我们认真研究了FaceID的工作原理，用iPhoneX的可以安心睡觉了

iPhone X的FaceID生物识别技术首次亮相就引起了一片“恐慌”

理论上，你只需要看一眼手机，启用了FaceID功能的iPhone X就会在一秒钟内识别出你的脸部特征，并自行解锁，同时，这一技术也将被用于Apple Pay支付和第三方应用等场景中。

有吐槽说，这一功能可能让iPhone失去一批男性用户（尤其是已婚男士），反之，这也有可能让一批男性“被迫”提前用上iPhone X。

其实，这完全是“杞人忧天”。

让我们先了解一下FaceID的“工作原理”

苹果公司在iPhone X中使用了“TrueDepth摄像机系统”（也就是“齐刘海”部分），通过使用里面的传感器和点阵投影仪，投射出3万多个点，就能形成一张完整的3D“脸谱”用来识别用户脸部。据悉， iPhone X将采用定制的芯片来处理人工智能工作负载，这是一个双核的“ A11生物神经网络引擎”芯片，每秒运算次数最高可达6000亿次，该芯片赋能的最重要的事情就是使Face ID身份认证功能能够快速识别人脸。而为保证用户的隐私，让用户更放心，苹果称所有相关的数据运算都将发生在本地，不会被上传到云端或是回传到苹果公司。

同时，经过不断被训练的神经网络建模识别人脸，当你的iPhone X识别你的脸部次数越多，它就会对你越熟悉。不管你是换发型、留胡子、戴帽子、戴眼镜，还是光线强弱不同，它都会认出你。

同为生物识别技术，TouchID的解锁错误率是五万分之一，而FaceID则是一百万分之一，成功率极高（虽然苹果高级副总裁Craig Federighi在发布会上尝试使用FaceID功能解锁手机却失败）。对此，大家也不必过度“恐慌”。库克在发布会上表示，FaceID要求使用者在刷脸解锁时必须“集中注意力”（require“user attention”），所以，当手机远离眼睛，或者用户闭着眼睛时就不会解锁，你根本不用担心在自己睡觉时手机被解锁（除非你像张飞一样睁着眼睛睡觉）。

事实上，近几年来以来，业界对于脸部识别的应用“屡试不爽”，但一直因为安全问题被诟病。比如只需要通过一张电脑所有者的照片，就可以轻松进入设置了脸部识别登录方式的电脑；再比如流行科学作家丹·莫伦（Dan Moren）通过一个视频就击败了阿里巴巴的面部识别系统。

然而，一直以“安全”标榜自己的苹果，定然也不会允许这样一个“万众瞩目”的新功能让自己的“人设”轻易垮掉。在这周小米的新品发布会上，小米也推出了人脸识别解锁方面的方案，虽然都是“人脸识别”，但具体技术却有很大的差距。

苹果的FaceID，采用的是结构光双摄方案，通过将3万多个光点的网络投射到人脸上，并随着用户转动头部以映射脸部3D形状，最终形成的是一个三维图像，这也是目前安全性最高的人脸识别方案。而小米Note更多还是二维人脸解锁的方案。

当然，即使是三维面部识别系统也并不是“万无一失”。就在两年前，柏林的SR实验室使用石膏模具，破解了微软的Hello面部识别系统。这一尝试在多个使用相同类型红外深度感应摄像机的品牌笔记本中都成功了。SR 实验室的创始人Karsten Nohl指出，他们使用的模具不仅模仿了用户的脸部形状，还模仿了皮肤的光反射性能。

为了证明自己，苹果甚至与好莱坞模型团队进行了人脸模型对比验证，以保证FaceID所识别的人脸不能被包括蜡像、模具等在内的任何仿制品所替代。在发布会现场，Federighi展示了一些非常逼真的面具制品，并表示经过测试，即使是这些面具再逼真也无法破解FaceID系统。他说，从理论上来说，也许这个世界上有人能够跟你长的非常相似，他可以破解你的手机系统，但是这种概率大概是一百万分之一。当然，如果是双胞胎，这个概率就会大大提高。

其实，关于人脸识别的安全性问题很多人心里依然没底，也许只有经过公开测试才能真正打破用户的疑虑。 但即便如此，目前，已经有很多金融机构开始采用人脸识别帮助用户进行开户、转账、付款，包括支付宝、券商、银行等等。以招商银行为例，目前人脸识别已经能够实现手机端超过 50 万的转账；对于标准化的个人业务，配置了人脸识别系统的智能柜台也已经在招行的线下网点投入使用（人脸识别时，系统会要求用户做出对应动作，如点头或者眨眼）。

总之，安全与体验也许永远没法两全。但，这并不意味着这道题无解，如果你的手机数据确实非常敏感，你完全可以选择关闭FaceID识别功能，或者，你也可以选择允许FaceID进行解锁，但不用于付款（此解同样适用于篇头的“恐慌人群”）。

当然，还有网友对于卸了妆还能不能解锁表示担忧，对此，我想说的是——卸了妆能不能解锁，你心里没点数吗？其实，我自己比较担心的是，如果我只是想用手机屏幕照个镜子怎么办？

苹果公司：在人脸识别领域早有布局

话说回来，事实上，苹果在人脸识别技术方面的布局已经不是一年两年，最近几年来先后收购了 PolarRose、PrimeSense、Perceptio、Faceshift、Emotient、Turi 等人脸识别相关技术公司。其中，2013 年收购的 3D 传感技术公司 PrimeSense，曾经还因为给微软的 Kinect 提供了传感器而走红。通过传感器和中间件，可以让设备感知周边的三维环境，实现人机交互。这也是此次FaceID所涉及的关键技术之一。

除此之外，在去年年底，苹果还发布了第一份关于人工智能的学术论文《Learning from Simulated and Unsupervised Images through Adversarial Training》。这篇论文阐述了如何通过计算机生成图像而非真实图像来训练算法的图像识别能力。

苹果在论文中称，在机器学习研究中，使用合成图像（例如来自一款视频游戏）来训练神经网络要比使用真实图像更有效。因为合成图像数据已经被标记和注释，而真实的图像数据需要有人耗费巨大的精力去标记计算机看到的每件事物，如一棵树、一条狗或一辆自行车。

当然，使用合成图像也存在一定的弊端，导致一种算法所了解的内容与真实世界中的场景有所不同。比如，合成图像数据如果不够真实，就会导致神经网络只能了解到合成图像中所呈现的细节，而对真实图像的认识有所不足。

为解决该问题，提高合成图像数据的训练效果，苹果研究人员推出了“模拟+无监督”的学习方法，以提高模拟图像的真实感。苹果研究人员使用一种经过修改的新型机器学习技术，被称为“生成对抗网络”（GAN），让两个神经网络彼此对抗，从而生成更逼真的图像。

模拟+无监督（S + U）学习：通过学习模型，并使用未标注的真实数据，利用模拟器改善合成图像的真实性，同时保留注释信息

用精炼神经网络R来优化模拟器的输出

未标记的真实图像&模拟图像

大胆地推想，苹果应该把这样一套方法论应用在了iPhone X 的 FaceID功能中。


关于人脸识别技术

人脸识别技术是指利用分析比较的计算机技术识别人脸，其中包括人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度等技术。广义的人脸识别包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

技术流程：

• 人脸图像采集及检测
• 人脸图像预处理
• 人脸图像特征提取
• 人脸图像匹配与识别

关键技术

• 基于特征的人脸检测技术：通过采用颜色、轮廓、纹理、结构或者直方图特征等进行人脸检测。
• 基于模板匹配人脸检测技术：从数据库当中提取人脸模板，接着采取一定模板匹配策略，使抓取人脸图像与从模板库提取图片相匹配，由相关性的高低和所匹配的模板大小确定人脸大小以及位置信息。
• 基于统计的人脸检测技术：通过对于“人脸”和“非人脸”的图像大量搜集构成的人脸正、负样本库，采用统计方法强化训练该系统，从而实现对人脸和非人脸的模式进行检测和分类。

基本方法：

• 几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。
• 基于特征脸（PCA）的人脸识别方法：特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。
• 神经网络的人脸识别方法：神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。
• 弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。
• 线段Hausdorff 距离(LHD) 的人脸识别方法：心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。
• 支持向量机(SVM) 的人脸识别方法：支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

算法分类：

• 基于人脸特征点的识别算法（Feature-based recognition algorithms）
• 基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）
• 基于模板的识别算法（Template-based recognition algorithms）
• 利用神经网络进行识别的算法（Recognition algorithms using neural network）