人脸识别技术原理与隐私争议：从特征提取到落地应用的边界
人脸识别现在到处都是，手机解锁、门禁打卡、支付验证、机场安检，基本都离不开它。很多人觉得人脸识别就是拍个照片比对一下，原理很简单，其实背后的技术链条挺长的，从人脸检测、关键点定位到特征提取、比对，每一步都有不少门道。这几年人脸识别的应用越来越广，隐私争议也越来越大，今天就从技术原理聊到落地边界。
人脸识别的第一步是人脸检测，就是从一张图片里找到人脸的位置和大小。传统方法用Haar特征加级联分类器，现在基本都用深度学习的目标检测算法，比如MTCNN、RetinaFace，检测速度和准确率都高很多。检测到人脸后，要做人脸对齐，就是定位眼睛、鼻子、嘴角这些关键点，然后把人脸转正、归一化到统一尺寸，这样后续的特征提取才准确。
特征提取是人脸识别的核心。早期用的是LBP、PCA这些手工特征，区分度有限。现在主流是用深度卷积神经网络（CNN）提取人脸特征向量，把一张人脸图片映射成一个128维或者512维的向量。这个向量就是人脸的"特征码"，同一个人的不同照片提取的特征码距离很近，不同人的距离很远。训练时用大量的人脸数据，通过损失函数（比如ArcFace）让网络学会区分不同的人。
比对的时候，把待测人脸的特征向量跟库里的人脸特征逐一计算相似度（一般用余弦相似度），相似度超过阈值就判定为同一个人。阈值的选择很关键，太低容易误识（把不同人认成同一个），太高容易漏识（同一个人认不出来）。实际应用中要根据场景调阈值，比如门禁可以放宽一点，支付就要严一点。
人脸识别的准确率这些年提升很快，在受控条件下（光线好、正脸、无遮挡）准确率能到99%以上。但实际场景复杂得多，逆光、侧脸、戴口罩、戴眼镜、年龄变化、化妆，都会影响识别率。特别是戴口罩这两年，很多人脸识别系统被迫升级算法，改用人脸下半部分或者虹膜辅助识别。活体检测也是个关键环节，要防止有人用照片、视频、面具骗过系统，常用的方法有动作指令（眨眼、转头）、红外成像、3D结构光等。
隐私争议是人脸识别绕不开的话题。人脸属于敏感个人信息，采集和使用需要用户同意。现在很多公共场所装人脸识别摄像头，有的是为了安防，有的是为了商业分析（比如统计客流、分析年龄性别），但很多没有明确告知用户，也没有提供拒绝的选项。欧盟的GDPR和国内的《个人信息保护法》都对人脸识别做了严格规定，要求有明确的告知和同意机制，敏感场所的人脸识别还需要单独同意。技术本身没有善恶，关键是用的人要守规矩，把选择权交给用户。
下一篇：没有了