在蘋果于2017年9月發布iPhone X手機時，使面部識別技術得到了更多關注。雖然iPhone X的OLED屏幕和無線充電功能（更不用說其999美元的價格）都非常具有新聞價值，但它引入了面部ID來解鎖設備（并可進行支付）最引人注目。面部識別技術并不是新技術，但蘋果公司將該技術的具體實施顯然意義重大。
?

?

自動面部識別技術的起源

與最近另一個比較熱門的技術人工智能（AI）有些類似，面部識別技術最初開發活動始于半個多世紀前。計算機科學家Woody Bledsoe、Helen Chan Wolf和Charles Bisson在美國情報機構資助下于20世紀60年代啟動了面部識別的自動化研究。在當時，操作人員必須從攝影圖像中提取一組面部特征（例如眼睛的內外角、瞳孔的中心或者寡婦尖的點）的位置。然后使用這些位置坐標計算20個量值的列表（例如目標對象嘴和眼睛的寬度以及瞳孔到瞳孔的距離），然后將其存儲在數據庫中。

Bledsoe和他的團隊意識到，由于頭部旋轉和傾斜度、與相機的距離、照明強度和角度、面部表情甚至衰老等因素的巨大變化，這種類型的模式匹配具有非常大的挑戰性。為了克服這個問題，可以將每組距離歸一化以表示正面方位的面部特征。該程序將首先嘗試確定目標對象的傾斜度和旋轉，然后使用這些角度來計算和消除變換對計算距離的影響。另一個需要了解的因素是頭部的三維幾何形狀，主要是為了克服目標對象部分缺失的情況，研究團隊根據對七個目標對象的測量結果，使用了一個“標準頭部”模型。之前的方法如果目標對象變化時會導致識別成功率較低，該團隊的方法幫助實現了自動化面部識別技術在準確性方面的突破。

面部識別技術從早期的創建以來，已經過了長期的發展，特別是隨著計算速度加快和功能的增大，以及成像技術的提高，使識別的準確度水平穩步提高。鑒于面部識別系統的成功率已接近甚至超過人工操作者的正面識別率，一些備受矚目的項目正在使該技術實現向主流應用的飛躍。當然，安全和執法部門一直對這項技術有著明顯的興趣，并不斷在多個不同地區和應用中進行試驗（例如，在英國諾丁山嘉年華和在紀念碑舉辦的星期日紀念儀式） 。但是，除了Apple的Face ID之外，這項技術在另外兩個方面的部署已經使其進入了大眾消費領域。

面部識別的應用

國際旅客現在已經非常熟悉許多機場引入的自動口岸控制（或電子護照）閘道，這種方式有助于應對不斷上升的旅客數量。對于持有具備生物特征識別“芯片”護照的抵達乘客，自動門使用攝像頭捕獲旅客的圖像，之后面部識別技術將其與護照中存儲在RFID芯片上的照片進行比較。標準化的參考圖像（其中照片必須符合關于尺寸、角度、面部表情以及不能配戴眼鏡或頭飾的規定）和受控圖像捕捉（關于在何處以及如何站立、面部朝向以及一致的照明等規則）將有助于保持較低的失效率和較高的吞吐量。目前，一些航空公司也在試驗在登機口用面部識別技術驗證乘客身份。

與此同時，Facebook也在提供面部識別技術，盡管這項技術在歐洲受到監管機構和消費者的抵制，但它至少在美國被很廣泛地采用。該社交媒體網站有一個包含數十億個人和團隊的照片數據庫，由用戶上傳，都具有能夠幫助捕獲識別的面部特征。Facebook采用人工智能和機器學習技術（包括深度學習神經網絡），其DeepFace技術根據某人的面部特征使用算法計算出唯一的數字（或“模板”）。然后，它可以分析上傳的照片，將其中的面部與存儲的模板進行匹配，從而提示用戶用已識別的匹配特征對照片進行標記，并通知已上傳照片的匹配度。然而，最能夠使面部識別技術歸一化，并使其應用能夠為主流消費者接受的項目可能是面部?ID。一些觀察人士認為，蘋果有一種習慣，即會比其他制造商更晚地為其iPhone添加面向未來的功能，但其他人則認為，它經常設法在某項技術能夠“正常工作”后再進行實施，以便大力推廣這些技術使其變成必須擁有的功能。盡管支持Apple?面部ID的并不是新技術，但它的實施非常靈活、功能強大且引人注目，在早期采用者中已經廣受歡迎（根據Strategy Analytics最近的一份報告）。

以前，一些制造商的面部識別項目很容易被照片欺騙，但Face ID使用了一系列傳感器、成像技術和AI在3D模式下來映射和匹配面部。該系統為“始終開啟”、幾乎是瞬間完成，其紅外泛光照明器意味著即使在暗景下、或通過太陽鏡也能工作。它的紅外攝像頭能夠捕捉面部圖像，而點投影儀則可以在面部投射30,000個紅外點陣列，以創建高精度的深度圖像模型。手機可以用該圖像來對比存儲在設備CPU“安全區域”（甚至Apple也無法訪問）的本地圖像以便驗證用戶。

Apple公司聲稱Face ID的安全性非常高，只有百萬分之一的機會用戶能夠欺騙過關（相比之下，Touch ID指紋生物識別技術有5萬分之一）。它不僅需要衡量用戶對解鎖手機的關注程度（用戶的眼睛必須睜開，而且必須注視顯示器才能掃描成功注冊），蘋果公司還表示，Face ID通過逼真的3D外觀可以訓練該識別功能，所以不容易為其他用戶欺騙。在構建Face ID時，Apple分析了超過十億張圖像以獲取有關面部的數據，并利用該數據來訓練其神經網絡。它使用機器學習算法和“神經網絡引擎”來分析和識別用戶面部，每次使用時都會捕獲更多信息，這意味著用戶的面部“地圖”可以得到不斷改善，并隨著用戶的特征而變化，這樣可以應對用戶改變的胡須、發型或化妝、甚至戴的帽子等等。

未來的發展

受面部識別的興起和消費者接受程度不斷提高的驅動，企業將面部識別技術集成到具體產品和應用的趨勢在快速加強。根據Allied Market Research的數據，面部識別市場預計在未來四年內將平均增長21.3％，到2022年達到96億美元。即插即用的硬件模塊和軟件能夠使設計工程師更輕松地將面部識別技術集成到其應用和產品開發中。

歐姆龍電子的B5T HVC面部檢測傳感器模塊就是這種即插即用的一個例子。該產品采用緊湊型60mm x 40mm外形尺寸，是一款完全集成的插入式人體視覺組件（HVC）模塊，配備相機（具有長距離和廣角攝像頭選項）和協同處理器，以及UART和USB接口（用于控制模塊并將數據輸出發送到外部系統）。B5T基于歐姆龍的OKAO技術，并集成了獨特的圖像傳感算法，可以快速而準確地識別面部。

圖1：歐姆龍的B5T HVC面部檢測傳感器模塊。

B5T可以在1.1秒內從1.3米的距離捕捉、檢測和識別面部，具有相當高的可信度和準確率。眨眼和注視估算需要不到1秒鐘，模塊甚至可以根據5個預編程表情中的某一個來評估目標對象的情緒。它可以檢測到距離遠達2.8米的人體和1.5米的手，模塊的檢測角度指定為水平49°和垂直37°，輸入圖像分辨率為640x480像素。

該模塊也集成有十種不同的傳感功能用于識別非語言意圖、當時狀況和行為，包括面部、手部和身體檢測以及年齡、性別和表情估算。這些同類最佳的圖像分析過程都是在模塊本身內進行，使設計人員可以輕松地將智能和功能添加到各種感測和物聯網（IoT）應用。