這篇文章將為大家詳細講解有關互聯網中人臉識別的弊端是什么，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

目前創新互聯已為近1000家的企業提供了網站建設、域名、網頁空間、網站托管、服務器租用、企業網站設計、云安網站維護等服務，公司將堅持客戶導向、應用為本的策略，正道將秉承"和諧、參與、激情"的文化，與客戶和合作伙伴齊心協力一起成長，共同發展。

人臉識別的弊端：1、會出現誤差，影響人的判斷結果；2、信息的可靠性及穩定性較弱；3、人臉所蘊含的信息量是比較少的，其變化的復雜性不夠，辨識性不是很高；4、人自身內在的變化以及外在的環境的變化都會影響采集時人臉的信息穩定度。

本教程操作環境：windows7系統、Dell G3電腦。

技術水平的角度來看，人臉是唯一不需要用戶主動配合就可以采集到的生物特征信息。其他生物特征的采集過程，如指紋、掌紋、虹膜、靜脈、視網膜，都需要以用戶的主動配合為前提，即如用戶拒絕采集，無法獲得高質量的特征信息。從社會心理的角度來看，通過人臉識別身份，符合人的視覺識別經驗，容易被使用者接受。如人們在采集指紋和虹膜時，會擔心隱私泄漏，但是每天被街頭的幾百臺監控攝像機拍攝，卻不感到被侵犯，因為人臉天生就暴露在外，被認為是識別身份的天然特征。那么我們來講講人臉識別技術有哪些弊端吧。

人臉識別的技術弊端

人臉識別技術也會出現誤差，影響人的判斷結果。

人臉識別的一個缺點在于信息的可靠性及穩定性較弱。

人臉所蘊含的信息量較指紋、虹膜等生物特征相比是比較少的，其變化的復雜性不夠。例如，若要兩個人的指紋或者虹膜基本相同，大概需要好幾十乃至上百個比特達到完全重合才可以。但如果是人臉的話，十幾個比特達到重合就可以了。在全世界可以找到很多具有相似性的面孔。所以說，人臉的辨識性不是很高，它并沒有那么獨一無二。

另外，人自身內在的變化以及外在的環境的變化都會影響采集時人臉的信息穩定度。相較于之前的人臉識別技術，目前的人臉識別技術有所提高，但是具體應用是還是不能達到完美狀態，保守估計，人臉識別技術的準確率能達到99%。

人臉識別的技術難點

1、光照問題

光照變化是影響人臉識別性能的最關鍵因素，對該問題的解決程度關系著人臉識別實用化進程的成敗。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。尤其是在夜晚，由于光線不足造成的面部陰影會導致識別率的急劇下降，使得系統難以滿足實用要求。同時，理論和實驗還證明同一個體因光照不同引起的差異，大于同一光照下不同個體之間的差異。光照問題是機器視覺中的老問題，在人臉識別中的表現尤為明顯。解決光照問題的方案有三維圖像人臉識別和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。

2、姿態問題

人臉識別主要依據人的面部表象特征來進行，如何識別由姿態引起的面部變化就成了該技術的難點之一。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。使得姿態問題成為人臉識別的一個技術難題。針對姿態的研究相對比較的少，目前多數的人臉識別算法主要針列正面、準正面人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。

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。現有的技術對這些方面處理得還不錯，論是張嘴還是做一些夸張的表情，計算機都可以通過三維建模和姿態表情校正的方法把它糾正出來。

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。特別是在監控環境下，往往被監控對象都會帶著眼鏡、帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識別，甚至會導致人臉檢測算法的失效。

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。這個問題最直接的例子就是身份證照片的識別，在我國身份證的有效期一般都是20年，這20年間每個人的容貌必然會發生相當大的變化，所有在識別上也同樣存在很大的問題。

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。以模仿某個明星為目標的化妝、整容等人為因素加大了這個問題的難度。尤其是雙胞胎的問題，人臉識別系統究竟能不能正確的識別出來，這個其實在學術界也是有爭論的。有專家認為雙胞胎根本不應該靠人臉識別技術進行分辨，它是沒法用人臉識別技術來準確進行區分的。

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。在地鐵、高速公路卡口、車站卡口、超市反扒、邊檢等安保和監控識別的使用中，這種困難明顯突出。

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。隨著人臉防偽技術的完善、3D面部識別技術、攝像頭等智能計算視覺技術的引入，偽造面部圖像進行識別的成功率會大大降低。

9、樣本缺乏

基于統計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統計學習方法需要大量的訓練。由于人臉圖像在高維空間中的分布是一個不規則的流形分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究。此外，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。

10、圖像質量問題

人臉圖像的來源可能多種多樣，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（如手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等）如何進行有效地人臉識別是個需要關注的問題。同樣的，對于高分辨圖像對人臉識別算法的影響也需要進一步的研究。現在，我們在人臉識別時，一般采用的都是相同尺寸，清晰度很接近的人臉圖片，所以圖像質量問題基本可以解決，但是面對現實中更加復雜的問題，還需要繼續優化處理。

人臉識別的安全隱患

近幾年，人臉識別技術日益創新突破，在各產業之間落地的應用項目有目共睹，但以目前技術來說仍然跟不上瞬息萬變的社會變化和市場需求，例如今年新冠病毒突襲下，導致我國大批人臉產品無法在戴口罩的情況下進行掃描識別，事后各大廠商立即更新算法，但從此時也提醒了我們，面對未來的不確定性，技術不能一成不變，需要不斷創新與突破。

此外，如何在不同光線和角度下，更好地識別臉部？如何清晰、精準的確定身份等等問題，仍然是目前亟待解決的技術痛點。

于2012年進行的一項研究表明，供應商Cognitec公司提供的面部算法在識別非裔美國人方面的表現要比識別白種人低5%至10%；2011年，還有研究人員發現中國、日本以及韓國開發出的人臉識別模型很難區分高加索人與東亞人種。今年2月，麻省理工學院媒體實驗室的研究人員們指出，微軟、IBM與中國廠商Megvii公司的人臉識別技術在識別淺膚色女性方面錯誤率高達7%，識別深膚色男性的錯誤率為12%，而對深膚色女性的錯判比例更是達到35%。

算法出錯的例子還遠不止于此。最近調查結果顯示，倫敦大都會警察局部署的系統在每一次實際應用時都會產生最多49次的錯誤匹配。在去年眾議院監督委員會關于人臉識別技術的聽證會上，美國聯邦調查局承認，其用于識別犯罪嫌疑人的算法存在高達15%的錯誤判斷率。此外，弗吉尼亞大學的研究人員正在進行的一項研究發現，兩大著名研究圖像集--ImSitu與COCO（COCO由Facebook、微軟以及初創企業MightyAI共同構建），在對體育、烹飪以及其它多種活動的描述當中，表現出明顯的性別偏見（例如購物圖像一般與女性有關，而教練圖像則往往與男性關聯）。

如何在不同光線和角度下，更好地識別臉部？如何清晰、精準的確定身份等等問題，仍然是目前亟待解決的技術痛點。

然而，即使解決了偏見問題，即人臉識別系統能夠以對所有人都公平公正的方式運作，其中仍然存在著潛在的失敗風險。與眾多其它人工智能技術一樣，就算徹底排除到偏見性因素，人臉識別方案通常都會存在一定程度的誤差。一切工具都可用于善途或者惡途，而工具本身越強大，其可能帶來的收益或者損害也就越明顯。

關于“互聯網中人臉識別的弊端是什么”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。

文章名稱：互聯網中人臉識別的弊端是什么
標題鏈接：http://vcdvsql.cn/article10/phojgo.html

成都網站建設公司_創新互聯，為您提供關鍵詞優化、網站排名、電子商務、網站維護、網站導航、外貿建站

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯