生物认证（Biometrics）是利用每个人独一无二的生理特征以确认身份的科技，其中以指纹辨识的发展与应用最早，甚至可以回溯至古代中国，也最广为世人所知。

除指纹外，近十余年的生物认证技术更发展到掌纹、脸面、虹膜、视网膜、笔迹及声纹辨识；而这些利用不同特征开发出的辨识技术各有擅长。例如虹膜及视网膜辨识解决了在某些场合中使用者必需取下手套进行指纹辨识的不便；而脸面辨识更提供了一种无需接触（Hands-off）式的身份确认机制。若脸面辨识结合视讯监控系统，更可在无声无息中进行身份比对与确认，此一主动性身份辨识，无需受测者相应配合的科技，拥有其它生物认证无法提供的吓阻力，给与人无限的想像空间。

这些独特的应用潜力与高难度的开发门槛，使脸面辨识成为近十年来最具挑战性的生物认证科技。虽然目前的生物认证市场仍以指纹辨识占超过百分之五十的比重，但脸面辨识与其它利用不同特征开发出的辨识科技正以独有特色，抢占市场中，请参考图一所示。

《图一 2003年各类型生物物认证市场占有比》

万人迷也靠一张脸

人脸是人与人相识最直接的媒介。曾有研究显示，若将一位家喻户晓的明星的全身脱帽照片中脸部除去，将有高达百分之九十三的受测者无法再度辨识此人。这个结果说明若一位万人迷的脸部被覆盖时，他即刻变为一个陌生人。

此研究更有趣地指出，若逐渐将脸部影像部份复原时，如果​​在眼睛部份先复原，则有百分之三十五的受测者可以正确辨识此人；但如果是从嘴唇部份先复原，则仅有不到百分之十二可正确辨识；就算是复原了占较大面积的口鼻部份，也仅有百分二十六的受测者可以正确辨识。这大体显示了人脸确实是人与人相互识别最重要的部分（因为若将指纹或掌纹进行类似的研究，可能没有一位受测者可以正确辨认），而眼睛可能是人脸中最具代表性的特征。人脸辨识也因此被认为是最自然、最人性化的生物认证科技。

人脸辨识技术的演进

人脸辨识的极致即是利用电脑视觉模拟出人类超高智慧的视觉能力，但这可能是一条漫长的路。回顾人脸辨识的发展史，从1991年麻省理工学院（MIT）发表Eigenface技术以来，已有数百篇学术论文，数十类不同的方法陆续在这十余年间发表。但毕竟学术研究的成果不保证商品开发的成功，因为从实验室走出来到通过实际应用环境的严苛考验，是需要长时间的反覆测试。

人脸辨识的早期商品于1996年左右问世，但因难脱离学术实验品的功能与限制，​​致使应用价值大打折扣。但是商品化的活动却在学术界与工业界刺激了更大规模的研发投入，而美国国防部更透过国防尖端研究产品管理处（Defense Advanced Research Products Agency，DARPA）举辨了人脸辨识科技系列计画（Face Recognition Technology，FERET），提供人脸影像资料库与辨识方法评比活动，以促进人脸辨识的相关研发与技术提升。

因此，在1996到2003年的八年之间，人脸辨识成功地脱离实验室中半成品的阶段，而跨入可实际应用的商品阶段。 2000年可被视为人脸辨识科技迈入应用商品纪元的元年，因本年度DARPA会同了其它机构，共同举行了首次全球性的人脸辨识科技产品供应商测试评比（Face Recognition Vendor Test，FRVT ）以评估当时全世界仅有的数家供应商的技术成熟度，并将测试结果公诸于世，以促进相关发展。

虽然截至目前（2004年）为止，人脸辨识的技术仍有许多尚待改进之处，但成功的应用案例也逐渐增加。在2001年的911事件之后，人脸辨识更被视为唯一一项可以结合视讯监控系统并主动反应的生物认证科技，应用潜力倍受看好，令人对此科技充满期待。

人脸辨识技术概述

人脸辨识的使用模式可分为两大类，一为1对1的身份确认，另一为1对多的身份搜寻。在进行1对1的身份确认时，使用者需先输出使用者名称或代号，然后摄影机会撷取使用者的脸部影像并立即判断这一脸部影像是否的确属于该使用者。此即为一般用户名称（Username）与密码（Password）两者合而为一、缺一不可的模式；而人脸就是你的密码，但你无需记忆这组密码，也无需担忧可能失窃或遗失。

而在1对多的身份搜寻时，使用者并不需要输出用户名称，系统会把摄影机撷取到的脸部影像与资料库中所有的用户进行比对。 1对多的身份搜寻可近似为多个1对1的身份确认的组合，因此，所需的处理时间几乎与资料库中用户的总数成正比，而在人数庞大时，错误机率较高，处理也较费时。

以错误率来评估辨识能力

人脸辨识系统的优劣可由两种错误率进行评估：一为错误拒绝率（False Rejection Rate），另一为错误接受率（False Acceptance Rate）。错误拒绝率量测一位合法使用者在一般的使用状况下，被系统误认成非法使用者而拒绝该使用者进入的比率。错误接受率则量测一位非法使用者在一般的使用情况之下，被系统误认成合法使用者而接受该使用者进入的比率。一个理想的人脸辨识系统，不论是错误拒绝率或错误接受率都必需保持在极低的状态。

人脸辨识的技术核心

不论是1对1的身份确认或1对多的身份搜寻，人脸辨识的技术核心都含有三项步骤：人脸侦测（Face Detection），人脸追踪（Face Tracking），与人脸识别（ Face Identification）。

想像一个旅者在丛林密布中由远而近向你接近，如果你要确定他是否为你认识的人，你的脑与眼开始进行如下的动作：先找到此人并希望看清他的脸，此即为人脸侦测；若此人被找到时，可能因距离太远或密林中阴影太重让你无法看清，你可能会注视着他，并且目光随之而动，此即为人脸追踪；待你看清此人，经脑中记忆比对，你确定他是你的邻居，此即为人脸识别。

由此可知，若要能识别，必须先有记忆，人脑如此，电脑也如此。所以人脸辨识的工作流程可区分为注册与辨识二种，而注册即是训练电脑认识你并记得你。注册的流程如图二所示：

《图二 人脸注册工作流程》

人脸注册

注册时，系统会运用人脸侦测器（Face Detector）中人脸侦测与追踪模组自动地由摄影机的影像中取得人脸部份影像，人脸影像会被人脸识别模组中的特征撷取器（Feature Extractor）转化为数值特征（Numeric Features），进而由人脸模型建立器（Model Builder）完成供识别用的人脸模型并储存于资料库中。

人脸识别

人脸识别的流程如图三所示，流程中的前半段与注册流程的前半段相同，人脸的影像先被定位、撷取、再转换成数值特征。后半段时，人脸识别模组中的身份决策机制即扮演关键工作，它将撷取到的未知脸部数值特征与资料库中的人脸模型进行比对，若结果相容，则将资料库中相对应的身份或其相关属性输出，若不相容，则将此未知的人脸影像储存并立刻传送至相关单位以进行即刻反应或后续查寻。可将陌生人的脸面影像储存并传送以供后用，也是人脸辨识系统特色之一。

《图三 人脸识别工作流程》

上述之人脸侦测，追踪，与识别三项步骤均各有开发上的难度与挑战，分别简述于下：

侦测

人脸侦测的挑战在于如何将人脸从复杂的背景之中分离出来，如上述密布的丛林中找寻人脸即为一例。利用肤色来区分人脸的可能区域（Possible Facial Area）以别于非人脸区域（Non-facial Area）是一种有效的方法。待人脸可能区域被分离出后，再利用一些规则判断（Rule-based Search）或特征搜寻法（Feature-based Search）将人脸找出。但这个方法的缺点在于当光源过强、光源不足，在有色光源下，逆光环境，或背景含大区块近肤色物体时，侦测效果不甚理想。而若使用黑白摄影机，此方法将完全无用武之地。

另一类方法乃利用分类器（Classifiers），例如类神经网路（Artificial Neural Nets） 或近年来颇受重视的支持向量机（Support Vector Machines）均为不错的选择，而且可以避免上述以肤色发展出的方法的部份缺点。但分类器需要极为庞大的训练样本以供其学习，而如何取得足够多且内容够丰富的样本却是一大难题。如果训练的样本不够丰富，分类器的误侦率（False Detection Rate） － 即把非人脸误认为人脸的比率，可能会高过利用肤色的方法。

追踪

人脸追踪的挑战在于如何将人脸或整个头部锁定。利用肤色也是解决这类问题重要的方法之一，其缺点已于前述。而利用一个在电脑内建的立体模型比对追踪对象的特征追踪，则是一个可以克服肤色追踪缺点的方法。但其缺点是所需计算能量过于庞大，应用在即时系统（Real-time System）时，需极高速的运算硬体配合。

事实上，人脸追踪可视为人脸侦测的辅助功能，因侦测的搜寻区域遍及整张影像，故较费时；而追踪是在人脸被侦测到之后，利用前后张连续影像的资讯，省略整张搜寻的步骤，可以利用较少的计算资源而较快速地搜寻到人脸，故所需计算能量庞大的方法并不适合应用在解决人脸追踪的问题。

识别

人脸识别的挑战在于如何在不同环境、不同表情、不同视角下，依然可以精确完成识别动作。从1991年麻省理工学院发表Eigenface技术以来，已有数十种识别的方法陆续在这十多年中推出。 Eigenface乃利用许多人脸影像样本进行主要成份分析（Principal Component Analysis，PCA）以抽取不同人的人脸影像中共同存在的主要成份影像（即Eigenface），并利用这些Eigenface简化原人脸影像的代表方式。

这方法还可以配合线性区分法（Linear Discriminant Analysis）以增加不同人之间的差异性（Between-Class Variation）并同时降低同一人不同影像间的差异性（Within-Class Variation），提升识别的精确度。这类方法目前仍广受重视，有许多改进的建议仍不断地被提出。

其他特征取得图形

除Eigenface之外，弹性群组图型（Elastic Bunch Graph Match）亦是一个非常精确而严谨的方法。弹性群组图型利用不同波长与不同方向性的小波转换（Gabor Wavelets）撷取脸部影像中特征点的影像特性，利用这些特征点影像特性因人而异的事实来区分人脸。这个方法虽然识别结果精确，但因特征点必需精密取得，而所需运算资源庞大，以致降低其在即时应用（Real-time Applications）的价值。

此外，隐藏式马可夫模型（Hidden Markov Model），独立成份分析（Independent Component Analysis, ICA），以及前述之类神经网路（Artificial Neural Nets）及支持向量机（Support Vector Machines）均被证明在处理静止图像（Still Image）的人脸识别时各有千秋。有的虽然结果精确，但计算繁杂，处理费时；有的对光源敏感，故光源稍微变化，识别结果立刻下降。但这些方法也因不断的改进，推陈出新，而孕酿出目前已商品化的人脸辨识系统。而一旦有些方法被改良到可商品化的阶段,通常也被厂商列为商业机密,难以再窥其精髓所在。

《图四 辨识系统会自动捕捉人脸》

应用实例及尚待解决的问题

成功应用人脸辨识系统的案例并不少，但大多是以门禁控制与身份确认为主。例如澳洲雪梨机场即利用人脸辨识简化了航班机组人员入出关时的身份确认手续。这种1对1的身份确认，是目前应用方式的主流。但也有不少发生争议的案例。

2001年美国超级杯足球赛（Super Bowl）曾利用摄影监控系统结合人脸识别软体过滤参观群众，希望能找出常在球赛滋事的份子；虽然从数万群众中找出19位可疑份子，但除部份有前科记录外，其余均是误认（False Alarm）。主导此一系统装置的Tempa市政府在事后被国际隐私权保护组织（Privacy International）评为最差的公共行政单位。

而在911事件后，美国几家机场，如波士顿的Logan机场、旧金山国际机场、及加州的Fresno机场均开始试用人脸辨识系统。但却因误认率过高，而无法全面有效实施。

误认率的探讨

要探讨为何在某些应用场合，人脸辨识系统造成较高的误认率，我们必须再回到1对1的确认与1对多的搜寻。假设有一组100人的资料库，而且库中人与人脸部差异性很大，无相互误认之虞。我们随意指定其中一名为受测者，假设我们无法得知此受测者的用户名，但却知道这资料库中全部100个人的用户名，在进行1对1的确认测试时，这名受测者人被成功认出的机率为1%；但在1对100的人脸搜寻时，只要完成一次从头到尾的比对，此人立刻被辨认出，也就是说辨识成功率达100 %。

在机场利用人脸辨识搜寻可疑份子时，我们是以上百或上千的人脸资料库去比对每天最少上万的进出旅客，而比对模式是1对多。所以只要是与资料库中任何一位长相近似的旅客均可能被列为“嫌疑人”，这也就是为什么在机场搜寻恐布份子或在球场观众席中搜寻可疑份子时，误认率偏高的原因。而在门禁控制，如上述之雪梨机场机组人员出入境管理的方案中，其辨识模式为1对1，误认机率大幅减低，故可成功实施。

事实上，目前几乎所有的生物认证产品都是应用1对1​​的确认模式，因为1对多的搜寻比对不仅误认率过​​大而且比对费时。但因人脸辨识是仅存的一种主动型的生物认证科技，可在受测者完全不知不觉中完成身份比对，所以极适合应用于1对多型态的嫌疑者搜寻。

结语

因为具有惊人的应用潜能与极具挑战的技术门槛，人脸辨识成为未来十年内最受重视的生物认证科技。美国自2004年起在海关设置生物认证身份查核机制，所有旅客必须留下二枚指纹与脸面影像。指纹采集是为了配合目前已经成熟的指纹辨识技术，但指纹辨识缺点仍多，未来可能不敷需求，故再加上脸面影像的资料储存，待人脸辨识技术更成熟时，必可有效加强公共安全，并同时提高身份查核的效率。

可能将来有一天，在你出入海关进行证照查验时，你会看不到查验人员，你仅需对一具装饰可爱的摄影机面带微笑，然后顺利愉快地进出国家大门。 （作者现职为蒙恬科技生物认证技术处处长，作者联络方式:jison@penpower.net）

延 伸 阅 读	Personalizing Smart Environments: Face Recognition for Human Interaction 这是由大师Tanzeem Choudhury对人脸辨识研究所做的介绍，深入浅出。 人脸侦测 由工研院资讯所所做的人脸辨识报告，就人脸侦测的技术，以实际的实验设计跟纪录来解说其运作方式与原理。 Q&A On Facial Recognition 提供相当完整的Q&A，针对人脸辨识的各种问题作解答。

相关组织网站	国际生物认证组织 生物认证学院 蒙恬科技 麻省理工学院人脸辨识研究