面部识别：真正的3D与学术2D

几乎我们每天都会听到面部识别。来自苹果Faceid有争议的准确性在ACLU的NIST或什至逮捕的最新iPhone上，有许多积极的讨论。作为参与生物识别空间的技术专家和企业家已有20多年的历史，这些讨论常常被简化为潜在的误导。我感到不得不称重，因为这些水已经围绕着准确的面部识别能够在2018年提供的价值感到混乱。

从角度来看，机器视觉已经发展了几十年。许多人认为面部识别的父亲是一个名为数学家伍德罗·威尔逊·布莱索谁开发了一个系统来使用所谓的兰德平板电脑大约60年前。该设备让人们使用发射刷子发射电磁脉冲作为捕获和注册面部轮廓的一种方式，使人们在网格上输入水平和垂直坐标。

快进到2018年，我们看到了很多面部识别用例从访问移动设备到认同警察的人。

这是一个好消息，因为面部识别（尤其是提供真实面部身份验证的更准确的版本）具有改善我们的日常生活而不会侵犯我们的隐私的能力。让我停顿的原因是，促进技术的许多文章符合狭窄而特定的面向研究的标准，而不是在现实世界中的用例中展示系统。他们通常会得到很好的新闻界，但与面部身份验证如何在无数的潜在应用中保存人们的隐私以及保护人们的隐私方面与之脱节。当现场试验审判失败时，它会产生很多混乱，不信任和错误的看法。只是看最近的ACLU测试借助亚马逊的在线面部识别技术。

作为另一个例子，总部位于上海的公司Yitu Tech最近在所谓的面部识别供应商测试，由NIST进行的比赛。虽然基于测试有限的条件集令人印象深刻，但仔细的阅读表明，最佳的测试结果是在受控的照明条件下以及经过测试的面孔的视图下使用照射照片和签证图片完成的。即使是从照明和位置角度来看，甚至“野外”数据集也比现实世界中经过测试的面孔更能控制。

这些评估是在对学术界非常有用的高度控制环境中进行的，但是在尝试在许多现实世界中验证活人时，这种方法的预测能力有限。为了务实的简单性，这种类型的测试没有考虑到影响准确的面部身份验证结果的许多关键因素，例如照明，运动伪像和相对于摄像机的物理位置仅举几例。对于高度控制的条件，例如在护照机上识别某人，这可能很好。

在许多方面，这种测试是“与数字”的娱乐中的一种练习。结果侧重于错误的匹配率或FMNR，也称为虚假排斥率，鉴于测试是在高度控制条件下进行的，这是有限的实际用途。

尽管有些人可能对这些类型的测试结果感到兴奋，但我对一个事实充满热情，即在现实世界中，面部身份验证有望启动一个全新的范式，以进行安全，无摩擦和方便的互动，同时创建实用的新市场并支持创新应用程序。为此，您不仅需要很大的（错误的接受率）和FRR（错误的识别率）分数。您需要在要求执行的所有环境中工作的技术。这通常需要关键的支持技术，例如3D识别和身份验证适应现实情况的挑战。

所有的物联网议程网络贡献者都负责其帖子的内容和准确性。意见是作家的，不一定会传达物联网议程的思想。