在中国，进入高铁车站、机场安检、入住酒店或上班办理登机手续时，使用面部识别系统非常普遍。
但奇怪的是，最近有外媒报道称，面部识别系统患有“脸盲症”。
近日，有消息透露，英国伦敦警察厅部署的面部识别系统准确率仅为2%。
当美国民权组织使用亚马逊的面部识别系统扫描所有美国国会议员的面部时，其中 28 人被识别为罪犯。
这些错误引发了人们对警方使用该系统的疑问和担忧。
人脸识别是AI技术发展迅速、应用广泛的领域。
国内警方的人脸识别系统多次准确识别逃犯。
为什么国外警察的人脸识别准确率这么低？是因为评价标准不同，还是真的存在技术差异？隐私担忧或技术发展的限制使得中外人脸识别效果存在巨大差异。
航天科工智能产业发展有限公司系统综合部专家何东昌在接受科技日报记者采访时解释说，首先是国外的国情。
“一些国家认为面部识别存在隐私问题，甚至对视频监控技术的应用进行一定的限制。
”例如，在英国，面部识别和跟踪技术就引起了巨大争议，英国各界人士甚至发起了“要求警察停止摄像头面部识别”的抗议活动。
类似的情况在美国也发生过。
例如，亚马逊利用其云计算平台和人工智能技术帮助警方使用面部识别技术。
美国公民自由联盟对此提出抗议。
“国内人脸识别应用已经相当广泛，积累了大量的实践经验。
在人脸图像采集、预处理、特征选择等方面的工程优化也做得很好。
”何东昌表示，除了国情之外，在国际上，我国的人脸识别技术确实发展得比较快。
由国家标准技术研究院组织的人脸识别算法测试FRVT结果显示，我公司再次摘得桂冠。
该测试以其评估标准的严格性、一致性和全面性而闻名。
在测试中，我国人脸识别算法实现了95.5%的识别准确率，千万分之一误报，成为当时全球行业该指标的最佳水平。
清华大学媒体大数据认知计算研究中心主任王胜金教授表示，目前人脸识别有三种应用模式：1:1人脸识别、1:N人脸识别、M:N动态控制。
1:1识别的本质是计算机快速将当前人脸与人像数据库进行比对，判断是否匹配的过程。
“刷脸”登机、验票、支付都属于此类； 1:N是在海量人像数据库中查找当前用户的人脸数据并进行匹配，即从N张人脸中找到目标； M:N通过计算机识别场景中每个人的脸部，并与人像数据库进行比对动态人脸比对可用于黑名单监控、VIP客户管理系统、校园人脸识别系统等各种场景。
“英国警察局的情况不一定是识别准确率低，可能是某些情况下采集到的图像不理想，或者采用M:N人脸识别来达到更高的破案率和破案速度，牺牲了一定程度上的准确性。
”何东昌说。
保护“刷脸”信息需要多管齐下。
在信息即价值的时代，个人隐私信息的商业价值日益凸显。
在人脸识别技术蓬勃发展的同时，社会上也存在着对其是否会侵犯隐私、人脸是否可以“造假”等担忧和疑问。
对此，何东昌认为，目前，面部识别在国内领域正逐步从消费电子领域引入到安防、在线支付、金融等领域。
但新技术具有“双刃剑”属性，其中隐藏的安全风险值得警惕。
尤其是在“刷脸”过程中，用户的姓名、性别、年龄、职业，甚至用户在不同情况下的情绪等大量信息被收集并存储。
如果这些信息没有妥善保存而被泄露，用户的个人隐私将处于“裸露”状态。
“因此，面对人脸识别带来的个人隐私问题，我们必须从多个角度进行保护。
目前，在人脸识别技术领域，我国还没有相应的安全监管机制，所以我们应该做好准备尽早采取预防措施。
”何东昌说道。
微软总裁兼首席法务官布拉德·史密斯也在他的博文中表示：“考虑到这项技术可能被滥用以及广泛的社会影响，政府关于面部识别的立法似乎尤为重要。
” “注意我们的脸。
”公民要加强警惕和防范，企业要加强技术保障，监管要及时跟进。
业内人士还建议，政府应从管理者的角度通过立法加强人脸识别领域的监管，确保公民个人信息的安全；相关行业和企业要提高应用软件等载体、存储设备的安全技术水平，增强网络安全意识。
、防止公民隐私信息被泄露或者非法转售；不应收集非必要的私人数据。
目前，人脸识别技术的发展仍有巨大的拓展空间，有必要国家加大对数据共享和开放的引导力度，推动技术发展。
另一方面，人脸识别技术正在逐渐成熟，并将应用于越来越多的应用领域。
尽快出台识别技术的各项标准，特别是保护公民隐私的标准；相关行业和企业需要承担社会责任，主动在地方规范行业标准，自觉维护收集和存储的公民隐私数据的安全。
对于人脸识别技术了解多少？目前，国内外人脸识别技术发展正在加速，技术路径较多。
何东昌表示，主流的人脸识别技术基本上可以分为五类。
其中，基于模板的匹配方法直接将待处理人脸图像与数据库中的所有模板进行匹配，选择匹配最相似的模板图像作为待处理图像的分类。
然而，由于数据库中每个人的模板图像数量有限，不可能覆盖现实中所有复杂的情况。
简单模板匹配仅使用相关信息，对背景、光照、表情等非相关信息非常敏感。
因此，该方法仅适用于理想条件下的人脸识别，并不适合在实际场景中应用。
基于几何特征的方法，即人脸具有不同形状和大小的部位，例如鼻子和嘴巴。
通过比较这些部件的形状并检测部件之间的位置，实现人脸识别。
与基于模板的匹配方法类似，形状、距离等信息无法表达图像中的姿态、表情等非线性因素，导致该方法的可靠性和有效性较低。
基于人工神经网络的方法直接使用图像像素作为神经网络的输入。
通过模拟人脑神经元的工作机制，可以学习其他方法难以实现的隐式面部特征表示。
而且神经网络具有非线性激活函数，使得网络具有一定的表达人脸图像中的非线性因素和关系的能力。
在基于稀疏表示的人脸识别方法中，用于稀疏表示的“字典”直接由所有用于训练的图像组成，不需要字典学习。
最后一个是基于深度学习的人脸识别方法。
其核心内容是逐层训练的网络结构。
每层都使用自动编码神经网络。
自编码神经网络主要包括数据编码和解码两部分。
通过编码和解码实现对输入数据的无监督学习，识别能力随着数据的增长而逐渐提高。