果说的只是“刷脸”的话，那它和其他生物识别技术没太大区别：不都是验证吗？但要是说到人脸识别，那就不一样了。
与大数据的结合，使人脸识别技术有了更广泛的应用。以公安应用为例，公安部门在查办案、处理事务时常常会遇到一些不明身份的人员，比如走丢的老人、小孩，拒不交代身份的嫌疑犯，无人认领的尸体等。这时传统的方法往往不能解决问题。利用人脸检索系统，将目标人脸输入到系统中。系统自动在海量人口数据库中进行查找比对，列出前若干名相似的人员信息。然后再通过人工干预的方式，对系统结果进行筛选，得到目标的真实身份。
在这一个应用的背后，是人脸识别技术日益成熟的标志，作为自带AI落地基因的安防行业（数据大、高试错容忍度），这几年，天网工程广泛铺开、智能系统全局应用，城市秩序得到了更为高效的管理和防护，民生需求得到了更为及时的处理和反馈，违反乱纪的行为能被精准识别和处罚。
与此同时，人脸识别应用也在受着非议
6月21日，《华尔街日报》发表的一则文章认为，尽管亚马逊CEO贝索斯表示，将抵制试图从该公司所生产设备中获取个人信息的政府调查人员，但该公司却在向私企和执法机构等推销人脸识别技术，许多人认为，这一技术的使用将威胁到个人隐私。
在他们看来，将人脸识别技术应用到前端视频监控摄像机上，可能会打破隐私及实用性之间的平衡。假设美国警方有若干台这样的安防摄像机，同时拥有可疑人员的“黑名单”照片库，那么其他任何人如果与这些可疑人员有一些相像，一旦进入警察的安防摄像机的镜头之内，都有可能受到警务人员的盘问。而大多数美国人不希望生活在那样的世界里。
前段时间，一个人脸识别揭示罪犯长相的研究也引起了轩然大波。上海交通大学的研究人员收集了1856个18-55岁的中国公民照片，不同种族、性别、年龄甚至是不同的面部表情，其中选取的730人均是已定罪的罪犯，随后利用人工智能技术对犯罪进行研究，并最终得出结论：
犯人上唇的弯曲度会比普通人平均高出23%；
犯人双眼内眼角之间的距离比普通人窄6%；
犯人的鼻尖与嘴角之间形成的角度比普通人小20%。
计算机通过4种算法对这些公民面部特征进行分析，推断出罪犯的共同面部特征。论文结论：人工智能根据长相找出罪犯的准确性高达89.51%。
这一高科技研究一经披露，立即遭到网友的指责，认为如果这项技术应用于现实世界，很有可能让好人蒙受不白之冤，而让真正的坏人逍遥法外。
如果说前面两件事是隐私上的问题，那么下面这件就是技术上的问题了。
最近有文章指出如今非常热门的AI应用人脸识别，针对不同种族的准确率差异巨大。其中，针对黑人女性的错误率高达21%-35%，而针对白人男性的错误率则低于1%。
对此，有相关产品厂商回应称，深肤色人种识别错误率高是普遍现象，一是深色人种数据集的缺乏，二是深色人种人脸特征较难提取。
反人脸识别产品问世
近日，多伦多大学教授ParhamAarabi和他的研究生AvishekBose开发了一种算法，通过对图像进行“光转换”，可以动态地破坏人脸识别系统。
这位大学教授也是基于隐私问题，给出了发明该产品的原因，“随着人脸识别技术越来越先进，个人隐私成为了一个真正急需解决的问题，这就是反人脸识别系统被研发的原因，也是该系统的用武之地。”
根据Aarabi的说法，他们主要采用了对抗训练（adversarialtraining）技术，使得两个神经网络相互对抗，一个神经网络从数据中获取信息（人脸数据），另一个神经网络试图去破坏第一个神经网络执行的任务。
据悉，他们的算法是在包含不同种族，不同光照条件和背景环境下的超过600张人脸照片的数据集上进行训练的（业界标准库），两个神经网络相互对抗会发形成一个实时的“过滤器”，它可以应用到任何图片上。因为它的目标——图像中的单个像素是特定的，改变一些特定像素，肉眼是几乎无法察觉的。比如说检测网络正在寻找眼角，干扰算法就会调整眼角，使得眼角的像素不那么显眼。算法在照片中造成了非常微小的干扰，但对于检测器来说，这些干扰足以欺骗系统。
其实，破坏人脸识别产品识别率的产品并不少见。早在2016年，卡内基梅隆大学的研究人员就设计了一种眼镜框，可以误导面部识别系统，使其产生错误的识别。
总结
关于人脸识别的热点，笔者粗略讲了一遍，你要问我怎么看，我会说：阳光之下并无新事，大数据时代也没有太多隐私，关键还得看企业的道德观和政府的监管。至于反人脸识别系统和人脸识别技术的斗法，笔者很高兴看到这种事的发生。一矛一盾，互为博弈，才能查漏补缺、完善技术。
