人臉識別弊端的防範，人臉識別技術是指利用分析比較的計算機技術識別人臉。人臉識別是一項熱門的計算機技術研究領域，其中包括人臉追蹤偵測。人臉識別弊端的防範。
人臉識別弊端的防範1
技術水平的角度來看，人臉是唯一不需要用戶主動配合就可以採集到的生物特徵信息。其他生物特徵的採集過程，如指紋、掌紋、虹膜、靜脈、視網膜，都需要以用戶的主動配合爲前提，即如用戶拒絕採集，無法獲得高質量的特徵信息。從社會心理的角度來看，通過人臉識別身份，符合人的視覺識別經驗，容易被使用者接受。如人們在採集指紋和虹膜時，會擔心隱私泄漏，但是每天被街頭的幾百臺監控攝像機拍攝，卻不感到被侵犯，因爲人臉天生就暴露在外，被認爲是識別身份的天然特徵。那麼我們來講講人臉識別技術有哪些弊端吧。
一、人臉識別的技術弊端及難點
（一）人臉識別的技術弊端
人臉識別技術也會出現誤差，影響人的判斷結果。
人臉識別的一個缺點在於信息的可靠性及穩定性較弱。
人臉所蘊含的信息量較指紋、虹膜等生物特徵相比是比較少的，其變化的複雜性不夠。例如，若要兩個人的指紋或者虹膜基本相同，大概需要好幾十乃至上百個比特達到完全重合纔可以。但如果是人臉的話，十幾個比特達到重合就可以了。在全世界可以找到很多具有相似性的面孔。所以說，人臉的辨識性不是很高，它並沒有那麼獨一無二。
另外，人自身內在的變化以及外在的環境的變化都會影響採集時人臉的信息穩定度。相較於之前的人臉識別技術，目前的人臉識別技術有所提高，但是具體應用是還是不能達到完美狀態，保守估計，人臉識別技術的準確率能達到99%。
（二）人臉識別的技術難點
1、光照問題
光照變化是影響人臉識別性能的最關鍵因素，對該問題的解決程度關係着人臉識別實用化進程的成敗。由於人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特徵。尤其是在夜晚，由於光線不足造成的面部陰影會導致識別率的急劇下降，使得系統難以滿足實用要求。同時，理論和實驗還證明同一個體因光照不同引起的差異，大於同一光照下不同個體之間的差異。光照問題是機器視覺中的老問題，在人臉識別中的表現尤爲明顯。解決光照問題的方案有三維圖像人臉識別和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。
2、姿態問題
人臉識別主要依據人的面部表象特徵來進行，如何識別由姿態引起的面部變化就成了該技術的難點之一。姿態問題涉及頭部在三維垂直座標系中繞三個軸的旋轉造成的面部變化，其中垂直於圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。使得姿態問題成爲人臉識別的一個技術難題。針對姿態的研究相對比較的少，目前多數的人臉識別算法主要針列正面、準正面人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。
3、表情問題
面部幅度較大的哭、笑、憤怒等表情變化同樣影像着面部識別的準確率。現有的技術對這些方面處理得還不錯，論是張嘴還是做一些誇張的表情，計算機都可以通過三維建模和姿態表情校正的方法把它糾正出來。
4、遮擋問題
對於非配合情況下的人臉圖像採集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往被監控對象都會帶着眼鏡、帽子等飾物，使得被採集出來的人臉圖像有可能不完整，從而影響了後面的特徵提取與識別，甚至會導致人臉檢測算法的失效。
5、年齡變化
隨着年齡的變化，一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致識別率的下降。對於不同的年齡段，人臉識別算法的識別率也不同。這個問題最直接的例子就是身份證照片的識別，在我國身份證的有效期一般都是20年，這20年間每個人的容貌必然會發生相當大的`變化，所有在識別上也同樣存在很大的問題。
6、人臉相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的。以模仿某個明星爲目標的化妝、整容等人爲因素加大了這個問題的難度。尤其是雙胞胎的問題，人臉識別系統究竟能不能正確的識別出來，這個其實在學術界也是有爭論的。有專家認爲雙胞胎根本不應該靠人臉識別技術進行分辨，它是沒法用人臉識別技術來準確進行區分的。
7、動態識別
非配合性人臉識別的情況下，運動導致面部圖像模糊或攝像頭對焦不正確都會嚴重影響面部識別的成功率。在地鐵、高速公路卡口、車站卡口、超市反扒、邊檢等安保和監控識別的使用中，這種困難明顯突出。
8、人臉防僞
僞造人臉圖像進行識別的主流欺騙手段是建立一個三維模型，或者是一些表情的嫁接。隨着人臉防僞技術的完善、3D面部識別技術、攝像頭等智能計算視覺技術的引入，僞造面部圖像進行識別的成功率會大大降低。
9、樣本缺乏
基於統計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統計學習方法需要大量的訓練。由於人臉圖像在高維空間中的分佈是一個不規則的流形分佈，能得到的樣本只是對人臉圖像空間中的一個極小部分的採樣，如何解決小樣本下的統計學習問題有待進一步的研究。此外，現在參與訓練的人臉圖像庫基本都是外國人的圖像，有關中國人、亞洲人的人臉圖像庫少之又少，給訓練人臉識別模型增加了難度。
10、圖像質量問題
人臉圖像的來源可能多種多樣，由於採集設備的不同，得到的人臉圖像質量也不一樣，特別是對於那些低分辨率、噪聲大、質量差的人臉圖像（如手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等）如何進行有效地人臉識別是個需要關注的問題。同樣的，對於高分辨圖像對人臉識別算法的影響也需要進一步的研究。現在，我們在人臉識別時，一般採用的都是相同尺寸，清晰度很接近的人臉圖片，所以圖像質量問題基本可以解決，但是面對現實中更加複雜的問題，還需要繼續優化處理。
二、人臉識別的安全隱患
近幾年，人臉識別技術日益創新突破，在各產業之間落地的應用項目有目共睹，但以目前技術來說仍然跟不上瞬息萬變的社會變化和市場需求，例如今年新冠病毒突襲下，導致我國大批人臉產品無法在戴口罩的情況下進行掃描識別，事後各大廠商立即更新算法，但從此時也提醒了我們，面對未來的不確定性，技術不能一成不變，需要不斷創新與突破。
此外，如何在不同光線和角度下，更好地識別臉部？如何清晰、精準的確定身份等等問題，仍然是目前亟待解決的技術痛點。
於2012年進行的一項研究表明，供應商Cognitec公司提供的面部算法在識別非裔美國人方面的表現要比識別白種人低5%至10%；2011年，還有研究人員發現中國、日本以及韓國開發出的人臉識別模型很難區分高加索人與東亞人種。今年2月，麻省理工學院媒體實驗室的研究人員們指出，微軟、IBM與中國廠商Megvii公司的人臉識別技術在識別淺膚色女性方面錯誤率高達7%，識別深膚色男性的錯誤率爲12%，而對深膚色女性的錯判比例更是達到35%。
算法出錯的例子還遠不止於此。最近調查結果顯示，倫敦大都會警察局部署的系統在每一次實際應用時都會產生最多49次的錯誤匹配。在去年衆議院監督委員會關於人臉識別技術的聽證會上，美國聯邦調查局承認，其用於識別犯罪嫌疑人的算法存在高達15%的錯誤判斷率。此外，弗吉尼亞大學的研究人員正在進行的一項研究發現，兩大著名研究圖像集--ImSitu與COCO（COCO由Facebook、微軟以及初創企業MightyAI共同構建），在對體育、烹飪以及其它多種活動的描述當中，表現出明顯的性別偏見（例如購物圖像一般與女性有關，而教練圖像則往往與男性關聯）。
如何在不同光線和角度下，更好地識別臉部？如何清晰、精準的確定身份等等問題，仍然是目前亟待解決的技術痛點。
然而，即使解決了偏見問題，即人臉識別系統能夠以對所有人都公平公正的方式運作，其中仍然存在着潛在的失敗風險。與衆多其它人工智能技術一樣，就算徹底排除到偏見性因素，人臉識別方案通常都會存在一定程度的誤差。一切工具都可用於善途或者惡途，而工具本身越強大，其可能帶來的收益或者損害也就越明顯。
人臉識別弊端的防範2
人臉識別的危害
人臉圖像或視頻是廣義的事實上，它也是數據。如果保存和使用不當，很容易侵犯用戶隱私。“在信息爆炸的時代，數量許多數據處理、分析和應用都是通過算法實現的，越來越多的決策被算法所取代。因此，如果我們計算法律。因此，人臉識別在金融支付行業的應用仍然有一定的風險。
人臉識別的運用產生的最大問題是個人隱私問題，一方面人臉識別技術會侵害公民權利和公民自由，讓公民處於被監控之下，沒有隱私可言；另一方面，當下的網絡生態環境較爲複雜，不少用戶、企業的網絡安全防護能力偏弱，容易被黑客攻擊，存在嚴重的數據泄露風險。
人臉識別技術是包括了人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等一系列相關技術構建的人臉識別系統，但目前一些技術並不成熟，不斷涌現出種族歧視、性別歧視等諸多問題。一項研究對人臉識別技術在識別不同種族和性別的人臉進行了測量，結果表明，膚色越黑，識別率就越低。在識別黑皮膚女性時，它的錯誤率幾乎達到了35％。還有另外的研究報告透露，在一種獲得廣泛使用的人臉識別數據集中，75％以上的圖像都是男性，80％以上是白人。
人臉識別技術當下面臨諸多弊端，該如何解決呢？
首先技術的創新和完善至關重要，只有鼓勵和支持技術創新才能解決數據傳輸、存儲、處理問題，防範黑客攻擊，防範數據泄露，建立起安全的生態環境。
完善人臉識別網絡和信息安全法律法規，一方面嚴格市場準入，堅決打擊假冒僞劣產品；另一方面加強個人隱私保護，規範使用個人圖像數據，不得違法盜用售賣，侵犯他人權利。
大衆注意保護個人影像資料，非正規場所不建議使用刷臉支付、刷臉驗證等，同時要注意個人網絡數據的保管，特別是私密賬號不定期更改賬號密碼。
當前，國內外對人臉識別技術的應用持不同的態度，爭論點主要圍繞在個人隱私和技術不夠完善，但是科技發展的潮流不可阻擋，相信通過技術的完善、法律的監管、道德的約束，人臉識別遇到的困難可以被解決，最終被大衆認可，也許現在是摁指紋，但三四年後可能真的就是刷臉的時代。
人臉認證信息會泄露嗎
從2015開始，人臉識別技術經歷了從快速落地到多領域應用的井噴式發展。如今，坐車可以刷臉、支付可以刷臉、自動取款也能刷臉、甚至連公廁取紙都能夠刷臉……
“刷臉”技術已經融入到人們生活的方方面面，在金融、交通、教育、安防、社保等領域發揮着重要作用。
然而，生物識別技術明明有那麼多，比如指紋識別、虹膜識別、靜脈識別、聲紋識別以及步態識別等等，其中指紋識別應用最爲成熟，虹膜識別安全係數最高，爲什麼偏偏人臉識別能夠獨得市場認可，落地與應用都如此迅速呢？主要有三方面的原因：
首先，相比於指紋識別必須要採集指紋信息，人臉識別具有非強制性。它不需要被測者主動提供任何信息，只要你露出你的臉，它就能在不經意間對你完成識別。因此，人臉識別在便利性和隱蔽性方面更具優勢。
其次，因爲人臉識別是利用可見光獲取人臉圖像信息，無需接觸設備，因此不用擔心病毒的接觸性傳染，在安全性和衛生方面更有保障。
最後，在實際應用場景中，人臉識別技術可以進行多個人臉的分揀、判斷及識別，併發性特點讓其在識別速度和範圍上具有明顯優勢。
不過，雖然人臉識別技術相比其他識別技術優勢明顯，也深受市場和商家追捧。但我們不能對人臉識別技術過分迷信與樂觀。
現在的人臉識別還達不到100%的精準度，對相似度高的臉容易出現識別誤差。2017年國際最新的測試表明，在錯誤接受率爲萬分之一的條件下，人臉識別正確識別率只有76%。如此的精準度不禁讓人對某些特定條件下的識別正確率產生懷疑，比如黑人能識別的出來嗎？相似度極高的雙胞胎呢？被識別者變胖了、變醜了或者整容了機器還認得嗎？又或者化了妝呢？3D打印樹脂人臉面具或者高清圖片能騙過機器嗎？
除了技術上本身的硬傷之外，行業在安全性上的投入和重視也令人擔憂。
在互聯網環境下，不管是人臉識別還是指紋識別，一旦採用生物特徵認證，就一定會有特徵數據庫，所有的生物特徵數據，只要進入計算機，就會被轉換爲計算機代碼。只要是代碼就可以被截獲、被重放、被重構。服務器端存儲大量用戶的特徵數據庫，特徵數據庫一旦被黑客或犯罪分子獲取，後果將無法挽回。畢竟，密碼丟了可以換，但生物信息是不可再生的，一旦泄露，你不可能再有第二張臉給你換！
然而有調查顯示，在信息安全投入佔信息化投入的比重方面，美國佔到了20%—25%，歐洲爲10%—15%，中國僅有1%—3%。這意味着，作爲世界第一的互聯網應用大國，我國在網絡安全上的投入遠遠落後於其他國家。相當數量的互聯網公司只顧及流量，卻不顧用戶安全，只顧及體驗，卻不顧用戶隱私保護！
其實，對於此類數據信息的安全，最好的方法就是選擇防禦性較高的服務器，若服務器端遭受的攻擊比較高，可以選擇國際防禦。這種防禦海外能夠提供更高的防禦，價格也相對更便宜些。當攻擊過來的時候，它能自動切換至海外線路。就是在沒有攻擊的時候，我們可以正常使用香港服務器，確保有良好的訪問速度，當攻擊來臨時，切換至海外，雖然速度會慢，但能抵禦更高的攻擊，確保我們在刷臉的時候帶來的安全隱患。
人臉識別弊端的防範3
人臉識別閘機主要是要看識別率、識別速度、適應性等參數。比如雲脈的人臉識別閘機，識別錯誤率=低於3、33%，分辨率要高，速度大概在一秒內可完成識別這樣。 人臉識別概述 傳統的人臉識別技術主要是基於可見圖像，這也是一種常見的識別方法。它已經發展了30多年。但該方法存在不可克服的缺點，特別是當環境光發生變化時，識別效果會急劇下降，不能滿足實際系統的需要。光照問題的解決方案包括三維人臉識別和熱人臉識別。但這兩種技術還遠未成熟，識別效果並不理想。
一種快速發展的解決方案是基於主動近紅外圖像的多源人臉識別技術。它能克服光變化的影響，並取得了優異的識別性能。系統整體性能在精度、穩定性和速度上均優於三維圖像人臉識別。近兩三年來，該技術發展迅速，使得人臉識別技術逐漸成爲現實。 面部天生具有人體的其他生物特徵(指紋、虹膜等)。其獨特性和不易複製的優良特性爲識別提供了必要的前提。與其他類型的生物識別相比，
人臉識別具有以下特徵:
非強制性:用戶不需要配合面部採集設備，幾乎可以在無意識的情況下獲取面部圖像。這種抽樣方法不是“強制性的”。
非接觸:用戶不需要直接接觸設備就可以獲得面部圖像。
併發性:在實際的應用程序場景中，您可以對多個面進行排序、判斷和識別。 同時也符合“以貌取人”的視覺特徵，操作簡單、直觀、隱蔽性好。
什麼是人臉識別技術?
人臉識別技術是指利用分析比較的計算機技術識別人臉。人臉識別是一項熱門的計算機技術研究領域，其中包括人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度等技術。人臉識別技術屬於生物特徵識別技術，是對生物體(一般特指人)本身的生物特徵來區分生物體個體。
人臉識別技術以什麼爲核心?
人臉識別特指利用分析比較人臉視覺特徵信息進行身份鑑別的計算機技術。人臉識別是一項熱門的計算機技術研究領域，它屬於生物特徵識別技術，是對生物體本身的生物特徵來區分生物體個體。我瞭解的視覺偉業公司人臉識技術中被廣泛採用的區域特徵分析算法，它融合了計算機圖像處理技術與生物統計學原理於一體，利用計算機圖像處理技術從視頻中提取人像特徵點，利用生物統計學的原理進行分析建立數學模型,即人臉特徵模板。利用已建成的人臉特徵模板與被測者的人的面像進行特徵分析，根據分析的結果來給出一個相似值。通過這個值即可確定是否爲同一人。
