有关使用人工智能进行面部识别的事实

面部识别是一种旨在识别图像或视频中人物的系统。这项技术已存在数十年，但其使用在过去几年才日益瞩目和容易，因为它现在面向移动设备为创新解决方案（例如，个人照片应用程序和辅助身份验证）提供支持。我们先来讨论一下面部识别的工作原理，以了解这些新兴的功能。

面部分析功能（如 Amazon Rekognition 中的那些功能）可以让用户了解图像或视频中面孔的位置，以及这些面孔的属性。例如，Amazon Rekognition 可以分析睁眼或闭眼、情绪、发色以及面孔的视觉几何等属性。检测到的这些属性对于需要使用元数据标记（例如，快乐、眼镜和年龄范围）在几秒钟内整理或搜索数百万张图像或者识别人物（也就是使用源图像或唯一标识符进行面部识别）的客户日益重要。

面部识别在许多应用程序和行业领域都至关重要。今天，我们见证了这项技术帮助新闻机构在报道重大事件时识别名人、为移动应用程序提供辅助身份验证、为媒体和娱乐公司自动将图像和视频文件编入索引，以及允许人道主义团体识别和拯救人口贩卖受害者。

例如，Marinus Analytics 使用人工智能与 Amazon Rekognition 为各大机构提供 Traffic Jam 等工具，帮助他们识别和定位人口贩卖的受害者。调查人员通过使用图像分析在几秒钟内自动搜索数百万条记录，从而节省了宝贵的时间，这之前需要调查人员逐条分析。

另一个示例是 Aella Credit，这是一家总部位于西非的金融服务公司，该公司通过一款移动应用程序为新兴市场中没有银行账户的个人提供银行服务。Aella Credit 使用 Amazon Rekognition 的功能来检测和比较面孔，从而在无需任何人为干预的情况下提供身份验证。借助这种易于使用的面部识别功能，更多人可以使用银行服务，比以往任何时候都要多。有关使用 Amazon Rekognition 的其他客户示例，请参阅此处：Amazon Rekognition 客户。

面部识别不应该以侵犯个人权利（包括隐私权）的方式使用，或者对需要人为分析的场景做出自主决策。例如，如果某家银行在金融应用程序中使用 Amazon Rekognition 这样的工具来验证客户的身份，则应该始终明确披露他们对该技术的使用，并让客户批准相关条款和条件。关于公共安全和执法，我们认为政府可以与执法机构合作制定可接受的面部识别技术使用政策，这既可保护公民的权利，又能使执法部门保护公众的安全。

在所有公共安全和执法场景中，Amazon Rekognition 这样的技术只应用于缩小潜在匹配的范围。Amazon Rekognition 的响应让官员们能够迅速获得一组潜在面孔，以便进行进一步人为分析。考虑到公共安全使用案例的严重性，人为判断对于增强面部识别很有必要，因此不应仅使用面部识别软件。

正如Matt Wood 博士所言，“机器学习是一种可以帮助执法机构的宝贵工具，但是就像不应该因为温度可能被设错而导致披萨烤糊就扔掉烤箱一样，我们不能因担心如何正确应用而直接放弃不用。然而，这是一种非常合理的想法，政府需要权衡并指出希望执法机构达到何种温度（或信心水平）以帮助开展公共安全工作。”

面部的匹配基于其视觉几何，包括眼睛、鼻子、眉毛、嘴巴和其他面部特征之间的关系。在 Amazon Rekognition 分析图像时，面孔周围会有一个轮廓，称作“边界框”，用于确定 Rekognition 在分析中考虑的图像的唯一部分。然后，分析功能会生成图像的对象符号数，指明面孔主要元素的“位置”。当客户进行面部搜索时，该技术会将来自源图像的这些数据与其搜索的各个图像进行比较。然后，服务会为图像中的每个面孔分配相似度得分。这种方法确保了 Amazon Rekognition 没有个人身份信息，只有一个面孔可能匹配另一个的概率。

相似度得分是一种统计方法，用于在 Amazon Rekognition 进行分析时，衡量一张图像中的两个面孔是同一个人的概率。例如，对于一张相似度得分为 95% 的图像，说明在 Rekogniton 分析的所有面孔中，这张图像与被搜索的面孔有 95% 的相似之处。相似度得分越高，说明两张图像越有可能来自同一身份。也就是说，即使相似度得分是 99%，也不保证是正匹配。

这是因为 Rekognition 使用的是所谓的概率系统，在这个系统中，不能用绝对准确的精度加以确定，相反，给出的只是预测。

因此，我们需要使用相似度阈值。相似度阈值是使用 Rekognition 的应用程序愿意接受可能匹配的最低相似度得分。阈值的选择对返回的搜索结果有着根本的影响。客户可以提供的错误识别（有时称为“误报”）的数量是阈值设置的直接结果。客户将根据他们的需求和应用程序的使用案例选择合适的设置。

我们建议需要高度精确的面孔相似度匹配的使用案例将阈值设置为 99%。例如，在公共安全和执法场景中，这通常是帮助缩小范围至关重要的第一步，并允许人们通过他们的判断快速审查和考虑选择。

另一方面，许多场景都不需要人为审查 Amazon Rekognition 响应。例如，员工证件的辅助因素身份验证和 Amazon Rekognition 识别的人脸具有较高的相似度 (99%)。或者是个人照片集应用程序，可以容忍一些不正确的匹配，因此可能接受较低的阈值 (80%)。客户可以根据其使用案例和需求的具体情况调整相似度阈值。

“名人检测”旨在识别不同电影场景和环境中的潜在名人。因为名人经常扮演不同的角色（妆容不同、戴着假发以及外表有其他改变），这项 Amazon Rekognition 功能已根据预先标记的数据进行了训练，可在一个特定的名人列表中返回最高的可能匹配。就设计而言，此使用案例允许更多的误报，不应用于公共安全或执法使用案例。 

相反，Rekognition 的面部搜索功能旨在告知您两张面孔之间的精确相似程度，可以针对精确匹配进行优化并用于安全和公共安全应用程序，如寻找失踪儿童并让其与父母团聚、授权员工进入建筑物，或识别并营救人口贩卖的受害者。

这两项功能使用的底层技术、解决的使用案例以及服务的客户完全不同。

安全。我们来看看一些关于面部识别及其工作原理的常见误解。

首先，有人认为，人能比机器更好地将面孔与照片进行匹配。但是，美国国家标准与技术研究所 (NIST) 最近分享了一项比 Amazon Rekognition 中所用模型至少落后两年的面部识别技术的研究，并总结指出，即使是较老的技术也比人为面部识别更出色。

第二，就像所有概率系统一样，误报的少量存在并不意味着面部识别是有缺陷的。相反，这说明需要遵循最佳实践，如设置与给定使用案例相关的合理相似度阈值。而且，这项技术的优点之一是其不断学习和改进，因此误报将会随着时间的推移而减少。

如今，许多成功的客户，如 Thorn、VidMob、Marinus Analytics 和 POPSUGAR，都在以将会产生巨大影响的简单方式使用面部识别。

AWS 提供的 10 分钟教程和剖析文档中包含说明性指导，可帮助您开始使用面部识别。

• 10 分钟教程：检测、分析和比较面孔
• Amazon Rekognition 文档
  • 使用面部识别处理图像的最佳实践
    
  • 检测和分析面孔
  • 搜索集合中的面孔
  • 识别名人

如果怀疑他人以滥用或非法的方式使用 Amazon Rekognition，或侵犯了您或他人的权利，请举报此类使用行为，AWS 将调查此问题。