脸部辨识系统查看源代码讨论查看历史
脸部辨识系统（英语：Facial recognition system），又称人脸识别，是生物辨识技术的一种，其运作原理系以向量方式撷取脸部特征值，进而与事先登录的脸孔之特征值进行比对。随著AI人工智慧技术的发展，人脸辨识采用的是深度神经网路(DNN, Deep Neural Network)技术，大幅提升辨识率。
目录
简介
人脸辨识相关应用已蓬勃发展，像是每天都要使用人脸辨识来解锁手机，即是融入日常生活的最佳案例。然而，除了手机解锁外，其实人脸辨识也被广泛的应用在各式场景中，进行如门禁、安控等多种应用。
深度神经网路人脸辨识
脸部辨识系统-人脸辨识为目前公认最准确且可用度最高的人工智慧生物辨识技术。此前脸部辨识系统主要是运用数位讯号处理(DSP, Digital Signal Processing)的技术进行，然其先天性的限制在于仅能辨别正脸。
随著科技进步辨识技术突破，发展深度神经网路的人脸辨识，依据人工智慧演算法及复杂的数学算式，量测人脸的各项变数，如：鼻子的长度与宽度、额头宽度、眼睛形状等，并将各项变数转换成一个脸部特征值。此特征值可用来与资料库中人脸的特征值资料进行相似度比对，以找出该人脸的正确身分。
主要功能
脸部侦测
脸部侦测为脸部辨识系统的第一步骤，透过脸部侦测技术，即使仅局部的脸部出现于画面之中，仍可于影像或影片中精准扫描、侦测及框列人脸之所在位置。于脸部侦测时，快速、即时的侦测脸部为判别效能之最主要指标，亦是人脸辨识之基础。
脸部特征值撷取
脸部特征值撷取是脸部侦测的下一个步骤，脸部辨识引擎可将框列出的脸部区分成n个维度，比方说，高精准度的脸部辨识引擎之n值为1024时，可将脸部切分成1024维度的矩阵，撷取出以向量为基础的脸部特征值。而此撷取出的特征值，可进一步用来比对资料库中最近似的资料，得出正确身分。
脸部识别
脸部辨识引擎撷取出的脸部特征值，可与资料库中预先登录的人脸进行特征值比对，识别出正确身分。以1:N比对为例，是以在画面中出现的人脸之特征值，与资料库中N个预先登录的脸部进行比对，识别出身分。撷取出的特征值经过加密、也无法透过特征值逆推回人脸，此外，在识别过程中也不会储存任何脸部影像，可有效确保个资的安全。
相关应用
除了基本人脸辨识外，更多与人脸辨识相关的应用如下:
脸部特征侦测
脸部特征侦测可用于分析包括性别、年龄、情绪及头部动作(如：点头、摇头等)。主要可应用于智慧零售场景，如电子看板上，用以投放分众式广告，或分析来店访客之统计资料。
口罩侦测
于疫情期间，口罩侦测是最热门的应用项目之一，用以确保公共或私人场所之访客是否正确配戴口罩，及配口罩时进行身分辨识，以保障健康及访客安全。有些先进系统可侦测访客是否配戴口罩、或不当配戴口罩(如：口鼻露出、或以手遮住口鼻)，并可于配戴口罩时，进行高准确度的身分辨识。
活体辨识及防伪
常见的人脸辨识破解方式包含使用脸部的照片或影片进行破解及身分冒用，也因此，活体辨识于人脸辨识应用至关重要。常见的活体辨识方式可透过3D或2D相机进行。
当使用2D相机时(如：webcam或一般手机前镜头)，可透过互动或非互动方式进行活体辨识。互动方式系透过头部指令(如：点头、摇头)或脸部表情(如：眨眼、张嘴)进行活体判别。而非互动方式系透过各开发商的独家演算法，进行真伪判别及辨识。
当使用3D景深相机时，主要系透过景深资讯，进行快速的活体判别。于透过3D景深资讯判别时，可不需额外之互动方式。3D景深相机通常可提供较2D活体辨识较即时且较直觉的活体辨识，然而因为需要特殊硬体，建置成本也较高。相较之下，2D活体辨识可相容于现行装置之摄影镜头，并提供一定准确度的活体辨识。[1]
目前全球最具指标意义之活体辨识评比，为IEEE ICCV 的活体辨识挑战(Anti-spoofing Challenge)。ICCV为IEEE(电机电子工程师协会，Institute of Electrical & Electronic Engineers)每两年举办一次之研究会议，是电脑视觉领域之顶级会议之一，亦是学术界、产业界及研究人员之指标性活动。
于ICCV 2021中举办的活体辨识竞赛(Anti-spoofing challenge)开放全球厂商、研究机构及学术团体申请参赛。此项竞赛系采用高度仿真之3D面具做为竞赛项目，不同与以往采用2D相片、影片进行测试。高仿真3D面具的出现，对于许多现行人脸辨识技术是一项严峻的挑战。
类型及导入方式
人脸辨识的类型及导入方式-人脸辨识技术的建置类型主要包括“云端人脸辨识服务”(如：Microsoft、AWS等)及“边缘装置人脸辨识”两大类。两种类型都各有其优势，而一般来说，边缘装置人脸辨识主要透过 SDK 或软体型式建置于边缘装置上，可提供更快的辨识速度、安全性、弹性化以及经济实惠的建置成本。
云端人脸辨识服务
采用云端人脸辨识服务时，需确保网路连线畅通不间断，以利将摄影镜头拍摄的视讯画面串流至云端进行脸部侦测、特征撷取等。因为拍摄的影像画面是透过网路传输、并储存在伺服器上，除了无法避免的延迟时间外，频宽成本高昂且云端服务存在著一定的风险，除了脸部画面可能外泄外，也存在著遭骇客入侵的安全漏洞危险。
然而，云端人脸辨识服务亦有其优点存在。因为人脸辨识相关处理都是在云端伺服器进行，相较于边缘端的摄影装置上，无须具备AI运算能力的硬体。在各式具备AI运算能力的晶片问市前，早期的人脸辨识技术多以云端技术为主流。云端人脸辨识的代表性厂商包括：Microsoft Azure的Face API，Google的Vision AI，AWS的Rekognition。 对于小规模的建置来说，如家用及小型办公室使用的安控系统、智慧门铃等，在频宽成本不高的状况下，云端的人脸辨识服务对于开发商来说尚属适合。
生活应用
边缘装置人脸辨识
近年来，各式各样的边缘装置导入人脸辨识技术的应用越来越多，如：智慧门锁、行动装置、销售时点系统(POS, Point-of-sales)、互动式资讯站(KIOSK)及电子看板等。当人脸辨识运行于边缘装置时，因为无需等待脸部影像上传至云端的时间，可以提供即时的脸部侦测及辨识，于辨识率上也有极佳表现。事实上，大多边缘装置的人脸辨识应用，脸部侦测以及特征值撷取的过程都是发生在边缘端。在进行资料库比对时，无论脸部资料是储存于边缘装置上、或是在云端资料库上，因为比对的是撷取出的特征值，在资料上传、比对、回传的时间远少于云端人脸辨识，通常在几微秒间即可完成。
近年AI边缘装置的运算能力大幅提升，让人脸辨识的应用可以实现在各式应用场景中。以金融机构为例，许多金融场所为了安全因素且并无网际网路连线，此时若需导入人脸辨识，就须大幅仰赖边缘运算装置。人脸辨识于边缘运算装置具有低建置成本及高度扩展性，成为各式人脸辨识应用的首选。
个资外泄疑虑
人脸辨识应用愈来愈多元，对国内安控厂是一大商机，尤其过去安控厂面临中国大厂海康威视、大华科技的杀价竞争，陷入苦战，不过，在贸易战后，因为有资安疑虑，中国安控厂被美国列入黑名单，让国内厂商出现转机，包括奇偶、昇锐、晶睿、陞泰等从去年10月底都曾出现一波涨势，奇偶在短短4个月内大涨近1倍，晶睿及昇锐涨幅也近6成，尽管近期股价纷纷回跌，不过，在人脸辨识愈来愈普及的时代，对于资安的要求更严格，国内厂商相对于中国业者来说，更能让客户放心，也是未来的优势之一。[2]