面部识别系统是什么?关于面部识别系统的详细介绍

创闻科学2020-11-16 15:54:11

面部识别系统是一种能够通过从数字图像或视频帧中识别或者核查出人的信息。面部识别系统有多种工作方式,但一般来说,都是对比选定的面部特征和人脸资料库中的信息。它也被描述为基于生物人工智能的应用程序,可以通过分析基于人的面部纹理和形状的模式来唯一地识别人。

虽然最初是计算机的一种形式应用最近,它在移动平台和其他形式的技术中得到了更广泛的应用,如机器人技术。它通常在中用作访问控制安全系统并且可以与其他的进行比较生物测定学诸如指纹或者眼睛虹膜识别系统。尽管作为生物特征识别技术的面部识别系统的精度低于虹膜识别和指纹识别,但由于其非接触和非侵入过程而被广泛采用。最近,它也成为一种流行的商业识别和营销工具。其他应用包括高级人机交互、视频监控、图像自动索引和视频数据库等。

人脸识别技术的历史

自动人脸识别的先驱包括伍迪·布莱索、海伦·陈·沃尔夫和查尔斯·比森。 在1964年和1965年期间,布莱索与海伦·陈和查尔斯·比森一起致力于使用计算机识别人脸(布莱索1966年a,1966年b;布莱索和陈1965)。他为这项工作感到自豪,但是因为资金是由一个不知名的情报机构提供的,不允许太多的宣传,所以很少的工作被发表。根据现有的参考资料显示,布莱索最初的方法包括手动标注面部的各种标志,如眼睛中心、嘴等。这些由计算机进行数学旋转,以补偿姿态变化。标注的信息之间的距离也被自动计算,并在图像之间进行比较以确定身份。

给定一个大的图像数据库(实际上是一些的脸部照片)和一张照片,问题是从数据库中选择一小组记录,使其中一个图像记录与照片匹配。该方法的成功可以用答案列表与数据库中记录数量的比率来衡量。布莱索(1966a)描述了以下困难:

头部旋转和倾斜,光照强度和角度,面部表情,年龄等方面的巨大差异使此识别问题变得十分困难。通过机器进行面部识别的其他一些尝试也使得这些数量几乎没有变化。然而,一些研究人员经常使用的未处理光学数据的相关方法(或模式匹配)在可变性很大的情况下肯定会失败。特别是,同一人的两张图片在头部旋转两次不同的情况下,相关性也是非常低。
— Woody Bledsoe, 1966

这个项目被称为人机工程,因为人类从照片中提取了一组特征的坐标,然后被计算机用于识别。使用图形输入板 (GRAFACON或 RAND TABLET ),操作员将提取特征的坐标,例如瞳孔中心、眼睛内角、眼睛外角、发迹线顶点等。从这些坐标中,计算出20个距离的列表,例如嘴的宽度和眼睛的宽度,瞳孔到瞳孔的距离。这些操作员每小时可以处理大约40张图片。当建立数据库时,照片中的人的名字与计算的距离列表相关联,并存储在计算机中。在识别阶段,将这组距离与每张照片的相应距离进行比较,得出照片和数据库记录之间的距离。返回最接近的记录。

因为任何两张照片在头部旋转、倾斜、倾斜和比例(距相机的距离)方面都不太可能匹配,所以每组距离都被归一化,以正面方向表示脸部。为了实现这种标准化,程序首先尝试确定倾斜、倾斜和旋转。然后,使用这些角度,计算机恢复这些变换对计算距离的影响。为了计算这些角度,计算机必须知道头部的三维几何形状。因为实际的头部是不可用的,布莱索(1964)使用了从七个头部的测量中得出的标准头部。

布莱索在1966年离开PRI之后,这项工作主要由彼得·哈特在斯坦福继续研究。在一个超过2000张照片的数据库上进行的实验中,在相同的识别任务中,计算机的表现始终优于人类(布莱索1968)。彼得·哈特(1996)热情地回忆起这个项目,感叹道:“它真的成功了!” 到1997年左右,由德国和美国研究者共同开发的人脸识别系统超过了MIT等组织开发的系统。其中德国团队有克里斯托弗·冯·德·马尔斯堡和波鸿大学的研究生;美国团队有南加州大学的研究者。波鸿系统(Bochum system)是由美国陆军研究实验室支持开发的项目。这软件作为ZN-Face出售并被客户使用,例如德意志银行和机场运营商和其他繁忙的场景。该软件“足够强大,可以从不太完美的面部视角进行识别。它还能经常突破身份识别中的障碍,如胡子、胡须、改变发型和眼镜——甚至太阳镜。

2006年,最新人脸识别算法的性能在人脸识别挑战赛(FRGC) 中进行了评估。测试中使用了高分辨率人脸图像、三维人脸扫描和虹膜图像。结果表明,新算法的准确率比2002年的人脸识别算法高10倍,比1995年的人脸识别算法高100倍。一些算法能够在识别人脸方面胜过人类参与者,并且唯一成功地识别出同卵双胞胎。

美国政府资助的评估和挑战性问题帮助人脸识别系统的性能提高了两个数量级。自1993年以来,自动人脸识别系统的错误率降低了272倍。这样的工作适用于将人物与在工作室或面部照片环境中捕获的面部图像进行匹配的系统。在摩尔定律术语中,错误率每两年减少一半。

使用人脸高分辨率增强方法(Face hallucination)可以增强低分辨率人脸图像。

人脸获取技术

本质上,人脸识别过程分两步进行。第一个涉及特征提取和选择,第二个是对象的分类。后来的发展将不同的技术引入到程序中。一些最著名的技术包括:

传统的

一些面部识别算法通过从对象面部图像中提取关键点或特征来识别面部特征。例如,算法可以分析眼睛、鼻子、颧骨和下巴的相对位置、大小和/或形状。这些特征随后被用于搜索具有匹配特征的其他图像。 其他算法对人脸图像库进行标准化处理,然后压缩人脸数据,只保存在对人脸识别有用的数据信息。然后将探测图像与面部数据进行比较。最早成功的系统之一基于模板匹配技术应用于一组显著的面部特征,提供一种信息压缩的面部表示。

识别算法可以分为两种主要方法,一种是几何方法,它着眼于区别特征,另一种是光度方法,它是一种统计方法,它将图像提取为信息值,并将这些值与模板进行比较以消除差异。有些人将这些算法分为两大类:整体模型和基于特征的模型。前者试图从整体上识别人脸,而基于特征的细分则根据特征等要素,分析每个要素及其相对于其他特征的空间位置。

流行的识别算法包括主成份分析(使用特征脸算法) ,线性判别分析,弹性束图匹配(使用鱼眼算法),隐马尔可夫模型,多线性子空间学习(使用张量表示),以及神经元激励的动态链接匹配。

三维识别

三维人脸识别技术使用3D传感器来捕捉关于人脸形状的信息。这些信息随后被用来识别面部的特征,例如眼窝、鼻子和下巴的轮廓。

3D人脸识别的一个优点是它不会像其他技术一样受到光照变化的影响。它还可以从一系列视角识别人脸,包括侧面视图。人脸的三维数据点极大地提高了人脸识别的精度。先进传感器的发展增强了3D研究,能够更好地捕捉3D人脸图像。传感器的工作原理是将结构光投射到脸上。多达十几个这样的图像传感器可以放在同一个CMOS芯片上——每个传感器捕捉光谱的不同部分....

即使是完美的3D匹配技术也会对表情敏感。为了达到这个目标,技术部门的一个小组应用了来自度量几何的工具,将表达式视为等距

一种新的方法是引入一种通过使用三个指向不同角度的跟踪相机来捕捉3D图像;一个摄像头将指向拍摄对象的前方,第二个指向侧面,第三个指向某个角度。所有这些摄像头将协同工作,这样它就可以实时跟踪目标的面部,并能够进行面部检测和识别。

皮肤纹理分析

另一个新兴趋势是利用标准数字或扫描图像捕捉的皮肤视觉细节。这项技术被称为皮肤纹理分析,它将人皮肤上的独特线条、图案和斑点转化为一个数学空间。 表面纹理分析的工作方式与面部识别非常相似。照片拍摄的是一片皮肤,称为皮纹。然后,该一片图像被分解成更小的块。使用算法将面片转换成数学可测空间,然后系统将区分任何线条、毛孔和实际的皮肤纹理。它可以识别相同配对之间的对比,这是单独使用面部识别软件还不可能做到的。

测试表明,随着皮肤纹理分析的增加,人脸识别性能可以提高20%到25%。

结合不同技术的面部识别

由于每种方法都有其优缺点,技术公司已经将传统的3D识别和皮肤文本分析相结合,以创建成功率更高的识别系统。

组合技术比其他系统有优势。它对表情的变化相对不敏感,包括眨眼、皱眉或微笑,并有能力弥补胡须或胡须的生长以及眼镜带来的外观改变。该制度在种族和性别方面也是统一的。

热感相机

另一种获取面部识别输入数据的方式是使用热感相机,通过这种方法,相机只能检测头部的形状,而忽略了眼镜、帽子或化妆品等目标配件。与传统相机不同,热感相机即使在光线不足和夜间条件下也能捕捉面部图像,无需使用闪光灯和曝光相机位置。然而,使用热感图像进行人脸识别的一个问题是用于人脸识别的数据库是有限的。Diego Socolinsky和Andrea Selinger (2004)研究了热人脸识别在现实生活和手术场景中的应用,同时建立了一个新的热人脸图像数据库。这项研究使用了低灵敏度、低分辨率的铁电传感器,这些传感器能够获得长波热红外(LWIR)。结果表明,融合LWIR和常规视觉相机在室外探测器上有更好的效果。室内实验结果表明,视觉准确率为97.05%,LWIR准确率为93.93%,融合准确率为98.40%,而室外实验证明视觉准确率为67.06%,LWIR准确率为83.03%,融合准确率为89.02%。这项研究在10周内使用了240名受试者来创建一个新的数据库。这些数据是在晴天、雨天和阴天收集的。 2018年,来自美国陆军研究实验室(ARL) 的研究人员开发了一项技术,该技术允许他们将热感相机获得的面部图像与传统相机捕获的数据库中的图像进行匹配。这种方法利用人工智能和机器学习,使研究人员能够直观地比较传统和热面部图像。这种方法被称为交叉光谱合成法,因为它是如何将来自两种不同成像模式的面部识别联系起来的,该方法通过分析多个面部区域和细节来合成单个图像。它由一个非线性回归模型和一个优化问题组成,非线性回归模型将特定的热图像映射成相应的可见面部图像,优化问题将潜在的投影重新投回图像空间。

ARL的科学家已经注意到,这种方法是将全局信息(即整个面部的特征)与局部信息(即眼睛、鼻子和嘴巴的特征)相结合来工作的。除了增强合成图像的可辨别性之外,面部识别系统可以用于将热面部特征转换成面部的精细可见图像。根据在ARL进行的性能测试,研究人员发现,多区域交叉频谱合成模型的性能比基线方法提高了约30%,比最先进的方法提高了约5%。它还被测试用于热图像的标志点识别。

应用

移动平台

社会化媒体

社交媒体平台采用了面部识别算法来丰富其功能,以便在激烈竞争中吸引更广泛的用户群。 Looksery 成立于2013年,后来在Kickstarter上为其面部修饰功能筹集资金。在众筹获得成功后,Looksery 于2014年10月推出。该应用程序允许通过一个特殊的过滤器与其他人进行视频聊天,这个过滤器可以修改用户的面部表情。虽然有图像增强应用程序,如 FaceTune 和Perfect365,但它们仅限于静态图像,而Looksery允许增强现实直播视频。2015年末,SnapChat收购了Looksery,这将成为其标志性的镜头功能。

SnapChat 的动画镜头使用面部识别技术,通过允许用户添加滤镜来改变他们的外观,彻底改变和重新定义了自拍。过滤器的选择每天都在变化,一些例子包括让用户看到老年皱纹的样子,把一个虚拟的花皇冠放在他们的头上。狗滤镜是最受欢迎的过滤器,帮助推动SnapChat的持续成功,受欢迎的名人,如吉吉·哈迪德、金卡戴珊和用户用这种滤镜定期发布自己的视频。

深度人脸是一个深度学习人脸识别系统,由脸书的一个研究小组创建。它可以识别数字图像中的人脸。它采用了一个九层神经网络,拥有超过1.2亿个连接权重,并在脸书用户上传的400万张图片上接受训练。据说该系统的准确率为97%,而联邦调查局的下一代识别系统的准确率为85%。该软件的创造者之一,雅尼夫·泰格曼,通过Face.com的收购来到FaceBook。

身份验证解决方案

面部识别的新用途是使用身份验证服务。许多公司现在都在市场上为银行、ICOs和其他电子商务提供这些服务。

面容 ID

苹果在旗舰产品iPhone X上推出了面容ID ,作为指纹识别(一种基于指纹的系统)的生物认证继任者。面容ID有一个面部识别传感器,由两部分组成:一个“罗密欧”模块,将30,000多个红外点投射到用户的脸上;一个“朱丽叶”模块,读取图案。该模式被发送到设备的中央处理器中的“安全包围区”,以确认与电话所有者的面部匹配。苹果公司无法获取面部图案。为了防止未经授权的访问,该系统在闭着眼睛的情况下无法工作。 这项技术从用户外表的变化中学习,因此适用于帽子、围巾、眼镜和许多太阳镜、胡须和化妆品。

它在黑暗中也能工作。这是通过使用“泛光照明器”来实现的,泛光照明器是一种专用的红外闪光灯,它将不可见的红外光投射到用户的脸上,以正确读取30,000个面部点。

安全服务部署

监督

澳大利亚Border Force 和新西兰海关已经建立了一个名为智能大门的自动化边境处理系统,该系统使用人脸识别,将旅行者的面部与电子护照微芯片中的数据进行比较。所有加拿大国际机场都将面部识别作为主要检查亭程序的一部分,该程序将旅行者的面部与存储在电子护照中的信息进行。这个项目最初是为了温哥华国际机场而设计,并于2018-2019年在所有其他的国际机场推广。巴拿马的托库门国际机场运营着一个机场范围内的监控系统,该系统使用数百个实时人脸识别摄像头来识别经过机场的通缉犯。 自2015年以来,英国的警察部队一直在公共活动中试用现场面部识别技术。然而,老大哥手表最近的一份报告和调查发现,这些系统有高达98%的不准确率。

国家安全

美国国务院运营着世界上最大的人脸识别系统之一,拥有1.17亿美国成年人的数据库,照片通常取自驾照照片。尽管它还远未完工,但在某些城市已经投入使用,为照片中的人提供线索。联邦调查局将这些照片用作调查工具,而不是用于积极的识别。从2016年开始,面部识别被用于识别在圣地亚哥和洛杉矶拍摄的照片中的人(不在实时视频中,仅针对预约照片)计划在西弗吉尼亚州和达拉斯使用。 近年来,马里兰通过比较人们的脸和他们的驾照照片来使用人脸识别。该系统在巴尔的摩被用于逮捕不守规矩的抗议者时,引发了争议。许多其他州正在使用或开发类似的系统,但有些州有法律禁止使用。

联邦调查局也制定了下一代身份识别计划,包括人脸识别,以及更传统的生物特征识别,如指纹和虹膜扫描,可以从刑事和民事数据库中提取。

2017年,ClockedIn发布了面部识别,作为一种出勤跟踪的形式,面向希望拥有更自动化的系统来跟踪工作时间以及安全、健康和安全控制的企业和组织。

2017年5月,一名男子因使用安装在一辆由南威尔士警方驾驶的货车上的自动面部识别(AFR)系统而被捕。Ars Technica 报道称“这似乎是[AFR]第一次导致逮捕”。

截至2017年底,中国已经在新疆部署了人脸识别技术。记者走访该地区时发现,在几个城市中,每隔百米左右安装一个监控摄像头,在加油站、购物中心和清真寺入口等区域也有面部识别检查站。

自动面部识别系统类似于其他移动闭路电视系统

额外用途

除了用于安全系统,当局还发现了人脸识别系统的许多其他应用。虽然早期的后9/11 部署是广为人知的试验,但由于其隐蔽性,近期的部署很少被报道。 2001年1月,在第三十五届超级碗,佛罗里达州坦帕湾的警察使用Viisage人脸识别软件搜索参加活动的潜在罪犯和恐怖分子。19名有轻微犯罪记录的人被发现。

在2000年墨西哥总统选举中,墨西哥政府使用人脸识别软件来防止选民欺诈。一些人以几个不同的名字登记投票,试图投多张票。通过比较新的人脸图像和选民数据库中已有的人脸图像,当局能够减少重复登记。美国也在使用类似的技术来防止人们获得假身份证和驾照。

人脸识别已经被用作各种计算平台和设备的生物特征认证的一种形式; 安卓系统4.0“冰淇淋三明治”增加了面部识别功能,使用智能手机的前置摄像头作为解锁设备的手段,当微软通过其Kinect 配件将人脸识别登录引入其Xbox 360 电子游戏机时,以及Windows 10 通过其“视窗你好”平台(需要一个红外照明摄像头)。苹果的iPhone X 智能手机通过其使用红外照明系统的面容ID 平台将面部识别引入到产品线中。

照片管理软件还使用人脸识别系统来识别照片的主题,实现了个人搜索图像等功能,并建议在照片中检测到照片存在时与特定联系人共享照片。

面部识别在某些网站、电话应用程序和支付方式中被用作额外的安全措施。

美国流行音乐和乡村音乐名人泰勒·斯威夫特在2018年的一场音乐会上偷偷使用了面部识别技术。照相机嵌在一个凉亭在一个售票亭附近,当音乐会观众进入已知的设施时,对他们进行扫描追踪者。

优点和缺点

与其他生物识别系统相比

面部识别系统的一个主要优点是,它能够对人进行大规模识别,因为它不需要测试对象的协作来工作。安装在机场、多厅影院和其他公共场所的正确设计的系统可以在人群中识别个人,而路人甚至不知道该系统。 然而,与其他生物识别技术相比,人脸识别可能不是最可靠和有效的。高质量测量在人脸识别系统中非常重要,因为人脸图像中可能存在很大程度的变化。人脸捕捉过程中的光照、表情、姿态和噪声等因素会影响人脸识别系统的性能。在所有的生物识别系统中,面部识别的错误接受率和拒绝率最高,因此,人们对人脸识别软件在铁路和机场安检中的有效性提出了质疑。

弱点

拉尔夫·格罗斯(Ralph Gross),2008年卡内基梅隆机器人研究所的研究员,描述了一个与面部视角相关的:“面部识别在正面全脸和20度角下已经变得相当好了,但是一旦你进入侧面,就会出现问题。”除了姿势变化,低分辨率的人脸图像也很难识别。这是监控系统中人脸识别的主要障碍之一。 如果面部表情不同,面部识别就不那么有效。灿烂的笑容会降低系统的效率。例如:2009年,加拿大只允许在护照照片中使用中性面部表情。

研究人员使用的数据集也有不确定性。研究人员可以在任何地方使用从几个主题到几十个主题以及几百个图像到几千个图像。对于研究人员来说,重要的是让他们可以相互使用数据集,或者至少有一个标准数据集。

在公司存储生物识别数据时,数据隐私是主要的考虑因素。如果存储不当或遭到黑客攻击,第三方可以访问关于人脸或生物特征的数据存储。帕里斯补充道(2017年),“在科技世界里,黑客们已经在寻找复制人的脸来欺骗面部识别系统,但是这项技术在过去被证明比指纹或语音识别技术更难破解。”

无效性

该技术的批评者抱怨说在伦敦纽汉区,尽管该系统的数据库中有几个罪犯住在该区,而且该系统已经运行了几年,但他从未认出一个罪犯。"据警方所知,纽汉的自动人脸识别系统从未发现过活体目标。"这一信息似乎与声称该系统减少了34%的犯罪的说法相矛盾(因此它也被推广到伯明翰)。然而,这可以用这样一种观念来解释,即当公众被定期告知他们正处于先进的人脸识别技术的持续视频监控之下时,无论人脸识别系统在技术上是否有效,这种恐惧本身就可以降低犯罪率。这是其他几种基于人脸识别的安全系统的基础,在这些系统中,该技术本身并不十分有效,但用户对该技术的感知却非常有效。 2002年,在坦帕、佛罗里达的当地警察部门进行的一项实验也有类似的令人失望的结果。

波士顿洛根机场的一个系统在两年的测试期内没有进行任何成功匹配,于2003年关闭。

2014年,脸谱网表示,在一个标准化的两选项面部识别测试中,其在线系统的准确率为97.25%,而人类基准的准确率为97.5%。

2018年,公民自由和权利运动组织老大哥观察的一份报告显示,两支英国警察部队南威尔士警察和大都会警察在公共活动和公共场所使用现场面部识别,但准确率低至2%。他们的报告还警告了巨大的潜在的人权违规。它在英国得到了广泛的媒体报道。

在100%附近,系统经常被宣传为具有精确性;这是一种误导,因为研究经常使用比大规模应用所需的样本量小得多的样本。因为面部识别并不完全准确,它会创建一个潜在匹配列表。然后,操作员必须查看这些潜在的匹配,研究表明,操作员只用从列表中挑选正确的匹配所需时间的一般时间,这就产生了锁定错误嫌疑人的问题。

争议

侵犯隐私

民权组织和隐私活动家,如电子前沿基金会,老大哥手表美国公民自由联盟表示关切的是隐私因为监控技术的使用而受到损害。有些人担心这可能会导致一个“全面监督社会”,因为政府和其他当局有能力24小时了解所有公民的活动。这项技术已经、正在并可能继续被用来阻止公民合法行使批评当权者、政府政策或公司行为的权利。许多具有这种监督能力的中央集权机构滥用其特权来维持对政治和经济机构的控制,并遏制民粹主义改革。 人脸识别不仅可以用来识别一个人,还可以用来挖掘与一个人相关的其他个人数据,如其他个人照片、博客帖子、社交网络档案、互联网行为、旅行模式等。在任何给定的时间里,谁能够获得某人的行踪和与他们在一起的人的信息,这引起了人们的关注。此外,除非隐藏自己的脸,否则个人避免或阻止人脸识别跟踪的能力有限。这从根本上改变了日常隐私的动态,使任何营销人员,政府机构,或随机陌生人秘密收集的身份和相关的个人信息,任何个人捕获的人脸识别系统。消费者可能不理解或不知道他们的数据被用于什么目的,这使他们无法同意他们的个人信息如何被共享。

在俄罗斯,人脸识别被用来骚扰涉嫌参与网络色情活动的女性。在俄罗斯,有一个叫“FindFace”的应用程序,它可以使用社交媒体应用程序VK,以大约70%的准确率识别人脸。这个应用在其他不使用VK的国家是不可能的,因为他们的社交媒体平台照片的存储方式与VK不同。

2012年7月,美国参议院司法委员会隐私、技术和法律小组委员会举行听证会,讨论人脸识别技术对隐私和公民自由的意义。

2014年,国家电信和信息协会 (NTIA)启动了一个多方利益相关者流程,让隐私倡导者和行业代表参与进来,制定关于私营公司使用人脸识别技术的准则。2015年6月,隐私倡导者离开了谈判桌,他们认为这是一个僵局,因为行业代表不愿意同意收集人脸识别数据的同意要求。 NTIA 和行业代表在没有隐私代表的情况下继续进行,规则草案预计在2016年春季提交。

2015年7月,美国政府问责局向美国参议院司法委员会隐私、技术和法律小组委员会高级成员提交了一份报告。该报告讨论了面部识别技术的商业用途、隐私问题和适用的联邦法律。它指出,以前,关于面部识别技术的问题被讨论过,并代表了更新联邦隐私法的需要,不断匹配先进技术的程度和影响。此外,一些行业、政府和私人组织正在制定或已经制定了“自愿隐私准则”。这些指南在不同的群体中有所不同,但总体目标是获得同意并告知公民面部识别技术的预期用途。这有助于应对当公民不知道他们的个人隐私数据被用于何处时出现的隐私问题,正如报告指出的那样,这是一个普遍问题。

生物识别技术发展的最大问题,更具体地说,面部识别与隐私有关。人脸识别技术的兴起让人们担心,像谷歌或苹果这样的大公司,甚至政府机构,会用它来对公众进行大规模监控。不管他们是否犯了罪,一般来说,人们不希望他们的每一个行动都被监视或跟踪。人们倾向于相信,因为我们生活在一个自由的社会,我们应该能够在公共场合活动,而不用担心被识别和监视。人们担心随着面部识别的日益流行,他们将开始失去匿名权利。

脸书DeepFace

社交媒体网站,如脸书,有大量带有姓名注释的人物照片。这是一个可能被政府滥用于人脸识别的数据库。脸书的DeepFace已经成为生物特征信息隐私法下几起集体诉讼的主题,指控脸书在未获得知情同意的情况下收集和存储其用户的面部识别数据,直接违反了生物特征信息隐私法。最近的案件于2016年1月被驳回,因为法院缺乏管辖权。因此,尚不清楚《生物特征信息隐私法》是否能有效保护生物特征数据的隐私权。 2017年12月,脸书推出了一项新功能,当有人上传一张照片,其中包括脸书认为是他们的脸,即使他们没有被标记,也会通知用户。在之前的猛烈抨击中,Facebook试图以积极的眼光来看待新功能。脸书的隐私主管Rob Sherman谈到了这项新功能,认为它让人们可以更好地控制他们的在线照片。“我们认为这是一个真正赋权的特征,”他说。“可能有你不知道的照片。”

执法技术不完善

在世界各地,执法机构已经开始使用面部识别软件来帮助识别罪犯。例如,中国警方在青岛国际啤酒节使用面部识别设备识别了25名通缉犯,其中一人已经在逃10年。该设备的工作原理是录制一个15秒钟的视频剪辑,并为拍摄对象拍摄多个快照。将这些数据与警察局数据库中的图像进行比较和分析,在20分钟内,对象的识别准确率可达98.1%。在英国,警方对面部识别技术的使用被发现有高达98%的不准确性。 事实证明,人脸识别功能对有色人种的研究不太准确。乔伊·博伦维尼(麻省理工学院媒体实验室)和蒂姆尼特·格布鲁(微软研究)的一项研究发现,在三种商业面部识别系统中,有色人种女性的性别识别错误率在23.8%到36%之间,而肤色较浅的男性的错误率在0.0%到1.6%之间。识别男性的总体准确率(91.9%)高于女性(79.4%),而且没有一个系统包含对性别的非二元理解。

专家担心新技术实际上可能会伤害到警方声称的社区保护。这被认为是一种不完美的生物识别技术,在乔治城大学研究员克莱尔·加维(Clare Garvie)进行的一项研究中,她得出结论说,“科学界没有一致意见认为它能提供对某人的积极识别。”

人们认为,由于这项技术存在如此大的误差幅度,法律倡导者和面部识别软件公司都表示,这项技术只能提供部分案例——没有证据可以导致个人被捕。

缺乏要求面部识别技术公司进行种族偏见测试的法规,这可能是执法部门采用这种方法的一个重大缺陷。CyberExtruder向执法部门推销自己的公司表示,他们没有对自己软件中的偏见进行测试或研究。CyberExtruder确实注意到,由于目前技术的限制,一些肤色软件更难识别。CyberExtruder公司的高级软件工程师布雷克·森特纳说:“就像皮肤非常黑的人很难通过面部识别来辨别身份一样,皮肤非常白的人也是如此。”。

2019年,人脸识别功能股市市值达到惊人的46亿美元,并将在未来9年再增长25%。

2019年5月,旧金山监督委员会投票禁止警察和其他政府机构使用面部识别技术,使旧金山成为美国第一个禁止这种做法的城市。

情感检测

面部识别系统已经用于情感识别2016年,脸书收购了情感检测初创公司FacioMetrics。

反面部识别系统

2013年1月,日本国家信息学研究所的研究人员发明了“隐私护目镜”,这种眼镜使用近红外光使其下方的人脸无法被人脸识别软件识别。最新版本使用钛框架,反光材料和面具,面具使用角度和图案,通过吸收和反射光源来破坏面部识别技术。2016年12月,芝加哥一位名叫斯科特·厄本的定制眼镜工匠发明了一种反闭路电视和面部识别的太阳镜,名为“反光眼镜”。它们反射红外线,也可以反射可见光,这使得用户在相机前的脸变得模糊不清。 另一种防止面部识别系统的方法是特定的理发和化妆模式,这种模式被称为计算机视觉欺骗(Computer vision dazzle)。