我的照片，能否通過人臉識別？

【小編提示】

本文是「少兒報刊閱讀季」專題，請仔細閱讀，文末有10個問題，全部答對的同學，有精美科普圖書奉送哦！

相機的取景框能在萬千像素中識別出人的臉

用過數碼相機的同學一定能注意到，拍人像照片的時候，人的臉常常會被綠色或紅色的方框圈出來；玩QQ空間的「面孔牆」或其他軟體的類似功能時，相冊會在你上傳的許多張照片中找出帶有你自己影像的那些；流傳於朋友圈的「看看你有哪張明星臉」這樣的遊戲軟體，還真能在「明星界」找到跟你長得頗有幾分相似的明星；甚至北京天壇公園有三座公共衛生間里安裝了6台「人臉識別廁紙機」，刷臉就可以取廁紙……

?

一些社交軟體能自動識別出人臉的身份

以上這些有趣的現象在最近20年中，隨著計算機和人工智慧的蓬勃發展，像魔法一樣走入大眾的視野。我們今天的話題就是它們背後的技術—人臉識別技術。

請對陌生人描述你同桌的長相

人臉識別技術就是要讓計算機像人一樣，在圖像中找到人臉，而且認出人臉。對於人類來說，這簡直不費吹灰之力，然而這種簡單得不能再簡單的事情交給計算機來做，卻曾經是一項不可能完成的任務。

嬰兒的人臉識別能力已經媲美先進的計算機

請你試著不看照片，向一個陌生人介紹自己同桌的長相，需要具體到什麼程度才能讓他在學校的2000人群體中把你的同桌找到？

「男生，頭髮茂盛。」—不錯，一下排除掉一半，還剩下約1000人。

「高鼻樑，大腦門。」—嗯，對相貌的描述具體了一些，去掉了矮鼻樑和長劉海的兄弟，還剩下約500人。

「小眼睛，卧蠶眉，除了沒留鬍子外，氣質跟關公挺神似的。」—幹得漂亮！這個描述之後，只剩下80人了！

「兩個瞳孔距離6.5厘米，鼻孔直徑7.5毫米，下面兩顆門牙間有1毫米的小縫隙，皮膚顏色介於金屬黃和時尚粉之間……」—恐怕只有這樣精確的描述才能在剩下的80人中找到唯一的目標，但這些描述正常人既想不到，也說不出來。

這些都是同一個人的不同表情

讓計算機進行人臉識別就是一個類似的過程，我們必須事無巨細地把一張人臉描述為基本的數字、尺寸、顏色、形狀等。其中的難點就在於，我們的描述既要保證讓兩張不同的臉的描述不一樣，又要讓同一張臉的不同表情、不同角度的照片的描述是一樣的。這樣一想，答案就不那麼顯而易見了。計算機科學家探索了幾十年，嘗試了許多思路迥異的方法，才湊齊了「天時地利人和」，把人臉識別技術帶入了大眾的視線中。

人臉識別技術的難點就在於，我們的描述既要保證讓兩張不同的臉的描述不一樣，又要讓同一張臉的不同表情、不同角度的照片的描述是一樣的

把辛苦活兒交給計算機吧

機器就是用來「多、快、好、省」地替人類幹活的，發展人臉識別技術也是出於同樣的目的。最初，警察需要人工檢查幾個月內的監控視頻，去尋找嫌疑人的影像，但現在把活兒交給計算機後，計算機可以把檢查的範圍從上千小時的視頻縮小到幾分鐘的範圍。大學老師上課檢查考勤時，以前是採用點名、小測驗、交作業的方式，現在只需在教室前架一個攝像頭，就可以把班上幾十名同學的小臉看得清清楚楚。隨著人臉識別率的提升，人臉也像密碼、指紋一樣，可以作為身份認證的工具，各種刷臉登錄、刷臉支付也已經在民用領域成了現實。

電影里的警察通常能在快速流動的人群里鎖定目標，但現實中的人臉識別技術並未達到這個水平

前面提到的相機自動對焦、電子相冊自動整理、明星臉或是取廁紙功能，都是人臉識別的有趣應用。人臉識別還包括很多細小的分支領域，比如表情識別、年齡估計等。在某些培訓機構的網路授課中，已經開始應用表情的自動分析功能來收集學生對教學的反應，並且實時傳遞給老師。這些看得見、摸得著的應用，都是託了人臉識別技術的福。

讓計算機自己學會識別人臉

計算機是怎麼識別人臉的呢，難道科學家真的寫了一本巨細無遺的規則，標註了人臉上每個細胞之間的距離嗎？當然不是。目前由於生物科學技術的限制，解剖學的結果還無法直接解釋人類大腦里的識別規則。因此計算機科學家另起爐灶，尋找其他辦法，其中的一種比較普遍的演算法，就是讓電腦自己生成億萬條規則，之後自動選取其中符合自己需要的那些規則。

機器學習是機器自己的學習，跟人腦的思考、神經的傳導目前並沒有直接的聯繫，只是借用了「神經系統」這個名字，但並沒有仿生學的基礎

舉個例子，我們收集了一沓中國人和一沓歐美人的人像照片，然後把照片分成兩組：A組都是中國人，男女老少、高矮胖瘦都有；B組都是歐美人，同樣也是男女老少、高矮胖瘦都有。之後我們把照片輸入電腦，讓計算機在科學家的幫助下生成一些規則，比如：

規則1：檢查鼻樑的高度。

規則2：檢查鬍鬚和喉結。

規則3：檢查皺紋的特徵。

……

實驗發現，規則1可以辨認出80%的歐美人，規則2、3都區分不出中外人種，這兩條規則將被丟棄，這時再寫幾條新的能夠做出有效區分的規則。通過反覆產生、篩選這些規則，計算機就可以得到一個對中外人種識別率高的照片分類器。

那麼上面的規則2、3是不是就一點用處都沒有呢？不是。如果用來區分男人和女人，2就非常有用；如果用來區分老人和年輕人，3則非常有用。將同樣的照片按不同的特徵分組，假以時日，計算機就能自己吐出一個能認出每個人身份的識別系統。

這樣一來，科學家的任務就只剩下了兩大類：第一，努力優化將要教給計算機如何生成識別規則的「定理」；第二，努力獲取更多、更優質的人臉照片，以供計算機自動學習。完成了這兩大類任務，計算機的引擎開始發動，一張張人臉照片就變成了一個個意義具體的面孔。

但在實際工作中，計算機生成的規則遠不會這樣簡單易懂，真正生成的規則很有可能是「將照片左上角的16個像素加權求和」這種一般人難以理解的行話。但無論什麼規則，都需要計算機自己來生成，這個過程與人類學習、研究的過程有些類似。近些年炒得火熱的「機器學習」，就是類似這樣的、研究如何使用機器來模擬人類學習活動、獲取新的知識或技能、重組已有的知識結構、不斷改善自身性能的一門學科。

假想中的人臉識別規則：假設人臉可以被描述成一些局部樣子的集合

能否騙過人臉識別軟體

像其他科學成果一樣，人臉識別技術也不是孤立存在的。除了自身識別技術的制約，人臉數據的規模、計算機運算的速度，甚至是人臉識別軟體用戶的配合程度，都深刻影響著這個領域的發展。右側和下方的圖片就能說明，最近十幾年間人臉資料庫的變化，可以看到，數據的數量越來越大，複雜度越來越高。事實上，後一組數據都取自真實的新聞圖片，已經與現實生活非常接近。這些照片，你看著可能會「臉盲」，但目前計算機人臉識別技術的正確率已經超過了人類，不得不說這是一件很神奇的事情。

2001年權威的人臉資料庫，只有十餘人、千餘張圖片，姿態單一，配合場景採集

2016年權威的人臉資料庫，千餘人、上萬張圖片，形態多樣。均採集自新聞截圖，而非配合場景採集

人臉識別技術並未功成名就，在很多方面還存在著缺憾。目前成功的人臉識別應用，都必須要用戶配合。人臉打卡的時候，機器會要求你目視前方，站得不遠不近，不許戴墨鏡，不許做鬼臉；許多安置在公共場所的攝像頭，在民眾默默經過的時候，所能做的也就是數數人頭，而無法在頭頂上、在互相遮擋的人流中，識別出每個人的身份。

人臉簽到機，需要把臉對準攝像頭（屏幕上方的圓圈）

即使是在用戶配合的場景下，計算機也遠沒有做到盡善盡美。一張照片能通過人臉識別嗎？2017年的「3·15晚會」上，中央電視台就曝光了某個人臉識別軟體，實驗者僅僅憑藉一張自拍照片，就「破解」了人臉識別技術。之所以要在「破解」上加引號，是因為這一實驗只是破解了一個粗心大意、設計不全的人臉識別系統。一般來說，可以真正投放應用場景的人臉識別系統，是需要具備區分真人和照片的能力的，業界稱之為「活體檢測」。

「活體檢測」具體到做法上，有的可能通過添加熱紅外感測器去測量測試者的溫度，這樣照片的詭計就被識破了；有的可能是在平面攝像頭之外，添加了可以感知深度信息的立體視覺攝像頭，這就能看出測試者是一個立體的頭部還是個扁平的照片；有的可能會給測試者出一些挑戰任務，例如搖搖頭、笑一笑，這樣那些不能更改的照片或者視頻也就露出了馬腳；但如果像電影情節一樣，做一個精緻的面具戴在頭上，那麼目前的絕大多數人臉識別系統都會敗下陣來。

一張精緻的面具可以破解人臉識別系統

雙胞胎能不能騙過人臉識別系統呢？一般是可以的。通常的人臉識別系統不會刻意針對雙胞胎之間存在的極其細小的差異去設計，因此容易被騙。化妝和整容也可以起到類似的效果，曾有研究者對參加某國選美比賽的幾十名選手的照片進行分析，發現確實有看上去很類似的兩名選手，在人臉識別系統里的相似度也高得驚人。不過，如果考慮到雙胞胎的因素，專門為這類人群做考量，那計算機毫無疑問也是可以完成分辨雙胞胎的任務的。

不同的人，相似的化妝效果，是可以騙過人臉識別技術的

人臉識別技術目前雖然成果喜人，但距離模擬人類大腦的識別能力還有不小的差距。科學家也時刻關注著這些問題，將人臉識別技術推向更難、更深、更快、更準的方向發展。

所謂更難，就是面向各種複雜的應用場景，比如演唱會、地鐵、舞廳等；更深，就是從同一組人臉照片中挖掘出更深的含義，比如表情、年齡、性別等等；更快，就是提高效率，在公安系統這種需要海量數據檢索的應用中意義非凡；更准，就是準確率，既要分清雙胞胎兄弟，也要看懂卸妝後的阿姨。

人臉識別與生活聯繫緊密，一直都是科學家研究的熱點。將來想要從業其中的同學，一定要學好計算機和數學，多多關注人工智慧哦。

人臉識別技術正逐漸普及到生活的各個方面

考考你

以下10個判斷題，請仔細作答（識別文末二維碼，進入答題頁面）。

全部答對的同學，有精美科普圖書奉送哦！

一個1歲大的嬰兒的人臉識別能力已經可以媲美先進的計算機。（ ）

計算機是怎麼識別人臉的呢？科學家寫了一整套非常複雜的規則，標註了人臉上每個細胞之間的距離，把這套規則教給計算機，因此現在計算機能夠在幾秒之內識別出能在資料庫里檢索到相應數據的人臉。（ ）

機器學習是一種仿生學，是指機器像人腦一樣觀察、思考，模仿神經傳導和生物電的過程。（ ）

安置美國紐約、英國倫敦、法國巴黎等城市的火車站、機場之類公共場所的人臉識別系統，在旅客默默經過的時候，就能識別出每個人的身份，也能用來搜索在逃的罪犯。（ ）

如果像電影情節一樣，做一個精緻的面具戴在頭上，那麼目前的絕大多數人臉識別系統都會敗下陣來。（ ）

長得很像的雙胞胎哥哥代替弟弟參加考試，可以騙過使用了人臉識別技術的考生身份認證系統。（ ）

目前多數的人臉識別應用要求大家正臉看著攝像頭，如果你使勁抬頭或使勁低頭、頭部過度左偏或右偏，人臉識別技術就很有可能認錯你。（ ）

隨著年齡的變化，人的面部外觀也在變化，特別是對於青少年，這種變化更加的明顯。你在6歲時拍攝的照片和12歲時拍攝的照片，人臉識別技術可能會認成是兩個不同的人。（ ）

在進行某些身份識別的時候，人臉識別應用會讓你拍攝正臉照片，再做眨眨眼睛、搖搖頭這些動作，這是在進行活體檢測，證明你就是你，你是活的，而不是照片。（ ）

人臉識別技術將向著更難、更深、更快、更準的方向發展。所謂更快，就是提高效率，在公安系統這種需要海量數據檢索的應用中意義非凡；更難，就是從同一組人臉照片中挖掘出更深的含義，比如表情、年齡、性別等等；更深，就是面向各種複雜的應用場景，比如演唱會、地鐵、舞廳等；更准，就是準確率，既要分清雙胞胎兄弟，也要看懂卸妝後的阿姨。（ ）

記得在問卷末尾留下你的姓名、手機號和快遞地址，以方便我們寄送圖書哦！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！