1

什么是人臉識別？

人臉識別 ( Face Recognition) 是一種基于人的面部特征信息進行身份識別的生物特征識別技術 。近年來 ， 隨著人工智能 、 計算機視覺 、 大數據 、 云計算 、 芯片等技術的迅速發展 ， 人臉識別技術取得了長足的進步并且在眾多場景中得以成功應用 。

廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術 ， 包括人臉視圖采集 、 人臉定位 、 人臉識別預處理 、 身份確認以及身份查找等 ；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術和系統 。此外 ， 部分應用場景下還可能涉及質量評價 、 活體檢測等算法模塊。

人臉識別的應用模式主要包括三種：

（1）、人臉驗證 (Face Verification) : 判定兩張人臉圖像是否屬于同一個人 ，常用于身份認證如人證核驗 。

（2）、人臉辨識 ( Face Identification) : 給定一張人臉圖像 ， 判斷是否在注冊庫中 ， 若在則返回具體的身份信息 ， 常用于靜態檢索或動態布控 。

（3）、人臉聚類 ( Face Clustering) : 給定一批人臉圖像 ， 將相同人的圖像歸類到同一個類 ， 不同人的劃分為不同的類 ， 常見的應用有智能相冊 、 一人一檔等。

2

技術細節

1、 人臉識別技術原理

當今主流的人臉識別算法 ， 主要包括人臉檢測 、 人臉預處理 、 特征項提取 、比對識別 、 活體鑒別五大步驟 。其中人臉檢測 、 人臉預處理 、 特征項提取可統稱為人臉視圖解析過程 ， 即從視頻和圖像中檢測出人臉 ， 通過圖像質量判斷 ，選取合適的人臉圖片 ， 提取人臉特征向量 ， 用于后續比對識別 ；比對識別處理可以分為人臉驗證 （ 1 ：1 ） 和人臉辨識 （ 1 ：N ） 兩類 ；活體鑒別算法用以判斷人臉識別處理中的人臉圖像 ， 是否采集自真實人體 。

在實際應用中 ， 除了上述人臉識別算法 ， 前端視圖采集技術 、 人臉數據存儲技術 、 應用軟件管理技術也是人臉識別技術應用中重要的技術部分 。

2、人臉識別技術優勢及局限性

● 技術優勢。在不同的生物特征識別方法中 ， 人臉識別技術有其自身特殊的優勢 ， 因而在生物識別中有著重要的地位 。

（1）、 非侵擾性 ， 人臉識別無需干擾人們的正常行為就能較好地達到識別效果 ， 只要在攝像機前自然地停留片刻 ， 用戶的身份就會被正確識別 。

（2）、便捷性 ， 人臉識別采集設備簡單 ， 使用快捷 。一般來說 ， 常見的攝像頭就可以用來進行人臉圖像的采集 ， 不需特別復雜的專用設備 。圖像采集在數秒內即可完成 。

（3）、友好性 ， 通過人臉識別身份的方法與人類的習慣一致 ， 人和機器都可以使用人臉圖片進行識別 。

（4）、非接觸性 ， 人臉圖像采集 ， 用戶不需要與設備直接接觸 。另外 ， 可以在比較遠的距離進行人臉圖像的采集 。裝配了光學變焦鏡頭的攝像頭 ， 焦距可以提高到 10 倍以上 ， 使景深范圍擴展到 50 米以外 ， 實現對遠景清晰拍照 ，有效采集遠處的人臉圖像 。

（5）、可擴展性 ， 在人臉識別后 ， 通過對識別結果數據進行下一步處理和應用 ， 可以擴展出眾多實際應用方案 ， 如應用在出入門禁控制 、 人臉圖片搜索 、上下班刷卡 、 非法人員識別等各個領域 。

（6）、隱蔽性強 ， 安全領域對于系統隱蔽性有較強要求 ， 人臉識別在這方面比指紋等方式更具優勢 。

（7）、強大的事后追蹤能力 ， 系統記錄的人臉信息是非常重要且易于利用的線索 ， 更加有利于進行事后追蹤應用 。

（8）、準確度高 ， 相比于人體 、 步態等其特征 ， 人臉特征具備更強的鑒別性與更低的誤報率 ， 所能應用的底庫規模上高出許多 ， 目前超大規模 （ 十億級別 ） 的人臉檢索已經可以實用 。

●技術局限。人臉識別技術由于相似臉 、 年齡 、 算法偏見 、 面臨的場景多樣化以及人臉圖像更易公開獲取等原因 ， 技術本身也面臨著一定的局限性 。

（1）、相似臉較難解決 。雙胞胎或者長相很相近的人臉容易識別錯誤 ， 而該問題在目前暫時沒有新技術能完全解決 。NIST 分析報告指出 ， 大部分情況下雙胞胎仍能區分分數高低 ， 但是往往都在閾值之上 ， 在開放環境下應用效果較差 。

（2）、算法偏見問題 。由于當前人臉識別算法很大程度依賴于數據樣本 ，但是不同人群的人臉數據樣本存在差別 ， 這導致了算法對不同地域 、 不同年齡人群的識別能力有差別 。美國國家技術標準研究院 NIST 的檢查表明 ， 人臉識別軟件在不同地域 、 種族 、 性別 、 年齡上存在較大差異 。比如 ， 小孩子 ， 老年人以及其他很少出現的人種或者膚色的人臉識別率相對較低 ， 該問題亟需解決 。

（3）、人臉識別率易受多種因素影響 ?，F有的人臉識別系統在用戶配合 、采集條件比較理想的情況下可以取得令人滿意的結果 。但是 ， 在用戶不配合 、采集條件不理想的情況下 ， 會影響現有系統的識別率 。例如根據 NIST 的測試報告 ， 戴口罩情況下大部分算法的錯誤率會提高 1 個數量級以上 ， 跨年齡 、 大角度等因素也會造成不同程度的下降 。

（4）、年齡變化的影響 。隨著年齡的變化 ， 面部外觀也會變化 ， 特別是對于青少年 ， 這種變化更加明顯 。對于不同的年齡段 ， 人臉識別算法的識別率也不同。

（5）、安全性問題 。人臉識別系統信息存儲同樣會面臨黑客的攻擊 。所以對數據加密很重要 。隨著技術的不斷提升 ， 人臉識別技術在安全性上需要加強 。

3、 人臉識別技術的發展趨勢

隨著人臉識別技術的廣泛應用 ， 也在不斷促進技術本身持續發展 ?；A算法研究 、 人臉重建技術 、 戴口罩人臉識別 、 3D 人臉識別技術 、 新型人臉采集技術 、人臉聚類技術和低質量人臉識別技術 ， 是產業界和學術界關注的熱點課題 ，也預示了人臉識別技術的發展趨勢 。

基礎算法技術熱點包括模型結構設計 、 損失函數設計 、 無監督 / 半監督學習算法和分布式自學習算法等 。模型結構設計目前主要有手工設計與網絡結構搜索 (NAS) 兩種思路 。ICCV 2019 輕量級人臉識別 (Lightweight Face Recognition) 競賽結果顯示 ， 雖然對大模型場景下結構改進帶來的提升則較為有限 ， 但是輕量級場景下網絡結構改進對于識別率提升較為明顯 。

損失函數設計的核心在于學習具備鑒別性且足夠魯棒的特征 。近年來基于度量學習與各類 margin — based 方法逐漸成為主流。在特征提取加速方面 ， 主要的方法有輕量級網絡 、 模型蒸惚 、 稀疏量化等 ；在特征比對加速方面 ， 主要的思路有量化以及各類近似最近鄰檢索技術 。

低質量人臉識別技術。在實際的動態應用場景下 ， 人臉識別技術由于場景的不可控因素 ， 采集到的圖片質量與訓練圖片的質量有很大差異 ， 如人臉偏轉 ， 大幅度側臉 ；運動模糊和失焦模糊 ；遮擋物(例如口罩 ， 墨鏡) ；低的光照強度和對比度 ；視頻傳輸由于編解碼過程產生的人臉信息丟失等 ， 這些因素導致準確率極度下降 。

針對這些具體問題 ， 研究人員提出綜合利用各種圖像增強技術和圖像生成技術對人臉識別算法準確率進行提升的方法 ， 如采用對抗式生成網絡對攝像頭的風格進行遷移 ， 采用基于深度學習的方法對小尺寸模糊人臉進行超分辨率重建和基于注意力機制對人臉圖片進行去模糊處理等 。

此外 ， 3D 人臉識別技術也可以有效解決復雜場景下人臉單模態魯棒性不足問題 ， 如大角度 、 遮擋引起的效果下降問題 ， 常用的融合策略有相似度融合 、 特征融合 、 決策融合等 。

戴口罩人臉識別技術。今年新型冠狀病毒疫情期間戴口罩人臉識別受到較大關注 。常用的解決方法有數據增強 、 遮擋恢復 、 多部件模型融合等 ， 可應用在人臉布控 、 陌生人檢測 、 無感通行中 ， 均不需要摘下口罩 ， 在 30 萬人像庫的規模下 ， 戴口罩人臉識別準確率可大于 90% 。

人臉聚類無論是在個人領域的相集管理還是在智慧城市治理領域都有較為廣泛的應用 。早期主要基于傳統的聚類方法如 k-means 等 ， 但效果不佳 。近年來 ， 基于 GCN 的人臉聚類方法嶄露頭角 。實際業務中 ， 時空信息的挖掘也是研究的熱點 。

特定群體識別技術。針對兒童/老人 、 不同膚色群體的人臉識別 ， 有標簽的數據較少 ， 而無標簽的數據更多些 。研究人員提出可以利用半監督/無監督學習方法帶來性能的進一步提升 。同時 ， 對抗 、 域適應等方法也是研究人員較為關注的方法 。在特定群體識別中 ， 應考慮如何方便老年人使用人臉識別系統 。

為了防范照片 、 視頻 、 頭模等假體對人臉識別系統的攻擊 ， 呈現攻擊檢測算法也是研究的熱點 ， 主要檢測原理包括 ：

a ） 離散圖像檢測方式 ， 即利用一幅或多幅圖像進行判斷 ；

b ） 連續圖像檢測方式 ， 即采用連續圖像序列進行判斷，如檢測顯示器邊緣 、 邊框 、 屏幕反光 、 像素點 、 條紋分析等進行判斷 ；

c ） 用戶主動配合檢測方式 ， 即通過指令要求用戶完成相應動作如點頭 、 抬頭 、左右轉頭 、 張嘴 、 眨眼 、 跟讀屏顯提示信息等進行判斷 ；

d ） 基于輔助硬件設備的檢測方式 ， 即利用輔助硬件設備獲取更多判斷依據輔助進行判斷 ， 如利用深度攝像頭采集人臉深度信息或利用特定波長光源投射并檢測在皮膚或非皮膚材質上產生的發射率差異等 ；

e ） 用戶被動配合檢測方式 ， 如 ：利用靜脈血管 、 肌肉 、骨骼 、 靜脈血液中脫氧血色素對紅外線的吸收特性 ， 判斷其是否來自活體 ；通過特定指令引導用戶眼球運動 ， 并通過跟蹤眼球運動以判斷是否為真實活體 。

多模態融合識別技術。多模態融合識別技術可以有效解決復雜場景下人臉單模態魯棒性不足問題 。如大角度 、 遮擋 、 像素過低引起的效果下降問題或應用場景對于安全性可靠性要求很高的場景 ， 多模態可以增強識別的可信度 。

多模態識別有兩個發展方向 ， 一個方向是在臉部圖像特征識別的基礎上 ， 增加頭肩和形體的識別 ， 這種技術的好處是可以不必增加額外的采集單元 ；另外一個方向是 ， 融合其他生物識別模態 ， 如靜脈紋理 ， 聲紋信息等 ， 這種技術除了能夠提高算法的魯棒性之外 ， 還可以提高活體驗證的可信度 ， 在行業里受到了較為廣泛的關注 。

3

行業發展

1、行業發展概述

隨著云計算 、 大數據 、 物聯網 、 人工智能等計算機科學技術的飛速發展以及人臉識別技術在實際應用中的不斷成熟 ， 人臉識別技術在智慧安防 、 智慧城市 、 智能家居 、 移動支付等領域繼續大放異彩 ， 并且人臉識別的一些新應用場景也不斷地被挖掘出來 。

全球人臉識別行業規模依然在以非常高的速度進行增長 。根據MarketsandMarkets 發布的全球人臉識別市場相關報告 ， 預計全球人臉識別市場規模將從 2019 的 32 億美元增長到 2024 年的 79 億美元 ， 在預測期內（ 201 9-2024 年 ） 將以 16.6% 的復合年增長率進行增長 。

國內方面 ， 中國人臉識別技術投入在 2017-2018 年達到巔峰 ， 根據 IHSMarkit 的數據 ， 2018 年 ， 中國在全球人臉識別市場的業務占據了將近一半的份額 。2019 至 2020 年 ， 人臉識別技術發展趨于平緩 ， 進入理智期 。依據 IT 桔子數據統計 ， 截至目前 ， 中國人臉識別技術總投資額達到 406 億元 。前瞻產業研究院預計 ， 未來五年人臉識別市場規模將保持 23% 的平均復合增長速度 ，到 2024 年市場規模將突破 100 億元 。

2、典型應用領域

科技金融。人臉識別在金融領域的應用已經相當普遍，如遠程銀行開戶 、 身份核驗 、保險理賠和刷臉支付等 。人臉識別技術的接入，能有效提高資金交易安全的保障 ， 也提高了金融業務中的便捷性。

2013 年芬蘭公司 Uniqul 成為首批吃螃蟹的公司 ， 面向全球首次推出人臉識別支付這一創新支付技術 。2015 年在德國漢諾威 CeBIT 展會上馬云第一次向德國總理默克爾展示了支付寶的人臉識別支付技術 。同年 ， 招商銀行在一些支行柜面和ATM業務也開始應用人臉識別 ， 隨后包括建設銀行 、 農業銀行等四大行在內的數十家銀行都紛紛將人臉識別產品引入ATM 、 STM 、 柜面 、 網點 、手機銀行等各個業務環節 ， 并逐漸全客戶覆蓋 。

時至今日 ， 人臉識別技術在國內金融領域已經得到了非常廣泛的部署和應用 ， 消費者在各個渠道中都可以利用人臉識別技術使用金融服務 ，中國在人臉識別技術的應用上已經大幅度領先國外市場。

智慧安防。安防是人臉識別市場最早滲透 、 應用最廣泛的領域 。根據億歐研究 ， 2018年 ， 安防行業在中國人臉識別市場占比 61.2% 。當前人臉識別技術主要為視頻結構化 、 人臉檢索 、 人臉布控 、 人群統計等軟硬件一體形態產品提供基礎支撐,重點應用于犯罪人員的識別追蹤 、 失蹤兒童尋找 、 反恐行動助力等場景 。

視頻監控系統通過龐大的監控網絡進行圖像采集 、 自動分析 、 人臉比對 ， 基于視頻幀的 1 ：1 及 1 ：N 人臉比對 ， 可分析人員軌跡 、 出行規律等 ， 實現重點人員的識別及跟蹤 ， 在公安應用場景中達到事前預警 、 事中跟蹤 、 事后快速處置的目的 。在雪亮工程 、 天網工程 、智慧社區 、反恐及重大活動安保等公安項目發揮了重要的作用 。

此外 ， 在企業樓宇 、 社區住宅的人員管理和安全防范需求場景下 ， 人臉識別技術應用非常廣泛 ， 通過人臉的黑白名單錄入 ， 可有效管控區域人員出入 ，機器識別的高效率也大幅節省了人力資源。

智慧交通。國外的公共交通領域對人臉識別技術的應用主要集中在機場安檢以及入境管理等特別強調安全的場景 。加拿大渥太華國際機場 、 澳大利亞當地移民及邊境保護局與美國海關與邊境保護局皆已嘗試部署人臉識別出入境系統。

國內交通領域的人臉識別應用主要包括 1 ：1 人臉驗證和 1 : N 人臉辨識 。目前利用人臉核驗證技術的刷臉安檢已進入普遍應用階段 ， 在高鐵站 、 普通火車站和機場皆已大面積推廣 。而應用 1 ：N 人臉比對技術的刷臉支付主要落地在地鐵公交等市內交通 ， 這種技術能夠極大提高通勤人員的出行效率 ， 釋放大量的人力資源 ， 提升出行體驗 。同時 ， 人臉識別可以對交通站點進行人流監測 ，根據人員出行規律預測交通人流高峰 ， 提前做好疏導預案 。

除此之外 ， 在交通違規管控方面 ， 人臉識別技術可以幫助執法人員更快速高效地找到違規人員身份信息 ， 并結合車輛識別等技術進行跟蹤攔截。

民生政務。政務互聯網平臺、 公積金 、 社保 、 稅務 、 網證 、 交通管理 、 行人闖紅燈 、繳交交通罰款 、 住建等民生政務系統 ， 已經使用或正在使用人臉識別系統 。政務服務領域的業務點主要有私有云平臺搭建 、 政務服務自助終端 、 便民服務平臺 。

人臉識別在政務系統的落地 ， 提升了民眾的辦事效率 ， 公民可以不用窗口排隊 ， 實現自助辦事 ， 節省了因人工效率低下產生的耗時 。部分政務還可以通過在線人臉識別認證 ， 在移動端線上辦理 ， 減輕了 “ 辦事來回跑 、 辦事地點遠 、辦事點分散 ” 的困擾 。

教育考試。智慧教育在高速發展的同時 ， 不斷深入采用物聯網 、 云計算 、 大數據等先進信息技術手段 ， 實現各種教育管理與教學過程數據的全面采集 、 存儲與分析，并通過可視化技術進行直觀的呈現 。

在這個過程中 ， 相關科技企業基于自身在人工智能 、 視頻可視化技術 、 出入口門禁管理 、 大數據 、 云計算等領域積累的技術產品經驗 ， 致力于推動智慧教育的行業發展 ， 打造升級智慧校園 、 智慧教室 、 智慧宿舍 、 智慧圖書館 、 智慧食堂 、 智慧超市等教育相關的安全管控 、 課堂考勤 、 刷臉消費和智能化體驗 。同時 ， 人臉識別技術也應用在考生身份確認 。

智能家居。人臉識別在智能家居中主要應用在安全解鎖和個性化家居服務兩個場景 。在安全防范方面 ， 人臉識別可以提供相對安全和便捷的入戶解鎖技術 ， 將可能逐步替代傳統密碼或指紋門鎖 。智能門鈴可以通過人臉識別對訪客身份進行識別 。另外家中的監控攝像頭可以實時監測 ， 如發現陌生人臉立即提醒住戶并報警 。

在個性化家居服務方面 ， 智能電視可以采用人臉信息錄入的方式創建賬號 ，機器通過人臉識別認證 ， 有針對性的進行內容推送 ， 實現個性化定制 ；智能冰箱可通過人臉識別技術 ， 針對不同的用戶愛好 、 人臉狀態 ， 推送菜譜及營養建議 。人臉識別技術在智能家居行業的應用 ， 為市民帶來了更便捷 、 舒適的生活方式 。

3、 行業發展趨勢

應用場景向各行業滲透 ， 市場規模增長趨勢出現分化。隨著技術發展和安全性要求的提高 ， 人臉識別技術在行業應用中發生巨大變化 ， 從安全性可靠性要求較低的行業上升到金融社保 、 證券 、 銀行 、 互聯網金融等安全可靠性要求較高的行業 。我國人臉識別技術目前主要運用在公共安防 、 門禁考勤 、 金融支付三大領域。

區分不同的應用領域來看 ， 其趨勢逐漸出現分化 。從 2019 年看 ， 安防作為人臉識別最早應用的領域之一 ， 其市場份額占比在 30% 左右 。隨著雪亮工程 、 智慧城市建設的逐步完成 ， 人臉識別在安防領域逐漸從增量市場轉變為存量市場 。

人臉識別在門禁考勤領域的應用最為成熟 ， 約占行業市場的 42% 左右 ， 隨著智慧樓宇 、 智慧社區 、智慧家居的進一步發展 ， 人臉識別門禁考勤市場也將隨之增長 。金融作為人臉識別未來重要的應用領域之一 ， 目前約占行業的 20%, 并且市場規模在逐步擴大 。

全球公共衛生環境變化，人臉識別迎來應用新需求。新冠肺炎疫情的爆發并在全世界流行 ， 威脅人類生命安全與健康 ， 引發了一場全球公共衛生危機 。相對于指紋 、 刷卡等接觸式身份識別模式 ， 人臉識別等非接觸式識別模式更適用于當前受新冠病毒影響的全球公共衛生環境 ， 減少病毒通過接觸感染人群 。

一方面 ， 人臉識別技術結合紅外體溫監測技術 ， 獲取人員身體健康狀況信息 ， 能及時反饋并控制疫情源頭 ；另一方面 ， 監控系統的全面布控 ， 可檢測獲取重點人員流動信息 ， 幫助政府防控管制措施做到有的放矢。

目前全球公共衛生環境形式依舊嚴峻 ， 根據智源發布的 《 人臉識別與公共衛生調研報告 》 顯示 ， 受訪者普遍贊同加強人臉識別技術的能力 ， 81.9% 的人同意增強對戴有口罩的人的面部識別 。為完善疫情防控體系 ， 進一步阻斷傳播源 ， 戴口罩人臉識別技術的新需求浮出水面 。

近年來 ， 信息量的爆炸式增長給數據傳輸存儲及中心計算帶來了巨大的壓力 ， 邊緣計算應運而生 。隨著 AI 芯片技術的飛速發展 ， 邊緣計算設備的算力不斷提高 ， 越來越多的計算由邊緣側承擔 。一方面 ， 邊緣計算能有效緩解帶寬承載 ， 提高計算傳輸效率 ， 滿足實時響應需求 ， 增強數據安全性 ；另一方面 ，模型壓縮及加速技術以及適合人臉識別算法運算的專用 AI 芯片不斷完善 ， 邊緣設備的人臉識別算法精度持續提升 ， 目前基于 AI 芯片的邊緣設備應用基本覆蓋社區 、 學校 、 醫院 、 園區 、 交通等場景 ， 支撐人臉識別的大規模應用 。

云邊端協同部署 ， 人臉識別應用迎來新場景新模式。云邊端的協同部署模式將人臉識別應用模塊分攤到各部分 ， 通過前端邊緣計算實現布控報警 ， 邊端對人臉特征做聚類分析 ， 云端匯聚有效信息 ， 進行大數據對比分析 ， 開展調度工作。

云邊端協同部署方式緩解了云端壓力 ， 支持業務分級響應 ， 云邊結合人臉識別系統通過對云端和邊緣端資源的統一配置 、 管理 、 調度 ， 融合了邊緣計算敏捷性和云端大數據全局性的優勢 ， 使人臉識別系統在帶寬 、 并發數 、 響應速度等維度性能全面提升。

在未來 ， 邊緣端設備的視頻編碼能力和視頻特征抽取能力將進一步加強 ，AI 應用也會將越來越多的計算承載分攤到前端 。云端則由人像系統 、 視頻結構化系統 、 人臉人體聚類分析等服務組成 ， 通過分析 、 聚類 、 歸檔形成各種主題庫 ， 跟各種業務應用打通 ， 滿足更多復雜場景下的智能化應用需要。

國內市場競爭激烈一方面體現在競爭廠商多 ， 包括傳統安防企業 、 AI 初創企業和平臺生態企業 。傳統安防企業從安防市場出發 ， 對安防視頻行業的痛點和客戶需求理解較深 ， 擁有產品+集成的優勢 ， 已構建起很強的規模效應壁壘 。

AI 初創企業主要是一些新興的專注于做算法的計算機視覺 （ CV ） 初創企業 ，以 AI 算法為核心優勢 ， 同時兼顧 “ 硬件落地 ” 及 “ 產品化 ”。平臺生態企業 ，依托其強大的云平臺以及云計算能力 ， 以云平臺為核心橫向切入 ， 整合合作伙伴的應用方案 ， 構建統一的生態體系 ， 并形成差異化競爭。

國內市場競爭激烈另一方面體現在全產業鏈競爭 ， 從算法競爭延伸到芯片和平臺競爭 。主要市場參與者都已經加入 AI 芯片競爭中 ， 安防企業注重邊緣側和端側的推理芯片 ， 初創公司更注重邊緣側推理芯片 ， 而平臺生態企業則注重端 / 云一體 ， 構建從訓練到推理的全棧 AI 生態 。下游的競爭主要是應用層的競爭 ， 是生態的競爭 ， 是深耕行業的競爭 。

總體來看，當前我國的人臉識別技術與應用在國際上處于領先地位 ，在科技金融 、 智慧安防 、 智慧交通 、 民生政務 、 教育考試 、 智能家居等多個領域得到了廣泛應用。但是，近一年人臉識別技術也出現了很多不良影響，“售樓處暗藏人臉識別”、人臉信息泄露等問題屢見不鮮。隨著技術門檻的逐步降低，加強安全技術的研發和應用，完善相關的法律法規變得尤為重要。

審核編輯 ：李倩