基于AI神经引擎的Face ID，真能让人放心吗?

本文主要是介绍基于AI神经引擎的Face ID，真能让人放心吗?，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文 | 草原骑士

来源 | 智能相对论（aixdlun）

离iphone X预售的时间越来越近，尽管iphone 8事故不断，但人们对iphone X的渴望却是有增无减，这原因之一就是iPhone X放弃了广泛采用的Touch ID指纹识别技术，采用基于AI神经引擎的Face ID实现手机解锁、支付认证。

不过关于Touch ID，今年央视“315”晚会爆出了人脸识别技术的漏洞，主持人演示利用自己的一张证件照，骗过人脸识别，从而成功登陆他人的账户。一时间引起人们对人脸识别技术应用的恐慌，从科幻电影走进现实的人脸识别技术，好像并没有显现出比传统密码更强的安全优势。

半年时间过去后，人脸识别技术从被权威媒体质疑到应用遍地开花，AI技术发展的速度令人目不暇接。人脸识别为何能够替代指纹识别，基于神经网络技术的Face ID到底有哪些独特优势，吸引科技巨头不遗余力地用它押宝未来，还会被央视“315”盯上吗？智能相对论（ID：aixdlun）对人脸识别和Face ID技术进行简要讲述和对比，为您勾勒出现代人脸识别技术的清晰画像。

人脸识别为何在安全认证的赛道后来居上？

本质上讲，人脸识别和指纹、掌纹、虹膜识别等生物识别技术一样，都具有普遍性、唯一性、持久性的属性。

指纹识别之所以能够得到广泛应用，得益于指纹和采集设备直接接触以及光电转换精度的提升，同时指纹面积较小、纹理较为清晰，也使得数据采集和识别过程相对容易实现。

相比其他类型生物识别技术，人脸识别“隔空”采集数据干扰多，处理难度大。但由于具有以下3个突出优势，应用越来越广泛，大有后来居上，成为安全认证主力的势头。

1、识别过程友好。利用指纹、掌纹以及虹膜方式识别需要身体直接接触检测仪器，人脸识别属于非接触识别，隔空自动采集图像，便于实施。

2、方便快捷。使用普通摄像机或者三维扫描仪就可以实现对数据的采集，通常在毫秒级别内即可实现识别。据统计，手机用户平均每天要解锁手机80次，有了人脸识别解锁功能后，解锁过程将被大大简化。

3、符合常识、交互性好。通过检测人脸进而识别身份，与人们的生活习惯与认知保持一致，可以更简单直观地看到识别结果，更具有普适性。

各种花哨识别技术的背后，无外乎二维或三维识别

现在的绝大部分人脸识别技术都是二维识别，采集的是人脸的平面图像，并依靠图像上的特征点来生成一组特征值，然后每一次识别时候将会与第一次录入特征值进行比对，到达一定的准确率就算是配对成功。

二维识别在光照、姿态、年龄等发生变化时，识别效果不理想。同时，安全性不高是它的先天不足，一张照片就欺骗过去的事情不在少数，即便是后期引入的多角度识别以及表情识别等，也只是稍微提升了下安全性，但并没有本质上的改变。

三维人脸数据比二维人脸数据可以更好的突显出人脸在空间中的特性，具有显式空间形状表征，信息量比二维数据丰富得多，这些特性在一定程度上可以简单有效的将不同的人脸区分开，识别更加立体、更加准确。

智能相对论（ID：aixdlun）统计，现有三维人脸识别方法主要有以下四种。

1、基于空域匹配。该类方法可通过输入点云数据的方式直接完成匹配操作，无需进行特征提取。比如，首先对面部受表情影响较小部位（如鼻子）进行提取，然后用算法对曲面进行三维人脸匹配。

2、基于局部特征匹配。从三维人脸曲面上提取到有效的局部几何特征，利用特征点将人脸深度数据对齐，再提取鼻尖区域、眼部区域、对称面区域三条曲线，合成全新的特征向量进行匹配识别。

3、基于整体特征匹配。把三维人脸看作一个整体，以整体为依据提取特征。利用深度图像是其中的一种方法，其可以通过将三维人脸数据正交投影，进而利用二维人脸识别中的各类方法进行操作。

4、基于双模态特征匹配。融合二维纹理与三维几何两种特征进行识别。因为融合后的信息更加丰富，所以更具有研究价值，但实现较为复杂。

强大的三维识别也有很多短板

三维人脸识别为机器自动识别人脸提供了崭新的角度，相对二维人脸识别具有较明显的优势，不过智能相对论（ID：aixdlun）提醒，它也面临着很多困难。

1、光照变化。摄像感应器设备对人脸图像进行采集时，会因为外部环境的光照变化、拍摄角度的问题等造成采集图像的差异。

2、表情因素。人们不同表情会造成脸部的一些器官和肌肉发生位置和纹理的变化，对识别造成困难。

3、姿态变化。各种姿态的面部图片，如侧脸、抬头、歪头、低头等，也是检测和识别的难点。

4、遮挡因素。口罩、墨镜、帽子、围巾等衣物遮挡脸部，或者胡须、化妆等其他因素影响，也会给检测和识别过程带来难度。

5、年龄因素。随着年龄的增长，脸部皮肤纹理、胖瘦、五官等等都会发生变化，造成样本库中的数据失效，给识别系统带来时效性问题。

6、计算能力要求高。对脸部的大量数据采集、建模和分析比对，对设备的并行计算能力要求较高，对集成在手持设备中的三维识别模块的计算能力要求更高。

Face ID三大法宝：红外、三维、AI芯

为了解决以上人脸三维识别6大技术难题，苹果公司给出了独门解决方案：提高数据采集建模能力，增加AI神经网络单元，提升智能识别和并行运算能力。

1、红外感应系统。对可见光的变化几乎无感，无论白天黑夜都能智能感应识别人脸，而且对温度敏感，没有体温的照片或面具很难骗过Face ID。iPhone X的“齐刘海”中的点阵投影器向外投射出3万个肉眼不可见的红外点光源，由红外镜头拍摄一张红外照片，根据照片上的位移变形情况，分析出人脸的景深信息。同时，距离传感器会探测在一定范围内，是否存在被探测物，以决定是否开启点阵投影器与红外镜头的工作。而在暗光、无光环境下，泛光感应元件会向外投射不可见的红外光源，以帮助 Face ID 更好地工作。

2、3D建模技术。目前三星、支付宝、vivo X20、小米Note 3等普遍使用“2D识别方案”，用普通照片比较容易破解。iPhone X投射3万个红外点光源作为特征点，结合面部的深度信息，构建3D立体脸部模型进行识别，大大提高了识别的准确性和安全性。仅仅靠二维照片，再也没有可能通过Face ID验证，即使做成逼真的3D脸模，也不能通过精密的数据比对和对眼睛附加检测的考验。

3、搭载AI 单元的仿生芯片。人工智能是当下尖端科技的风口，苹果这一次又领先了。A11仿生芯片不仅较上一代芯片（A10）图像处理能力提升30%，而且集成神经网络引擎，成为苹果第一枚搭载AI神经网络单元的移动芯片。

AI神经网络单元每秒六亿次运算，主要用于胜任机器学习任务，识别人物、地点和物体，计算人脸不同部位的位置与距离，判定是否为使用者本人，同时能够学习到人脸图像中的一些隐性规律和规则，为Face ID提供强大的性能支持。

早期的人工智能学习算法识别成功率普遍不高，完全不能和人眼识别能力相提并论。卷积神经网络理论的提出，为人脸识别提供了强有力的技术支持。通过局部连接、权值共享和池化采样，大大减少神经网络的权值数量，降低网络模型的复杂度，实现了对庞大的3D人脸数据的快速化处理。同时对人脸图像的缩放、旋转、平移以及其它形变的识别鲁棒性更好。目前基于深度学习神经网络的人脸识别技术可以达到几乎100%的正确率，人类肉眼识别精度只有97.53%。

为了进一步提升安全水平，苹果使用了1,000,000,000 张照片来训练这个神经网络系统， Face ID因此“认识”了足够多的面孔，确保以后不被照片或模具欺骗。利用AI 单元，可以持续地学习用户脸部的长相和表情，在完成首次人脸信息的采集和录入后，随着时间的推移，即使你戴眼镜了、开始长了胡子等，Face ID 仍然能继续认出你，并不断根据新的数据来校准识别模型，以保证识别率。

Face ID真的能够让人放心吗？

就在iPhone X正式发售倒计时时，坏消息也不断传来，有分析师指出，由于3D感应系统由结构化光系统，飞行时间系统和前置摄像头组成，结构过于复杂，良品率很低不足10%，首批100万部的生产要推迟到12月份才能完成。

除了良品率以外，用户对Face ID最关心的无外乎两个性能，识别速度和识别精度。苹果的Touch ID刚出现时，由于识别速度偏慢，在相当长一段时间并未被广泛接受。Face ID要处理的三维脸部数据量比起Touch ID自然是高出不少，不过得益于性能更强悍A11处理器以及其整合的AI神经网络单元生物引擎，还有基于神经网络的算法，从目前来看Face ID识别速度比起Touch ID应该有长足的提升，响应速度更快。