iPhone X的FaceID生物識別技術(shù)首次亮相就引起了一片“恐慌”

理論上，你只需要看一眼手機，啟用了FaceID功能的iPhone X就會在一秒鐘內(nèi)識別出你的臉部特征，并自行解鎖，同時，這一技術(shù)也將被用于Apple Pay支付和第三方應(yīng)用等場景中。

有吐槽說，這一功能可能讓iPhone失去一批男性用戶（尤其是已婚男士），反之，這也有可能讓一批男性“被迫”提前用上iPhone X。

其實，這完全是“杞人憂天”。

讓我們先了解一下FaceID的“工作原理”

蘋果公司在iPhone X中使用了“TrueDepth攝像機系統(tǒng)”（也就是“齊劉海”部分），通過使用里面的傳感器和點陣投影儀，投射出3萬多個點，就能形成一張完整的3D“臉譜”用來識別用戶臉部。據(jù)悉， iPhone X將采用定制的芯片來處理人工智能工作負(fù)載，這是一個雙核的“ A11生物神經(jīng)網(wǎng)絡(luò)引擎”芯片，每秒運算次數(shù)最高可達6000億次，該芯片賦能的最重要的事情就是使Face ID身份認(rèn)證功能能夠快速識別人臉。而為保證用戶的隱私，讓用戶更放心，蘋果稱所有相關(guān)的數(shù)據(jù)運算都將發(fā)生在本地，不會被上傳到云端或是回傳到蘋果公司。

同時，經(jīng)過不斷被訓(xùn)練的神經(jīng)網(wǎng)絡(luò)建模識別人臉，當(dāng)你的iPhone X識別你的臉部次數(shù)越多，它就會對你越熟悉。不管你是換發(fā)型、留胡子、戴帽子、戴眼鏡，還是光線強弱不同，它都會認(rèn)出你。

同為生物識別技術(shù)，TouchID的解鎖錯誤率是五萬分之一，而FaceID則是一百萬分之一，成功率極高（雖然蘋果高級副總裁Craig Federighi在發(fā)布會上嘗試使用FaceID功能解鎖手機卻失?。?。對此，大家也不必過度“恐慌”。庫克在發(fā)布會上表示，FaceID要求使用者在刷臉解鎖時必須“集中注意力”（require“user attention”），所以，當(dāng)手機遠(yuǎn)離眼睛，或者用戶閉著眼睛時就不會解鎖，你根本不用擔(dān)心在自己睡覺時手機被解鎖（除非你像張飛一樣睜著眼睛睡覺）。

事實上，近幾年來以來，業(yè)界對于臉部識別的應(yīng)用“屢試不爽”，但一直因為安全問題被詬病。比如只需要通過一張電腦所有者的照片，就可以輕松進入設(shè)置了臉部識別登錄方式的電腦；再比如流行科學(xué)作家丹·莫倫（Dan Moren）通過一個視頻就擊敗了阿里巴巴的面部識別系統(tǒng)。

然而，一直以“安全”標(biāo)榜自己的蘋果，定然也不會允許這樣一個“萬眾矚目”的新功能讓自己的“人設(shè)”輕易垮掉。在這周小米的新品發(fā)布會上，小米也推出了人臉識別解鎖方面的方案，雖然都是“人臉識別”，但具體技術(shù)卻有很大的差距。

蘋果的FaceID，采用的是結(jié)構(gòu)光雙攝方案，通過將3萬多個光點的網(wǎng)絡(luò)投射到人臉上，并隨著用戶轉(zhuǎn)動頭部以映射臉部3D形狀，最終形成的是一個三維圖像，這也是目前安全性最高的人臉識別方案。而小米Note更多還是二維人臉解鎖的方案。

當(dāng)然，即使是三維面部識別系統(tǒng)也并不是“萬無一失”。就在兩年前，柏林的SR實驗室使用石膏模具，破解了微軟的Hello面部識別系統(tǒng)。這一嘗試在多個使用相同類型紅外深度感應(yīng)攝像機的品牌筆記本中都成功了。SR 實驗室的創(chuàng)始人Karsten Nohl指出，他們使用的模具不僅模仿了用戶的臉部形狀，還模仿了皮膚的光反射性能。

為了證明自己，蘋果甚至與好萊塢模型團隊進行了人臉模型對比驗證，以保證FaceID所識別的人臉不能被包括蠟像、模具等在內(nèi)的任何仿制品所替代。在發(fā)布會現(xiàn)場，F(xiàn)ederighi展示了一些非常逼真的面具制品，并表示經(jīng)過測試，即使是這些面具再逼真也無法破解FaceID系統(tǒng)。他說，從理論上來說，也許這個世界上有人能夠跟你長的非常相似，他可以破解你的手機系統(tǒng)，但是這種概率大概是一百萬分之一。當(dāng)然，如果是雙胞胎，這個概率就會大大提高。

其實，關(guān)于人臉識別的安全性問題很多人心里依然沒底，也許只有經(jīng)過公開測試才能真正打破用戶的疑慮。 但即便如此，目前，已經(jīng)有很多金融機構(gòu)開始采用人臉識別幫助用戶進行開戶、轉(zhuǎn)賬、付款，包括支付寶、券商、銀行等等。以招商銀行為例，目前人臉識別已經(jīng)能夠?qū)崿F(xiàn)手機端超過 50 萬的轉(zhuǎn)賬；對于標(biāo)準(zhǔn)化的個人業(yè)務(wù)，配置了人臉識別系統(tǒng)的智能柜臺也已經(jīng)在招行的線下網(wǎng)點投入使用（人臉識別時，系統(tǒng)會要求用戶做出對應(yīng)動作，如點頭或者眨眼）。

總之，安全與體驗也許永遠(yuǎn)沒法兩全。但，這并不意味著這道題無解，如果你的手機數(shù)據(jù)確實非常敏感，你完全可以選擇關(guān)閉FaceID識別功能，或者，你也可以選擇允許FaceID進行解鎖，但不用于付款（此解同樣適用于篇頭的“恐慌人群”）。

當(dāng)然，還有網(wǎng)友對于卸了妝還能不能解鎖表示擔(dān)憂，對此，我想說的是——卸了妝能不能解鎖，你心里沒點數(shù)嗎？其實，我自己比較擔(dān)心的是，如果我只是想用手機屏幕照個鏡子怎么辦？

蘋果公司：在人臉識別領(lǐng)域早有布局

話說回來，事實上，蘋果在人臉識別技術(shù)方面的布局已經(jīng)不是一年兩年，最近幾年來先后收購了 PolarRose、PrimeSense、Perceptio、Faceshift、Emotient、Turi 等人臉識別相關(guān)技術(shù)公司。其中，2013 年收購的 3D 傳感技術(shù)公司 PrimeSense，曾經(jīng)還因為給微軟的 Kinect 提供了傳感器而走紅。通過傳感器和中間件，可以讓設(shè)備感知周邊的三維環(huán)境，實現(xiàn)人機交互。這也是此次FaceID所涉及的關(guān)鍵技術(shù)之一。

除此之外，在去年年底，蘋果還發(fā)布了第一份關(guān)于人工智能的學(xué)術(shù)論文《Learning from Simulated and Unsupervised Images through Adversarial Training》。這篇論文闡述了如何通過計算機生成圖像而非真實圖像來訓(xùn)練算法的圖像識別能力。

蘋果在論文中稱，在機器學(xué)習(xí)研究中，使用合成圖像（例如來自一款視頻游戲）來訓(xùn)練神經(jīng)網(wǎng)絡(luò)要比使用真實圖像更有效。因為合成圖像數(shù)據(jù)已經(jīng)被標(biāo)記和注釋，而真實的圖像數(shù)據(jù)需要有人耗費巨大的精力去標(biāo)記計算機看到的每件事物，如一棵樹、一條狗或一輛自行車。

當(dāng)然，使用合成圖像也存在一定的弊端，導(dǎo)致一種算法所了解的內(nèi)容與真實世界中的場景有所不同。比如，合成圖像數(shù)據(jù)如果不夠真實，就會導(dǎo)致神經(jīng)網(wǎng)絡(luò)只能了解到合成圖像中所呈現(xiàn)的細(xì)節(jié)，而對真實圖像的認(rèn)識有所不足。

為解決該問題，提高合成圖像數(shù)據(jù)的訓(xùn)練效果，蘋果研究人員推出了“模擬+無監(jiān)督”的學(xué)習(xí)方法，以提高模擬圖像的真實感。蘋果研究人員使用一種經(jīng)過修改的新型機器學(xué)習(xí)技術(shù)，被稱為“生成對抗網(wǎng)絡(luò)”（GAN），讓兩個神經(jīng)網(wǎng)絡(luò)彼此對抗，從而生成更逼真的圖像。

模擬+無監(jiān)督（S + U）學(xué)習(xí)：通過學(xué)習(xí)模型，并使用未標(biāo)注的真實數(shù)據(jù)，利用模擬器改善合成圖像的真實性，同時保留注釋信息

用精煉神經(jīng)網(wǎng)絡(luò)R來優(yōu)化模擬器的輸出

未標(biāo)記的真實圖像&模擬圖像

大膽地推想，蘋果應(yīng)該把這樣一套方法論應(yīng)用在了iPhone X 的 FaceID功能中。


關(guān)于人臉識別技術(shù)

人臉識別技術(shù)是指利用分析比較的計算機技術(shù)識別人臉，其中包括人臉追蹤偵測，自動調(diào)整影像放大，夜間紅外偵測，自動調(diào)整曝光強度等技術(shù)。廣義的人臉識別包括構(gòu)建人臉識別系統(tǒng)的一系列相關(guān)技術(shù)，包括人臉圖像采集、人臉定位、人臉識別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識別特指通過人臉進行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。

技術(shù)流程：

• 人臉圖像采集及檢測
• 人臉圖像預(yù)處理
• 人臉圖像特征提取
• 人臉圖像匹配與識別

關(guān)鍵技術(shù)

• 基于特征的人臉檢測技術(shù)：通過采用顏色、輪廓、紋理、結(jié)構(gòu)或者直方圖特征等進行人臉檢測。
• 基于模板匹配人臉檢測技術(shù)：從數(shù)據(jù)庫當(dāng)中提取人臉模板，接著采取一定模板匹配策略，使抓取人臉圖像與從模板庫提取圖片相匹配，由相關(guān)性的高低和所匹配的模板大小確定人臉大小以及位置信息。
• 基于統(tǒng)計的人臉檢測技術(shù)：通過對于“人臉”和“非人臉”的圖像大量搜集構(gòu)成的人臉正、負(fù)樣本庫，采用統(tǒng)計方法強化訓(xùn)練該系統(tǒng)，從而實現(xiàn)對人臉和非人臉的模式進行檢測和分類。

基本方法：

• 幾何特征的人臉識別方法：幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系（如相互之間的距離）。這些算法識別速度快，需要的內(nèi)存小，但識別率較低。
• 基于特征臉（PCA）的人臉識別方法：特征臉方法是基于KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設(shè)人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的訓(xùn)練樣本，而且完全是基于圖像灰度的統(tǒng)計特性的。目前有一些改進型的特征臉方法。
• 神經(jīng)網(wǎng)絡(luò)的人臉識別方法：神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓(xùn)練，而在許多應(yīng)用中，樣本數(shù)量是很有限的。
• 彈性圖匹配的人臉識別方法：彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓?fù)鋱D來代表人臉，拓?fù)鋱D的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結(jié)合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓(xùn)練。
• 線段Hausdorff 距離(LHD) 的人臉識別方法：心理學(xué)的研究表明，人類在識別輪廓圖（比如漫畫）的速度和準(zhǔn)確度上絲毫不比識別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對應(yīng)關(guān)系，因此它更能適應(yīng)線段圖之間的微小變化。實驗結(jié)果表明，LHD在不同光照條件下和不同姿態(tài)情況下都有非常出色的表現(xiàn)，但是它在大表情的情況下識別效果不好。
• 支持向量機(SVM) 的人臉識別方法：支持向量機是統(tǒng)計模式識別領(lǐng)域的一個新的熱點，它試圖使得學(xué)習(xí)機在經(jīng)驗風(fēng)險和泛化能力上達到一種妥協(xié)，從而提高學(xué)習(xí)機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉(zhuǎn)化成一個高維的線性可分的問題。通常的實驗結(jié)果表明SVM有較好的識別率，但是它需要大量的訓(xùn)練樣本（每類300個），這在實際應(yīng)用中往往是不現(xiàn)實的。而且支持向量機訓(xùn)練時間長，方法實現(xiàn)復(fù)雜，該函數(shù)的取法沒有統(tǒng)一的理論。

算法分類：

• 基于人臉特征點的識別算法（Feature-based recognition algorithms）
• 基于整幅人臉圖像的識別算法（Appearance-based recognition algorithms）
• 基于模板的識別算法（Template-based recognition algorithms）
• 利用神經(jīng)網(wǎng)絡(luò)進行識別的算法（Recognition algorithms using neural network）