春运可刷脸进站啦！准确率达99.6%，但刷脸真的安全吗？
昨日，春运大幕正式拉开。在新闻媒体的报道中，比起往年春运大潮中让人咋舌的客流量，还多了一项“黑科技”—刷脸进站。
图片来源于网络
据报道，该刷脸装置为自主验证闸机，每台机器上安装了一个摄像头，在旅客走进机器的时候，它负责抓取脸部信息，与身份证芯片里的高清照片进行比对。准确率可以达到99.6％。与传统的人工查验相比，自助机器的过检效率和准确率都明显提高，一般3秒之内就可以通过一个人，也就是说，一分钟内就可以过检20名旅客。
在当下，“人脸识别”并不算是陌生的词汇，公司里的刷脸签到、ATM机上的刷脸取款、以及电脑系统的刷脸登录，我们在尝试刷脸进站之前，早就领略过这个刷脸时代为我们带来的便利。但这些刷脸背后隐藏的技术是一样的吗？ 它又存在哪些安全隐患呢？
人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流，根据具体的面貌特征信息进行判断。并与数据库中的人脸进行对比，从而达到识别每个人身份的目的。人脸识别的方式很多，目前来讲，有以下这些方法：
(1)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。
(2)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。
(3) 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。
(4)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。
(5)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。
(6)支持向量机(SVM) 的人脸识别方法
近年来，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。
人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。
虽然，目前人脸识别已经广泛应用于我们生产生活的很多方面，但，人脸识别确实还存在很多隐患。
“在人脸识别系统中，很有可能你的表姐比你更像你。”谈及人脸识别技术可能存在的问题时，一位科技人员曾这样回答。人脸识别技术的精准度还达不到100％，对相似度高的脸容易出现识别误差。
比如，如果是双胞胎，人脸识别系统就有可能在识别时出现混淆；而假设有人盗用了一段他人脸部特征清晰、并作点头及眨眼动作的视频，也有可能骗过脸部识别系统，获取别人的资料，对他人的生命财产安全造成侵犯。
此外，在这个自拍泛滥的时代，任何人随时都能得到你的面目特征信息，就在接个月前，来自北卡罗来纳大学（University of North Carolina）的研究人员就发布了一则让人深感不安的消息：他们可以通过用户在社交网络上发布的照片制作出用户的脸部 3D 模型，并借此骗过了脸部识别系统。
由于通过虚拟现实技术展现的脸部模型具备和现实相接近的轮廓和深度，因此可以成功骗过一般的脸部识别系统。更让人震惊的是，研究人员甚至无需应用精密的展示设备，只需通过虚拟现实系统在手机屏幕上生成影像即可。正是通过这种复制成本极低的方法，研究人员成功破解了 5 个脸部识别系统当中的 4 个。如果能进一步获取志愿者在室内拍摄的头部照片，破解的成功率甚至可以达到 100%。
这次试验证明了脸部识别系统至少存在两个风险：首先，在晒照已经成为日常的今天，社交网络用户的脸部信息已经成为黑客随手可得的数据；其次，脸部识别系统的鉴别体系还存在较大的安全隐患，甚至连日常设备所呈现的简单图像也鉴别不出。
或许有人会问，把辨识精准度提高、数据要求更严格不就可以消除风险了吗？事实上，对这样的措施，专业人士和部分网友也表达了另外的隐忧：一旦对脸部辨识的要求过于苛刻，那么即使本人，也可能会由于各种原因无法被识别：如果整容了怎么办？变胖或变瘦了怎么办？受过伤怎么办？是不是就不能识别了？这些都是大家担心的问题。
而，无论如何，像火车站刷脸进站这种简单模式下的人脸识别应用，就目前人工智能的发展程度还是hold住的，更何况它确实是替代检票口做着重复单一工作的公务人员的有效途径。