一天，老妈出门戴口罩、戴帽子、戴眼镜，我问她：你又不是明星，怎么裹得那么严实？难道你其实不是普通老百姓，是富豪榜上的百强吗？是不是觉得我长大了，要准备告诉我真相了？
老妈一脸无语：做你的春秋大梦。我是怕不小心被人脸识别，被人盗取我的信息。
现在哪儿哪儿都要人脸识别：机场、公交、商场什么的，还有刷脸支付什么的。
鉴于老妈的一知半解，小编准备整理一篇文章分享：人脸识别是什么？识别有信息泄露风险吗？
于是，人脸识别这个词的热度也蹭蹭蹭上来了。我们一般所说的人脸识别，往往包含了多个相关的技术：
然后我们就能发现，这个过程和人自己来识别人是很相似的。人类在面部识别时，会用到大脑中的纺锤状脸部区域（FFA），但有时我们也会碰到难以辨认的面孔。比如张一山和夏雨，白百何和王珞丹，或者像这样的韩国选美大赛选手。
那么机器又是如何来完成人脸识别这项工作的呢？会比人类的眼睛做得更好吗？
人脸识别的原理
机器需要通过扫描和判断检测出人脸，即在图片/视频中找到人脸所在的位置。
通过设定好的算法，机器可以在复杂的环境中准确的找到人脸，而不是衣服、房子或动物等其他东西。
我们先回想一下，当我们来描述一个人的长相时，通常会怎么说？
你会发现，我们有意无意地都会去概括这个人面部的一些几何特征，比如脸型，比如五官。
机器也是如此，它需要去找到人脸上的一些关键点，比如眼角、鼻子、下巴的轮廓等等，把握特征，也就是定位五官关键点。
但是呢，由于人脸会以各种各样的姿态出现，如果保持“歪着”的原样，机器进行下一步的工作就会比较麻烦，所以在这里就还需要把人脸统一摆正，消除因为姿势不一致而带来的误差。
到这里，机器就会把前面人脸关键点的定位转换成具体的向量数据来表示。
接下来，机器要开始来判断这张人脸的年龄、性别等属性，并且根据设定的需要来判断这张人脸是谁、或者是否有与他重合的人脸。
那么问题就来了，机器怎么辨别这张脸是男是女，多少岁的呢？我们先想想人类是如何判断这些属性的。
我们也不是出生就会分性别，猜年龄，而是在生活中积累了大量经验，于是学会了从人脸上找到特征，然后进行判断。比如，女性的长相一般比男性温柔，年纪较大的人通常会有明显的皱纹等等。
机器也像人类一样，会通过学习来寻找规律。我们给机器一个庞大的人脸数据库，里面有海量的人脸数据，包括性别、年龄的信息。然后机器就会去学习这些数据，总结出规律：男/女性的人脸向量数据是怎样的、不同年龄段的人脸向量数据是怎样的，进行聚类。
这时你再给机器一张新的人脸，它就会通过数据的匹配来判断人脸属性了。
在人脸识别技术应用的某些场合，我们可能还需要做进一步的比对。比如，这个脸和某张脸是否是同一人，或者这个脸是谁。前者是1对1的判断，后者则是1对N的判断。
1对1的判断：比较两个人脸特征的相似度，通过与预设的阈值比较来验证这两个人脸特征是否属于同一人（相似度大于阈值，为同一人；小于阈值为不同）。
1对N的判断：将多个人脸与此人脸一一对比，找出特征相似度最高的人脸。然后将这个最高相似度值和预设的阈值相比较，如果大于阈值，则返回对应这个人脸的身份，否则返回“无对应”。
人脸识别技术是怎样区分真人还是照片？
能区分真人和照片的技术，这个研究领域叫做liveness detection，中文叫做“活体取证”。
即对着真人拍一张照片，检测应该是活体；对着照片拍一次照片，应该是非活体。
可以这样想：相机一次拍下的真人图就是活体，拿手机里面的真人照对着摄像头，摄像头捕捉到的人脸就是二次成像，就是非活体。
使用过程中既然要活体检测，肯定要有输入图的，那就是二次成像或者动漫人物，雕塑等就是非活体。
WZY-D系列人脸机离线活体检测，静默式识别，在人脸识别过程中判断操作用户是否为真人。
※ 可有效防御照片、视频、纸张等不同类型的作弊攻击，提高业务安全性。
※ 支持RGB活体、IR活体检测，可满足单目、双目人脸识别终端产品活体检测应用。
※ 目前ArcFace2.0及以上版本的SDK已经内置了活体检测，直接下载人脸识别SDK即可。
目前人脸活体检测技术已比较完善，活体检测会根据光环境、人脸轮廓、侧脸角度、表情动作等判断人脸是真人还是照片，真人是三维数据，照片是二维平面数据，想要用照片混淆真人是比较难的，所以不用过分担心万一被人拍了照片拿来做考勤、安防、人脸刷脸支付等动作。
公司以物联网技术为核心，专注于智慧物联解决方案及运营服务，致力于打造“互联网+”工程现场一站式管理的智慧工地云平台。平台针对建筑工地人员管理、设备管理、物料管理、现场管理、实时监测几大方面向工地提供各市工地实名制系统、电子围栏系统、车辆识别系统、环境监测系统等，全方位为工地提供实时化、数据化、自动化、智能化管理模式，为工地提高生产效益，降低安全事故概率，多方协同管理有效降低沟通成本。
