Lucille ｜美食x旅遊x日常

以下資訊皆是本人參考網路上資訊整理出來的，如有錯誤的地方還請不吝給予指教

人臉辨識是指利用分析比較人臉視覺特徵來進行身份鑑別的技術

廣義的人臉辨識，包括人臉圖像採集、人臉定位、人臉識別預處理、身份確認以及身份查找等；而狹義的人臉辨識是指通過人臉進行身份確認或者身份查找的技術或系統

就生物辨識(人臉、指紋、掌紋、虹膜、語音等)而言，辨識的準確率是連動各項應用的先決條件。生物辨識的優勢在於獨一無二的個人特徵，相對於傳統的密碼或卡片，生物辨識有較強的資安

而人臉辨識在現今的市場也越來越普及，除了辨識度與速度大幅進步，因應Covid-19的影響，也越來越多企業開始投入口罩辨識技術

除了常見的門禁打卡、金融業ATM的身分辨識等，現在許多零售業也開始使用人臉辨識技術。人臉辨識分析客群、VIP到店通知、停留時間、以及結合POS機整合顧客購買紀錄等

回到目錄

人臉辨識的步驟大致可分為：人臉偵測、人臉校正以及人臉特徵值的摘取。

首先，從照片中尋找出是否有人臉存在，當發現之後，就會對此人臉進行預處理。

圖片來源: 網管人

人臉偵測(face detection)→特徵截取(feature extraction)→人臉辨識(face recognition)

系統輸入一張或者一系列含有未確定身份的人臉圖像，以及人臉資料庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份

早期的人臉辨識多以2D圖像為主，但2D辨識較容易受到光線和角度影響，且會有照片盜用的可能

現今使用3D人臉辨識，以3D感測技術擷取人臉的立體特徵，建立3D模型

以Apple Face ID為例：

2D人臉辨識架構：

一般攝影機→獲取圖像數據→人臉偵測→特徵截取→人臉辨識

3D人臉辨識架構：

攝影機(3D結構光/TOF/雙目立體視覺)→獲取圖像數據→配準→3D人臉重建→人臉偵測→特徵截取→人臉辨識

圖像配準(Image registration)是將不同時間、不同感測器或不同條件下（天候、照度、攝像位置和角度等）獲取的兩幅或多幅圖像進行匹配、疊加的過程

就一般的動態辨識而言，以攝影機擷取移動中的人物，可能產生各種角度的影像，使辨識引擎比對資料庫時，無法達到最好的效果。若能將最初登錄於資料庫的照片模擬成3D立體人像，使用者只要提供一張照片，系統軟體就能模擬人臉在各個方向角度所產生的特徵值，這樣一來，即使人員並非以全正面的角度經過攝影機，也能完成辨識

回到目錄

易變性

人臉的外型其實可以很輕易地就改變，不管是換髮型、戴眼鏡、年齡的增長、易或者是整形，都會影響到辨識結果。而在不同觀察角度，人臉的視覺圖像也有可能會相差很大
隱私的侵犯

最近歐美國家越來越重視GDPR(歐盟資料保護法)/(General Data Protection Regulation)，對個資的保護，由於人臉辨識涉及個人隱私，在資安機制不是那麼完善的情況下，並不是所有人都願意使用人臉辨識。

GDPR是在歐盟法律中對所有歐盟個人關於資料保護和隱私的規範，涉及了歐洲境外的個人資料出口。GDPR主要目標為取回個人對於個人資料的控制，以及為了國際商務而簡化在歐盟內的統一規範

回到目錄