檢視臉部辨識系統的原始碼

[[File:臉部辨識系統.jpg|230px|thumb|有框|右|臉部辨識系統。[https://tw.cyberlink.com/faceme/insights/articles/208/Facial-Recognition-at-the-Edge-The-Ultimate-Guide 原圖鏈接]]]
'''臉部辨識系統'''（英語：Facial recognition system），又稱人臉識別，是生物辨識技術的一種，其運作原理係以向量方式擷取臉部特徵值，進而與事先登錄的臉孔之特徵值進行比對。隨著AI[[人工智慧]]技術的發展，人臉辨識採用的是深度神經網路(DNN, Deep Neural Network)技術，大幅提升辨識率。
==簡介==
人臉辨識相關應用已蓬勃發展，像是每天都要使用人臉辨識來解鎖手機，即是融入日常[[生活]]的最佳案例。然而，除了手機解鎖外，其實人臉辨識也被廣泛的應用在各式場景中，進行如門禁、安控等多種應用。
=== 深度神經網路人臉辨識 ===
臉部辨識系統-人臉辨識為目前公認最準確且可用度最高的人工智慧生物辨識技術。此前臉部辨識系統主要是運用數位訊號處理(DSP, Digital Signal Processing)的技術進行，然其先天性的限制在於僅能辨別正臉。

隨著科技進步辨識技術突破，發展深度神經網路的人[[臉]]辨識，依據人工智慧演算法及複雜的數學算式，量測人臉的各項變數，如：鼻子的長度與寬度、額頭寬度、眼睛形狀等，並將各項變數轉換成一個臉部特徵值。此特徵值可用來與資料庫中人臉的特徵值資料進行相似度比對，以找出該人臉的正確身分。
==主要功能==
=== 臉部偵測 ===
臉部偵測為臉部辨識系統的第一步驟，透過臉部偵測技術，即使僅局部的臉部出現於畫面之中，仍可於影像或影片中精準掃描、偵測及框列人臉之所在位置。於臉部偵測時，快速、即時的偵測臉部為判別效能之最主要指標，亦是人臉辨識之基礎。
=== 臉部特徵值擷取 ===
臉部特徵值擷取是臉部偵測的下一個步驟，臉部辨識引擎可將框列出的臉部區分成n個維度，比方說，高精準度的臉部辨識引擎之n值為1024時，可將臉部切分成1024維度的矩陣，擷取出以向量為基礎的臉部特徵值。而此擷取出的特徵值，可進一步用來比對資料庫中最近似的資料，得出正確身分。
=== 臉部識別 ===
臉部辨識引擎擷取出的臉部特徵值，可與資料庫中預先登錄的人臉進行特徵值比對，識別出正確身分。以1:N比對為例，是以在畫面中出現的人臉之特徵值，與資料庫中N個預先登錄的臉部進行比對，識別出身分。擷取出的特徵值經過加密、也無法透過特徵值逆推回人臉，此外，在識別過程中也不會儲存任何臉部影像，可有效確保個資的安全。

==相關應用==
除了基本人臉辨識外，更多與人臉辨識相關的應用如下:
=== 臉部特徵偵測 ===
臉部特徵偵測可用於分析包括性別、年齡、情緒及頭部動作(如：點[[頭]]、搖頭等)。主要可應用於智慧零售場景，如電子看板上，用以投放分眾式廣告，或分析來店訪客之統計資料。
=== 口罩偵測 ===
於疫情期間，[[口罩]]偵測是最熱門的應用項目之一，用以確保公共或私人場所之訪客是否正確配戴口罩，及配口罩時進行身分辨識，以保障健康及訪客安全。有些先進系統可偵測訪客是否配戴口罩、或不當配戴口罩(如：[[口]][[鼻]]露出、或以手遮住口鼻)，並可於配戴口罩時，進行高準確度的身分辨識。
===活體辨識及防偽 ===
常見的人臉辨識破解方式包含使用臉部的照片或影片進行破解及身分冒用，也因此，活體辨識於人臉辨識應用至關重要。常見的活體辨識方式可透過3D或2D相機進行。

當使用2D相機時(如：webcam或一般手機前鏡頭)，可透過互動或非互動方式進行活體辨識。互動方式係透過頭部指令(如：點頭、搖頭)或臉部表情(如：眨眼、張嘴)進行活體判別。而非互動方式係透過各開發商的獨家演算法，進行真偽判別及辨識。

當使用3D景深相機時，主要係透過景深資訊，進行快速的活體判別。於透過3D景深資訊判別時，可不需額外之互動方式。3D景深相機通常可提供較2D活體辨識較即時且較直覺的活體辨識，然而因為需要特殊硬體，建置成本也較高。相較之下，2D活體辨識可相容於現行裝置之攝影鏡頭，並提供一定準確度的活體辨識。<ref>[https://tw.cyberlink.com/faceme/insights/articles/208/Facial-Recognition-at-the-Edge-The-Ultimate-Guide 人臉辨識的原理及邊緣運算應用 【2022 最新版】]訊連科技</ref>

目前全球最具指標意義之活體辨識評比，為IEEE ICCV 的活體辨識挑戰(Anti-spoofing Challenge)。ICCV為IEEE(電機電子工程師協會，Institute of Electrical & Electronic Engineers)每兩年舉辦一次之研究會議，是[[電腦]]視覺領域之頂級會議之一，亦是學術界、產業界及研究人員之指標性活動。

於ICCV 2021中舉辦的活體辨識競賽(Anti-spoofing challenge)開放全球廠商、研究機構及學術團體申請參賽。此項競賽係採用高度仿真之3D面具做為競賽項目，不同與以往採用2D相片、影片進行測試。高仿真3D面具的出現，對於許多現行人臉辨識技術是一項嚴峻的挑戰。
== 類型及導入方式 ==
人臉辨識的類型及導入方式-人臉辨識技術的建置類型主要包括「雲端人臉辨識服務」(如：Microsoft、AWS等)及「邊緣裝置人臉辨識」兩大類。兩種類型都各有其優勢，而一般來說，邊緣裝置人臉辨識主要透過 SDK 或軟體型式建置於邊緣裝置上，可提供更快的辨識速度、安全性、彈性化以及經濟實惠的建置成本。

=== 雲端人臉辨識服務 ===
採用雲端人臉辨識服務時，需確保網路連線暢通不間斷，以利將攝影鏡頭拍攝的視訊畫面串流至雲端進行臉部偵測、特徵擷取等。因為拍攝的影像畫面是透過網路傳輸、並儲存在伺服器上，除了無法避免的延遲時間外，頻寬成本高昂且雲端服務存在著一定的風險，除了臉部畫面可能外洩外，也存在著遭駭客入侵的安全漏洞危險。

然而，雲端人臉辨識服務亦有其優點存在。因為人臉辨識相關處理都是在雲端伺服器進行，相較於邊緣端的攝影裝置上，無須具備AI運算能力的硬體。在各式具備AI運算能力的晶片問市前，早期的人臉辨識技術多以雲端技術為主流。雲端人臉辨識的代表性廠商包括：Microsoft Azure的Face API，Google的Vision AI，AWS的Rekognition。
對於小規模的建置來說，如家用及小型辦公室使用的安控系統、智慧門鈴等，在頻寬成本不高的狀況下，雲端的人臉辨識服務對於開發商來說尚屬適合。
== 生活應用 ==
=== 邊緣裝置人臉辨識 ===
近年來，各式各樣的邊緣裝置導入人臉辨識技術的應用越來越多，如：智慧門鎖、行動裝置、銷售時點系統(POS, Point-of-sales)、互動式資訊站(KIOSK)及電子看板等。當人臉辨識運行於邊緣裝置時，因為無需等待臉部影像上傳至雲端的時間，可以提供即時的臉部偵測及辨識，於辨識率上也有極佳表現。事實上，大多邊緣裝置的人臉辨識應用，臉部偵測以及特徵值擷取的過程都是發生在邊緣端。在進行資料庫比對時，無論臉部資料是儲存於邊緣裝置上、或是在雲端資料庫上，因為比對的是擷取出的特徵值，在資料上傳、比對、回傳的時間遠少於雲端人臉辨識，通常在幾微秒間即可完成。

近年AI邊緣裝置的運算能力大幅提升，讓人臉辨識的應用可以實現在各式應用場景中。以金融機構為例，許多金融場所為了安全因素且並無網際網路連線，此時若需導入人臉辨識，就須大幅仰賴邊緣運算裝置。人臉辨識於邊緣運算裝置具有低建置成本及高度擴展性，成為各式人臉辨識應用的首選。

==個資外洩疑慮==
人臉辨識應用愈來愈多元，對國內安控廠是一大商機，尤其過去安控廠面臨[[中國]]大廠[[海康威視]]、大華科技的殺價競爭，陷入苦戰，不過，在[[貿易戰]]後，因為有資安疑慮，[[中國]]安控廠被[[美國]]列入黑名單，讓國內廠商出現轉機，包括奇偶、昇銳、晶睿、陞泰等從去年10月底都曾出現一波漲勢，奇偶在短短4個月內大漲近1倍，晶睿及昇銳漲幅也近6成，儘管近期股價紛紛回跌，不過，在人臉辨識愈來愈普及的時代，對於資安的要求更嚴格，國內廠商相對於中國業者來說，更能讓客戶放心，也是未來的優勢之一。<ref>[https://www.appledaily.com.tw/local/20191112/5AYKQYJ6G5AKXQKBFHUTLAPGNY/ 【刷臉危機2】人臉辨識全面入侵　3大隱憂曝光]蘋果新聞網</ref>

==參考資料==
{{reflist}}

[[Category:400 應用科學總論]]
[[Category:470 製造總論]]
[[Category:471 精密機械工藝]]