服務熱線
021-51099719
人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。盡管已有30多年的研發歷史目前，但人臉識別產品仍然受光照、視角、遮擋、年齡等多方面因素的影響。大致有以下十個難點需要突破：
1.光照問題
由于人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特征。
2.姿態問題
姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直于圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。
3.表情問題
面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識別的準確率。
4.遮擋問題
對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題。
5.年齡變化
隨著年齡的變化，一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致識別率的下降。對于不同的年齡段，人臉識別算法的識別率也不同。
6.人臉相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區分人類個體是不利的。
7.動態識別
非配合性人臉識別的情況下，運動導致面部圖像模糊或攝像頭對焦不正確都會嚴重影響面部識別的成功率。8. 人臉防偽
偽造人臉圖像進行識別的主流欺騙手段是建立一個三維模型，或者是一些表情的嫁接。
9.圖像質量問題
由于采集設備的不同，得到的人臉圖像質量也不一樣，特別是對于那些低分辨率、噪聲大、質量差的人臉圖像。
10.樣本缺乏
現在參與訓練的人臉圖像庫基本都是外國人的圖像，有關中國人、亞洲人的人臉圖像庫少之又少，給訓練人臉識別模型增加了難度。
人臉識別技術的過程依次為活體檢測—人臉檢測拍攝—上傳服務器對比或本地處理—面部特征點定位—提取和分類—校驗和識別—分析返回結果，但這些過程中依然會找到突破點來實現欺騙或者繞過人臉識別，人臉識別隱私問題依然存在技術難點。
1、活體檢測攻擊和繞過
SecID的員工使用錄制的視頻，就輕松繞過了俄羅斯著名人臉識別公司VisionLabs的活體檢測。
這個方法毫無技術門檻，只要有目標用戶的音視頻即可剪輯出一段視頻實現活體檢測的攻擊。用應用注入的方式，甚至可以實現繞過活體檢測，因為活體檢測肯定是先于人臉識別發生的，可以在程序中打斷點，通過試驗演示整個流程觸發斷點，分析并修改程序存儲的一些關鍵數值，就能達到繞過活體檢測的目的。而一旦活體檢測被繞過，一張普通的照片都能通過靜態的人臉識別。
2、服務器交互過程攻擊
很多APP或SDK在上傳拍攝的照片時，明文傳輸，且沒有對圖像數據進行簽名，導致圖像數據可以被截獲篡改，有的在數據報文沒有加入時間戳，可以通過重放數據報文的方式來實施破解。
在測試某款應用的過程中，甚至出現過這樣的情況：本地上傳人臉數據到服務器，服務器返回一個匹配度，本地通過匹配度來決定人臉識別是否通過，該應用沒有對數據報文加簽名，導致返回數據可以被輕松篡改，最終繞過人臉檢測。
3、3D打印繞過檢測
iPhoneX發布后一周，越南安全公司Bkav用3D打印的臉部大面具輪廓、硅樹脂材料制作的鼻子、2D打印的眼眶區域和部分面部的化妝，制作成了一個假的人體面具成功破解了蘋果的Face ID系統。隨著3D打印技術的低成本化和普及化，可以預料的是，未來會出現越來越多的人臉識別系統被破解的案例，即使3D結構光的在旗艦手機上的逐漸普及也無法挽回這個趨勢。說到底，人臉識別只能作為一種弱加密手段來使用，他無法改變人臉可以被復制的屬性，破解人臉識別只是時間和成本問題，而不是技術問題。