2014年前后，随着大数据和深度学习的展开，神经网络备受瞩目，深度学习的出现使人脸识别技术取得了打破性进展。深度学习是机器学习的一种，其概念源于人工神经网络的研讨，经过组合低层特征构成愈加笼统的高层表示属性类别或特征，以发现数据的分布式特征表示。区别于传统的浅层学习，深度学习的不同在于一方面通常有5层以上的多层隐层节点，模型结构深度大；另一方面使用大数据来学习特征，知道了特征学习的重要性。随着深度卷积神经网络和大规模数据集的最新展开，深度人脸识别取得了分明进展，基于深度学习的人脸识别技术可以经过网络自动学习人脸面部特征，从而提高人脸检测效率。从人脸表达模型来看，可细分爲2D人脸识别和3D人脸识别。基于2D的人脸识别经过2D摄像头拍摄平面成像，研讨时间相对较长，在多个范围都有运用，但由于2D信息存在深度数据丧失的局限性，搜集的信息有限，安全级别不够高，在理论运用中存在缺乏。早在2019年，就有小学生手举照片“攻破”了快递柜的人脸识别系统。基于3D的人脸识别系统经过3D摄像头立体成像，由两个摄像头、一个红外线补光探头和一个可见光探头相互配合构成3D图像，可以准确分辨出照片、视频、面具等逼真的攻击伎俩。根据运用摄像头成像原理，目前3D人脸识别主要有三种主流方案，区分是3D结构光方案（Structured Light）、时差测距技术3D方案（Time Of Flight，TOF）和双目立体成像方案（Stereo System）。基于3D结构光的人脸识别已在一些智能手机上理论运用，比如HUAWEI Mate 20 Pro、iPhone X。2009年微软推出的Kinect（Xbox 360体感四周外设）则采用了TOF方式获取3D数据，推翻了游戏的单一操作，爲人机体感交互提供了有益探求。双目立体成像方案基于视差原理，经过多幅图像恢复物体的三维信息，由于对相机焦距、两个摄像头平面位置等要求较高，运用范围绝关于3D结构光和TOF方案较窄。除了可以准确识人，精准判别捕捉到的人脸是真实的也至关重要。活体检测技术可以在系统摄像头正确识别人脸的同时，验证用户是本人而不是照片、视频等稀有攻击伎俩。目前活体检测分爲三种，区分是配合式活体检测、静默活体检测和双目活体防假检测。其中，配合式活体检测最爲稀有，比如在银行“刷脸”料理业务、在手机端完成身份认证等运用场景，通常需求根据文字提示完成左看右看、摇头、眨眨眼等举措，经过人脸关键点定位和人脸追踪等技术，验证用户能否爲真实活体本人。人脸与人体的其他生物特征（如指纹、虹膜等）一样与生俱来，它的独一性和不易被复制的良好特性爲身份鉴别提供了必要的前提。随着大数据和深度学习的不时展开，人脸识别效率分明提升，爲远程料理业务的身份认证环节提供了可靠保证。但与此同时，人脸信息维护、隐私安全等成果也应惹起注重。随着《集团信息维护法》《数据安全法》及相关司法解释的出台，国度相关部门以及各种机构对集团信息安全成果的注重，有利于引导人脸识别技术的展开方向，爲促中止业高质量展开、创造高质量数字生活提供有力支撑。（记者吴双）来源： 人民邮电报