点击蓝字
关注我们
张丽伟
不止研读法条，结合真实案例与隐私技术实现，读懂人脸生物信息的全链路防护。
壹
你的脸正在被“偷”吗？
图源：AI 生成
刷脸进门、刷脸开柜、刷脸支付……曾几何时，人脸识别因“无感便捷”成为科技进步的代名词。但当小区门禁把“刷脸”变成唯一通行凭证，当健身房更衣室储物柜的摄像头盯着换衣瞬间，当地铁站闸机的人脸识别系统未经确认就留存面部信息，我们不禁要问：无感便捷的代价，难道是交出自己最敏感的“脸”？
2025年6月1日，国家网信办、公安部联合发布的《人脸识别技术应用安全管理办法》正式施行。可仍有商家在悄无声息地“偷脸”。这种情况下，普通用户该不该“给脸”？作为产品与技术提供方，实现业务功能时，能不能做好“护脸”而不是滥用生物信息？
一张人脸的完整处理链路如下图所示。
图源：AI 生成
贰
“丢脸“失踪案
在数字化渗透生活场景的今天，人脸识别技术的普及与隐私权益的保护正形成愈发突出的现实张力。当人脸识别成为生活标配，你以为是便利，实则可能踏入隐私陷阱。下面这些真实案例，既展现了人脸识别技术应用中的典型隐私风险，也折射出不同场景下的合规边界与改进方向。
全国人脸识别第一案：脸不能说刷就刷
2019年，杭州郭某办理了野生动物世界年卡，双方约定使用指纹入园。半年后景区突然通知“指纹停用，必须刷脸，否则不让进”。郭某拒绝刷脸后竟被拒之门外，愤而起诉。
2020年11月，富阳法院一审认定景区单方变更验证方式属于违约，判决景区赔偿郭某1038元，并删除其办理年卡时提交的包括照片在内的面部特征信息；2021年4月，杭州中院二审又在原判基础上增判删除其指纹识别信息。
划重点：这个案子之所以被称为“全国人脸识别第一案”，在于它第一次用司法判决告诉行业：入园方式不能说改就改，你的脸也不能说刷就刷。对应《办法》第十条：需存在其他识别技术方式，不得将人脸识别作为唯一验证方式；个人不同意通过人脸信息验证身份时，应当提供其他合理、便捷的方式。
图源：AI 生成
中小学的“无感抓拍”人脸监测
某地中小学在校门口部署无感人脸识别系统，用于学生入校考勤与人流识别。该系统未明确告知采集用途、未取得学生及监护人单独同意，违规采集人脸这类敏感个人信息；设备采集范围广，存在过度采集问题。
系统宣称仅做人流统计，后台却留存学生人脸特征，且未加密存储，同时未落实个人信息保护影响评估、缺少数据删除机制，存在较高信息泄露风险，引发家长争议。
红线提示：这一案例触碰多条红线：未显著告知采集行为（《办法》第十三条）；人脸信息属于敏感个人信息，处理需单独同意（《办法》第六条），不满十四周岁未成年人的还需取得监护人同意（《办法》第七条）；同时人脸信息应优先存储于设备本地、保存期限不得超过实现处理目的所必需的最短时间（《办法》第八条）。
图源：AI 生成
更衣室里的“隐形眼睛”
2025 年 8 月，某市服饰批发城试衣间被发现顶部装有摄像头，引发隐私争议。店员仅含糊表示大概率没有拍到。经警方核查，摄像头并未启用，已责令拆除，但该事件折射出经营场所隐私防护漏洞。
法律红线：依据《个人信息保护法》，人脸信息属于敏感个人信息；试衣间、更衣室属于禁止非法拍摄窥视的私密空间。相关管理办法明确，不得在更衣室、卫生间等私密区域安装人脸识别设备。
案例启示：即便摄像头未通电、人脸识别功能未启用，部署在私密场景本身就存在隐私隐患。企业做好隐私保护不能只看设备是否启用，应当从源头管控，私密场景里有风险的设备坚决不安装。
图源：AI 生成
警惕 AI 换脸黑色产业链：静态人脸照片
沦为“数字钥匙”
2024 年 6 月，杭州警方侦破全国首起 AI 换脸侵犯公民信息案。团伙仅凭一张静态人脸照片，利用 AI 工具生成带眨眼、转头等动作的动态视频，绕过平台人脸识别核验，非法登录他人账号窃取信息。
产业链分工清晰：上游搜集网络高清人脸照片，技术人员制作 AI 活体视频，下游承接账号过户订单。相关服务价格 500 至 5000 元不等，案件累计关联 150 余起盗号，篡改十余个电商店铺法人信息，非法获利 10 万余元，有受害者名下店铺被悄无声息过户。
该案例凸显 AI 环境下人脸信息极易被伪造，单一人脸验证存在短板。团伙行为违反《个人信息保护法》《互联网信息服务深度合成管理规定》，主犯被判三年两个月。
这警示：不能只依靠活体检测，平台应采用人脸、声纹等多模态核验，用户也不要随意上传高清正面人脸原图。
图源：AI 生成
叁
“给脸”的三条合规底线
从公共空间的无感通行，到商业场所的智能管理，人脸识别技术在提升效率的同时，也因“无感采集”、“场景越界”等问题频繁触碰隐私红线。这些隐私风险的暴露，恰恰是推动隐私保护从“被动应对”转向“主动合规”的关键契机。
《人脸识别技术应用安全管理办法》为人脸处理划定了三条核心红线，企业做产品时一定要记牢：
红线一：同意要“单独签”。人脸属于敏感个人信息，不能打包捆绑在服务协议、隐私政策里一揽子勾选，必须取得个人在充分知情前提下自愿、明确作出的单独同意（《办法》第六条）；处理不满十四周岁未成年人脸信息的，须取得其监护人的同意（《办法》第七条）。
红线二：存储有“保质期”。人脸信息应优先存储于人脸识别设备本地，非必要不上传云端；保存期限不得超过实现处理目的所必需的最短时间（《办法》第八条）。业务结束就要及时删除，存储必须加密。
红线三：必须有“Plan B”。需存在其他非人脸识别技术方式，不得将人脸识别作为唯一验证方式；用户拒绝刷脸时，必须提供密码、验证码等替代方案（《办法》第十条）。
此外还有两条容易被忽略的硬要求：应用人脸识别技术处理人脸信息前，应当事前进行个人信息保护影响评估（PIA，见《办法》第九条）；人脸信息存储数量达到10万人的，应当在30个工作日内向所在地省级以上网信部门履行备案手续（《办法》第十五条）。
图源：AI 生成
肆
隐私技术盾牌——“偷不走、用不了”
法律划底线，真正落地还得靠技术。在人脸信息频繁遭遇泄露、滥用的风险下，“能防护、可管控”的隐私技术体系，正成为守护人脸信息安全的核心盾牌——通过从采集、传输、存储、使用、销毁全流程嵌入防护机制，让非法获取的人脸信息“偷不走”，即便数据泄露也“用不了”。
以下均为原理演示伪代码，仅用于解释技术思路；生产环境还需补充密钥管理、异常捕获、风控、审计、容灾等安全能力。
图源：AI 生成
数据最小化：只取人脸区域，相机随用随关
建议：相机不要拍摄完整画面，只裁剪业务真正需要的人脸 ROI 区域；业务完成立刻相机关闭相机流，禁止后台静默抓拍。从源头减少无关信息采集，也就减少了泄露时的损失。
# 仅原理演示：采集阶段人脸区域裁剪，丢弃无关背景def get_face_roi(raw_frame):face_box = face_detect(raw_frame)# 算法检测人脸坐标if face_box is None:return Noneroi_frame = raw_frame.crop(face_box)# 只截人脸，不存完整原图return roi_frame# 业务完成，立刻释放相机，禁止后台持续采集def close_camera_after_verify(cam):cam.stop_stream()cam.release()
注意点：从源头减少采集面；局限在于无法抵御人脸本身被偷拍，属于降低影响面而非杜绝。
端侧本地推理：人脸原图“不出设备”
建议：人脸检测、特征提取在手机或本地盒子完成，原始人脸图片不上传云端，只把特征向量上传；极致场景下比对也本地完成，特征完全不离开设备。好比体检：原始影像留在医院本地，只向外传检测指标。
# 仅原理演示：端侧提取，原图不落地上传def local_extract(roi):feature = local_model.extract(roi) # 端侧算法算特征向量del roireturn feature# 服务端只收到特征，拿不到照片def verify(feature, enroll_feature):return cosine_sim(feature, enroll_feature) >= threshold
注意点：隐私更强，但要承担端侧算力与模型下发成本；本地推理模型若被逆向破解仍有风险，不是“本地了就绝对安全”。
人脸特征加密存储：数字指纹不能明文放
数据库
建议：就算特征存进数据库，也要加密。数据库被拖走，拿到的也是密文，没法直接用来比对。
误区提示：这里必须先破除一个高频误区：MD5、SHA-256 这类普通哈希不适合人脸特征。因为人脸特征是浮点数数组，哈希之后无法做相似度比对，起不到“匿名化+可比对”的作用。工程上主流方案有两条路线。
路线 A：AES 对称加密存储特征向量，密钥独立管理、和业务库分离。
# 仅原理演示：人脸特征序列化后 AES 加密存储from cryptography.fernet import Fernetkey = kms.load('face-feature-key') # 密钥独立托管，不写在代码里cipher = Fernet(key)def encrypt_feature(feature_vector):return cipher.encrypt(feature_vector.tobytes())def decrypt_feature(encrypted):return np.frombuffer(cipher.decrypt(encrypted), dtype=np.float32)
路线 B：密态比对（PSI 隐私集合求交/同态加密）。让服务器在“加密状态”下完成比对，全程看不到明文特征，只返回“是不是同一个人”的结论。
# 仅原理演示：密态比对思路，不展开数学enroll_c = encrypt(enroll_feature,pk) # 注册特征加密上传query_c= encrypt(query_feature, pk) #待比特征加密上传result= secure_compare(enroll_c, query_c)# 密文下比对returnresult # 服务端只拿到结论，拿不到明文特征
注意点：AES 能防“静态拖库直读”，但密钥必须独立管理，否则等于没加密；PSI 安全性极强，但算力、带宽、时延开销大，多数高频 C 端业务难以大规模落地，不要盲目神化，按业务风险取舍。
可控特征扰动：给数字指纹加一点可控噪声
建议：在不影响识别通过率的前提下，给人脸特征向量增加可控噪声，降低跨库匹配、人脸重建攻击的风险。
# 仅原理演示：特征扰动def add_perturbation(feature, seed):rng = random(seed) # 由用户/业务绑定种子noise = rng.normal(0, eps, len(feature))return feature + noise # 扰动后仍可做相似度比对
注意点：扰动是缓解手段，有边界——只能降低风险，不能做到“完全不可关联”，不是绝对安全的；噪声过大会降低识别准确率，需要在“可用”和“安全”之间平衡。
TTL 自动过期 + 敏感数据安全擦除
建议：临时用于核验的素材、临时特征，设置有效期，到期自动清理。
特别提醒高频踩坑点：逻辑删除不等于真实删除。数据库只做标记删除，磁盘、Flash 底层数据仍残留，可以被工具恢复。用户申请删除人脸时，需要覆写敏感存储，并把缓存、备份里的全部副本一并清干净。
# 仅原理演示：人脸临时数据 TTL 自动清理def clean_temp_face_data():recs = db.query('''select * from temp_facewhere expire_time <now()''')for r in recs:secure_overwrite(r.id) # 不是仅标记is_deleted，底层覆写db.delete(r)
注意点：临时推理缓存必须设 TTL 并自动清理；涉及人脸敏感数据的介质，删除要覆写，防止被恢复工具提取。
最小权限 + 不可篡改审计日志：谁查过
你的人脸，全部留痕
建议：任何人读取、比对、导出人脸特征，必须鉴权；完整留存审计日志，记录操作人、时间、操作类型、关联用户标识，日志加密保护、不可随意篡改。
def face_compare_service(user_id,feature):assert current_operator().role in {'face_admin', 'face_audit'}audit_logger.log(operator=get_current_operator(),op_type='FACE_COMPARE',target_user=user_id,timestamp=time.time(),)return face_match(feature)
注意点：日志本身也涉及个人信息，需加密保存并定期归档；读、比对人脸记录一律留痕，支撑事后溯源与合规举证。
总之，各类隐私增强技术均存在能力边界，无法实现绝对安全。隐私保护并非一次性消除风险，而是通过多层防护体系持续提升攻击成本，增大攻击者的实施难度。
伍
“脸”该如何安放？三招守住你的“脸”
图源：AI 生成
建议：就算特征存进数据库，也要加密。数据库被拖走，拿到的也是密文，没法直接用来比对。
对个人：“三查三拒”法则
查标识：公共场所部署刷脸设备却无显著提示标识的，直接拒绝使用；
查选项：商家声称“只能刷脸没有别的办法”？依据《办法》第十条，你有权要求提供密码、验证码等替代方案；
查权限：App 索取人脸授权，先看处理用途，与业务无关的非必要授权，坚决拒绝。
对企业产品与研发团队：别踩 3 个坑
坑1：只删照片，特征向量永久保留。用户删了账号，前端图片删干净，后台数字指纹还在，照样能比对。删除要“全链路”，连缓存、特征、备份一起清。
坑2：以为做个哈希就等于匿名化。人脸是浮点数向量，简单 MD5/SHA 哈希之后无法做相似度比对，也起不到脱敏作用。要用专门的特征扰动、不可逆变换。
坑3：临时缓存不设过期。大量过期人脸素材堆积在服务器，一旦泄露全是“定时炸弹”。要设 TTL 自动清理，敏感介质删除时覆写擦除。
补充红线：此外，上线人脸业务前必须完成个人信息保护影响评估（PIA）；人脸信息存储达 10 万人须在 30 个工作日内向省级以上网信部门备案（《办法》第十五条）；人脸数据严禁私下交易——违反《个人信息保护法》处理敏感个人信息，情节严重的，最高可处五千万元以下罚款或上一年度营业额百分之五的罚款。
🗒️企业落地自查清单（可截图收藏）
业务是否真的必须使用人脸识别？优先评估短信、密码等不需要人脸的替代方案；
人脸采集是否做到最小范围？相机使用完毕是否及时关闭？
是否不必要地持久保存人脸原图？人脸特征向量是否加密存储？
临时推理人脸素材是否设置 TTL 自动过期、敏感介质删除时覆写擦除？
人脸采集是否独立单独同意、未捆绑隐私协议？未成年人是否取得监护人同意？
若把人脸素材用于模型训练，是否取得用户单独授权？
人脸读取、比对操作是否留存不可篡改的审计日志？
用户申请删除人脸信息时，缓存、备份、副本是否全部清理干净？
陆
给脸是信任，护脸是责任
人脸识别本是“让生活更简单”的技术，不该变成“偷隐私”的工具。
《人脸识别技术应用安全管理办法》的施行，目的不是禁用刷脸，而是守住“技术向善”的底线——用户给脸，是因为产品值得信任；企业非必要不收脸，是因为用户隐私不容侵犯。
很多人觉得隐私合规只是写好弹窗文案、更新隐私政策文档。但看完这些案例和技术原理就会明白：合规不是文案团队的工作，真正的人脸隐私保护，写在采集逻辑、加密算法、存储策略、删除销毁的每一行代码里。
转发提醒家人：你的脸，比普通密码更重要。护好每一张脸，也护好每一份信任。
往期精彩合集
●当 AI 说“完成了”，你敢信吗？
●OWASP LLM Top10 2026：AI 安全进入治理时代
●自进化长效智能体：Prime Agent 项目全方位解析
●AI 重构软件供应链安全：既是“矛”，也是“盾”
●色不异空——不可思议的“侧信道攻击”
