iPhone X的FaceID生物識(shí)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(jī)，啟用了FaceID功能的iPhone X就會(huì)在一秒鐘內(nèi)識(shí)別出你的臉部特征，并自行解鎖，同時(shí)，這一技術(shù)也將被用于Apple Pay支付和第三方應(yīng)用等場(chǎng)景中。

有吐槽說(shuō)，這一功能可能讓iPhone失去一批男性用戶(hù)（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(shí)，這完全是“杞人憂(yōu)天”。

讓我們先了解一下FaceID的“工作原理”

蘋(píng)果公司在iPhone X中使用了“TrueDepth攝像機(jī)系統(tǒng)”（也就是“齊劉海”部分），通過(guò)使用里面的傳感器和點(diǎn)陣投影儀，投射出3萬(wàn)多個(gè)點(diǎn)，就能形成一張完整的3D“臉譜”用來(lái)識(shí)別用戶(hù)臉部。據(jù)悉， iPhone X將采用定制的芯片來(lái)處理人工智能工作負(fù)載，這是一個(gè)雙核的“ A11生物神經(jīng)網(wǎng)絡(luò)引擎”芯片，每秒運(yùn)算次數(shù)最高可達(dá)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(shí)別人臉。而為保證用戶(hù)的隱私，讓用戶(hù)更放心，蘋(píng)果稱(chēng)所有相關(guān)的數(shù)據(jù)運(yùn)算都將發(fā)生在本地，不會(huì)被上傳到云端或是回傳到蘋(píng)果公司。

同時(shí)，經(jīng)過(guò)不斷被訓(xùn)練的神經(jīng)網(wǎng)絡(luò)建模識(shí)別人臉，當(dāng)你的iPhone X識(shí)別你的臉部次數(shù)越多，它就會(huì)對(duì)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(qiáng)弱不同，它都會(huì)認(rèn)出你。

同為生物識(shí)別技術(shù)，TouchID的解鎖錯(cuò)誤率是五萬(wàn)分之一，而FaceID則是一百萬(wàn)分之一，成功率極高（雖然蘋(píng)果高級(jí)副總裁Craig Federighi在發(fā)布會(huì)上嘗試使用FaceID功能解鎖手機(jī)卻失?。?。對(duì)此，大家也不必過(guò)度“恐慌”。庫(kù)克在發(fā)布會(huì)上表示，FaceID要求使用者在刷臉解鎖時(shí)必須“集中注意力”（require“user attention”），所以，當(dāng)手機(jī)遠(yuǎn)離眼睛，或者用戶(hù)閉著眼睛時(shí)就不會(huì)解鎖，你根本不用擔(dān)心在自己睡覺(jué)時(shí)手機(jī)被解鎖（除非你像張飛一樣睜著眼睛睡覺(jué)）。

事實(shí)上，近幾年來(lái)以來(lái)，業(yè)界對(duì)于臉部識(shí)別的應(yīng)用“屢試不爽”，但一直因?yàn)榘踩珕?wèn)題被詬病。比如只需要通過(guò)一張電腦所有者的照片，就可以輕松進(jìn)入設(shè)置了臉部識(shí)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(guò)一個(gè)視頻就擊敗了阿里巴巴的面部識(shí)別系統(tǒng)。

然而，一直以“安全”標(biāo)榜自己的蘋(píng)果，定然也不會(huì)允許這樣一個(gè)“萬(wàn)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(huì)上，小米也推出了人臉識(shí)別解鎖方面的方案，雖然都是“人臉識(shí)別”，但具體技術(shù)卻有很大的差距。

蘋(píng)果的FaceID，采用的是結(jié)構(gòu)光雙攝方案，通過(guò)將3萬(wàn)多個(gè)光點(diǎn)的網(wǎng)絡(luò)投射到人臉上，并隨著用戶(hù)轉(zhuǎn)動(dòng)頭部以映射臉部3D形狀，最終形成的是一個(gè)三維圖像，這也是目前安全性最高的人臉識(shí)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(shí)別系統(tǒng)也并不是“萬(wàn)無(wú)一失”。就在兩年前，柏林的SR實(shí)驗(yàn)室使用石膏模具，破解了微軟的Hello面部識(shí)別系統(tǒng)。這一嘗試在多個(gè)使用相同類(lèi)型紅外深度感應(yīng)攝像機(jī)的品牌筆記本中都成功了。SR 實(shí)驗(yàn)室的創(chuàng)始人Karsten Nohl指出，他們使用的模具不僅模仿了用戶(hù)的臉部形狀，還模仿了皮膚的光反射性能。

為了證明自己，蘋(píng)果甚至與好萊塢模型團(tuán)隊(duì)進(jìn)行了人臉模型對(duì)比驗(yàn)證，以保證FaceID所識(shí)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(huì)現(xiàn)場(chǎng)，F(xiàn)ederighi展示了一些非常逼真的面具制品，并表示經(jīng)過(guò)測(cè)試，即使是這些面具再逼真也無(wú)法破解FaceID系統(tǒng)。他說(shuō)，從理論上來(lái)說(shuō)，也許這個(gè)世界上有人能夠跟你長(zhǎng)的非常相似，他可以破解你的手機(jī)系統(tǒng)，但是這種概率大概是一百萬(wàn)分之一。當(dāng)然，如果是雙胞胎，這個(gè)概率就會(huì)大大提高。

其實(shí)，關(guān)于人臉識(shí)別的安全性問(wèn)題很多人心里依然沒(méi)底，也許只有經(jīng)過(guò)公開(kāi)測(cè)試才能真正打破用戶(hù)的疑慮。 但即便如此，目前，已經(jīng)有很多金融機(jī)構(gòu)開(kāi)始采用人臉識(shí)別幫助用戶(hù)進(jìn)行開(kāi)戶(hù)、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(shí)別已經(jīng)能夠?qū)崿F(xiàn)手機(jī)端超過(guò) 50 萬(wàn)的轉(zhuǎn)賬；對(duì)于標(biāo)準(zhǔn)化的個(gè)人業(yè)務(wù)，配置了人臉識(shí)別系統(tǒng)的智能柜臺(tái)也已經(jīng)在招行的線下網(wǎng)點(diǎn)投入使用（人臉識(shí)別時(shí)，系統(tǒng)會(huì)要求用戶(hù)做出對(duì)應(yīng)動(dòng)作，如點(diǎn)頭或者眨眼）。

總之，安全與體驗(yàn)也許永遠(yuǎn)沒(méi)法兩全。但，這并不意味著這道題無(wú)解，如果你的手機(jī)數(shù)據(jù)確實(shí)非常敏感，你完全可以選擇關(guān)閉FaceID識(shí)別功能，或者，你也可以選擇允許FaceID進(jìn)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(duì)于卸了妝還能不能解鎖表示擔(dān)憂(yōu)，對(duì)此，我想說(shuō)的是——卸了妝能不能解鎖，你心里沒(méi)點(diǎn)數(shù)嗎？其實(shí)，我自己比較擔(dān)心的是，如果我只是想用手機(jī)屏幕照個(gè)鏡子怎么辦？

蘋(píng)果公司：在人臉識(shí)別領(lǐng)域早有布局

話說(shuō)回來(lái)，事實(shí)上，蘋(píng)果在人臉識(shí)別技術(shù)方面的布局已經(jīng)不是一年兩年，最近幾年來(lái)先后收購(gòu)了 PolarRose、PrimeSense、Perceptio、Faceshift、Emotient、Turi 等人臉識(shí)別相關(guān)技術(shù)公司。其中，2013 年收購(gòu)的 3D 傳感技術(shù)公司 PrimeSense，曾經(jīng)還因?yàn)榻o微軟的 Kinect 提供了傳感器而走紅。通過(guò)傳感器和中間件，可以讓設(shè)備感知周邊的三維環(huán)境，實(shí)現(xiàn)人機(jī)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(píng)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(guò)計(jì)算機(jī)生成圖像而非真實(shí)圖像來(lái)訓(xùn)練算法的圖像識(shí)別能力。

蘋(píng)果在論文中稱(chēng)，在機(jī)器學(xué)習(xí)研究中，使用合成圖像（例如來(lái)自一款視頻游戲）來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)要比使用真實(shí)圖像更有效。因?yàn)楹铣蓤D像數(shù)據(jù)已經(jīng)被標(biāo)記和注釋?zhuān)鎸?shí)的圖像數(shù)據(jù)需要有人耗費(fèi)巨大的精力去標(biāo)記計(jì)算機(jī)看到的每件事物，如一棵樹(shù)、一條狗或一輛自行車(chē)。

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(shí)世界中的場(chǎng)景有所不同。比如，合成圖像數(shù)據(jù)如果不夠真實(shí)，就會(huì)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(duì)真實(shí)圖像的認(rèn)識(shí)有所不足。

為解決該問(wèn)題，提高合成圖像數(shù)據(jù)的訓(xùn)練效果，蘋(píng)果研究人員推出了“模擬+無(wú)監(jiān)督”的學(xué)習(xí)方法，以提高模擬圖像的真實(shí)感。蘋(píng)果研究人員使用一種經(jīng)過(guò)修改的新型機(jī)器學(xué)習(xí)技術(shù)，被稱(chēng)為“生成對(duì)抗網(wǎng)絡(luò)”（GAN），讓兩個(gè)神經(jīng)網(wǎng)絡(luò)彼此對(duì)抗，從而生成更逼真的圖像。

模擬+無(wú)監(jiān)督（S + U）學(xué)習(xí)：通過(guò)學(xué)習(xí)模型，并使用未標(biāo)注的真實(shí)數(shù)據(jù)，利用模擬器改善合成圖像的真實(shí)性，同時(shí)保留注釋信息

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

未標(biāo)記的真實(shí)圖像&模擬圖像

大膽地推想，蘋(píng)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(shí)別技術(shù)

人臉識(shí)別技術(shù)是指利用分析比較的計(jì)算機(jī)技術(shù)識(shí)別人臉，其中包括人臉追蹤偵測(cè)，自動(dòng)調(diào)整影像放大，夜間紅外偵測(cè)，自動(dòng)調(diào)整曝光強(qiáng)度等技術(shù)。廣義的人臉識(shí)別包括構(gòu)建人臉識(shí)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(shí)別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識(shí)別特指通過(guò)人臉進(jìn)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(cè)
• 人臉圖像預(yù)處理
• 人臉圖像特征提取
• 人臉圖像匹配與識(shí)別

關(guān)鍵技術(shù)

• 基于特征的人臉檢測(cè)技術(shù)：通過(guò)采用顏色、輪廓、紋理、結(jié)構(gòu)或者直方圖特征等進(jìn)行人臉檢測(cè)。
• 基于模板匹配人臉檢測(cè)技術(shù)：從數(shù)據(jù)庫(kù)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(kù)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(jì)的人臉檢測(cè)技術(shù)：通過(guò)對(duì)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(kù)，采用統(tǒng)計(jì)方法強(qiáng)化訓(xùn)練該系統(tǒng)，從而實(shí)現(xiàn)對(duì)人臉和非人臉的模式進(jìn)行檢測(cè)和分類(lèi)。

基本方法：

• 幾何特征的人臉識(shí)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(shí)別速度快，需要的內(nèi)存小，但識(shí)別率較低。
• 基于特征臉（PCA）的人臉識(shí)別方法：特征臉?lè)椒ㄊ腔贙L變換的人臉識(shí)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(guò)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(shí)別的特征矢量，這就是特征臉?lè)椒ǖ幕舅枷搿＿@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(jì)特性的。目前有一些改進(jìn)型的特征臉?lè)椒ā?/li>
• 神經(jīng)網(wǎng)絡(luò)的人臉識(shí)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(lèi)方法同樣需要較多的樣本進(jìn)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(shí)別方法：彈性圖匹配法在二維的空間中定義了一種對(duì)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(lái)代表人臉，拓?fù)鋱D的任一頂點(diǎn)均包含一特征向量，用來(lái)記錄人臉在該頂點(diǎn)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(duì)時(shí)可以允許圖像存在彈性形變，在克服表情變化對(duì)識(shí)別的影響方面收到了較好的效果，同時(shí)對(duì)于單個(gè)人也不再需要多個(gè)樣本進(jìn)行訓(xùn)練。
• 線段Hausdorff 距離(LHD) 的人臉識(shí)別方法：心理學(xué)的研究表明，人類(lèi)在識(shí)別輪廓圖（比如漫畫(huà)）的速度和準(zhǔn)確度上絲毫不比識(shí)別灰度圖差。LHD是基于從人臉灰度圖像中提取出來(lái)的線段圖的，它定義的是兩個(gè)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(duì)應(yīng)關(guān)系，因此它更能適應(yīng)線段圖之間的微小變化。實(shí)驗(yàn)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(shí)別效果不好。
• 支持向量機(jī)(SVM) 的人臉識(shí)別方法：支持向量機(jī)是統(tǒng)計(jì)模式識(shí)別領(lǐng)域的一個(gè)新的熱點(diǎn)，它試圖使得學(xué)習(xí)機(jī)在經(jīng)驗(yàn)風(fēng)險(xiǎn)和泛化能力上達(dá)到一種妥協(xié)，從而提高學(xué)習(xí)機(jī)的性能。支持向量機(jī)主要解決的是一個(gè)2分類(lèi)問(wèn)題，它的基本思想是試圖把一個(gè)低維的線性不可分的問(wèn)題轉(zhuǎn)化成一個(gè)高維的線性可分的問(wèn)題。通常的實(shí)驗(yàn)結(jié)果表明SVM有較好的識(shí)別率，但是它需要大量的訓(xùn)練樣本（每類(lèi)300個(gè)），這在實(shí)際應(yīng)用中往往是不現(xiàn)實(shí)的。而且支持向量機(jī)訓(xùn)練時(shí)間長(zhǎng)，方法實(shí)現(xiàn)復(fù)雜，該函數(shù)的取法沒(méi)有統(tǒng)一的理論。

算法分類(lèi)：

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