889
揭秘IPHONE X刷臉認證的技術奧秘
蘋果最新發布的Iphone X具有一個全新的功能叫做刷臉認證，背後的技術其實是生物密碼的更新，通過人臉識別取代了傳統的指紋識別，大家肯定對這種新技術非常感興趣，下麵我們通過這篇文章為大家介紹人臉識別的一些技術原理。
隨著深度學習、神經網絡和人工智能等技術的發展，生物識別技術逐漸成熟。所謂生物識別技術就是利用人體固有的、具有唯一性的先天生物生理特征，像人臉、指紋、掌紋等，和後天形成的行為習慣，如筆跡、鍵盤行為，手機操作的觸屏行為，甚至握手機的姿勢等。來進行身份鑒定。
從應用的角度來講，生物識別技術可解決兩類問題，身份識別和身份驗證。
身份識別是利用注冊用戶數據庫來確定待識別用戶的身份，需要將輸入的用戶特征與庫中所有的身份模板特征進行比對並給出相似度，來判別待識別用戶與庫中哪個身份相似度最高，是一對多的比較。
身份驗證是判斷待識別用戶是不是他所聲明的身份，隻需要將輸入的用戶特征與數據庫中所存儲的該身份的模板特征相比對，是一對一的比較;
生物特征因其固有的屬性不容易被仿製、盜用，使其安全性大大提高;而且生物識別的認證過程更加方便，它不需用戶再費盡心思記憶一長串密碼。由此可見，生物識別技術將在移動金融領域具有更加廣泛的應用場景。
人臉識別成新寵 “刷臉”真的靠譜嗎?
早在十多年前，一些商業性的人臉識別係統就逐漸進入市場，但卻一直處於摸索階段，人們對其性能和準確率一直持懷疑態度。那麼在眾多生物識別技術中，為何專注於對“刷臉”的技術研究?他們怎樣應對“整容了怎麼辦雙胞胎怎麼辦、卸妝了怎麼辦”等技術挑戰的呢?
人臉識別技術
生物識別技術的關鍵是將生物特征數字化。人臉識別技術采集成本較低，便利性較高，所以發展得比較迅速，但信息的穩定性和可靠性相對較弱。在移動領域，人臉識別技術本身的精密性和背後安全性要求，遠比其他領域高得多，使之確實存在許多技術難點。
常用的人臉識別技術采用的是x60人臉區域(patch)的多層卷積神經網絡(CNN)。CNN有三個核心，局部感知 、全值共享、時間或空間亞采樣，這三種思想的結合保證了在一定程度上獲得位移、尺度和形變不變性，用這種方法學習出來的特征對提高識別率有很大好處。
多CNN結構
預處理——在人臉識別預處理的時候，首先對關鍵特征點檢測、旋轉、兩眼距離的歸一以及圖像切割等方法進行人臉對齊;然後使用不同尺度進行多通道的歸一。
訓練和預測——好的算法結構建立起來後，需要有好的訓練和預測的平台來駕馭它。訓練時適合采用GPU，而預測的時候適合采用CPU。因為訓練是離線的，對穩定性和安全性要求不高，但數據量非常大，而GPU在批量運算的速度方麵有很大優勢。另一方麵，預測是在線的，CPU方案比較成熟，可以降低運維成本，而且易於擴展。
信息學習——在特征關鍵點截取出多個人臉信息進行學習，在每個人臉區域上學習一個CNN用於提取該區域的特征。由於截取了多個人臉區域，所以對人臉對齊要求不是很高。識別特征提取後用 Joint Bayesian 分類器來判定是否來自同一個人。在訓練過程中，使用Dropout 對於使用梯度法來訓練網絡是有必要的，若不用Dropout 的話，學習高維度特征會帶來梯度擴散，也就是過擬合問題。
通過數十億張人臉圖像數據的訓練後，某種程度上說，機器對人臉的識別已超過肉眼。
人臉識別已經越來越多地被引入到移動領域，尤其是新型的移動支付業務中。雖然生物識別具有很多的安全性，但是一旦出現被盜用等問題，後果很難挽回。下麵介紹下保證人臉檢測成功的安全體係。
1.活體檢測
活體檢測是互聯網人臉識別產品應用的第一道防線。用戶根據係統指令交互式配合做出所要求的姿態、動作或表情，比如眨眼、左右搖頭、張嘴閉嘴等來判斷用戶是否是活體用戶，另外進一步利用三維建模技術加強防偽攻擊的能力。
2.驗證方案
在風險控製為前提下，利用“遠程人臉識別+身份證件核實”方式可以實現對用戶的強身份驗證。用戶通過網絡銀行提供的移動應用程序在可信環境中運行采集用戶的人臉特征，利用公私鑰加密和簽名策略，把人臉信息/特征上傳到人臉識別服務器進行比對，然後返回比對結果給移動客戶端。人臉識別確保是移動設備機主本人在進行操作，並且保障強認證過程的確為用戶本人辦理，再通過對身份證的校驗保障用戶身份信息的真實有效。
生物識別未來應用場景廣闊，如通過“刷臉”、掌紋認證進行人員的管理和智能監控，利用掌紋進行汽車開鎖，通過臉形搭配服裝，通過膚質推薦化妝品，包括類似目前非常熱的“猜年齡”這樣娛樂性的應用等等。生物識別技術的發展一定會帶給我們更加安全、便捷、豐富多彩的生活。雖然生物識別技術現階段還存在諸多不足，但對未來人臉識別技術的發展空間，我們還是應該持有樂觀的態度。
目前，機器學習PAI已經集成了相關的圖像識別計算框架，並且提供了免費的代碼以及資源幫助用戶上手使用，詳細案例見以下鏈接：
利用阿裏雲機器學習在深度學習框架下實現智能圖片分類
免費注冊體驗
最後更新：2017-09-14 09:33:40