人脸识别

技术演进：从几何特征到深度学习

1990 年代的人脸识别依赖 PCA 主成分分析（特征脸/Eigenface），准确率受光照和表情影响严重。2014 年前后，深度学习彻底改写格局：Facebook 的 DeepFace（2014）在 LFW 基准上达到 97.35% 准确率，首次接近人类水平（97.53%）；百度、科大讯飞等随后将准确率推至 99.7% 以上。

现代系统流程：人脸检测（找到图中的人脸框）→ 关键点对齐（眼睛、鼻尖、嘴角归一化）→ 特征提取（128-512 维向量）→ 向量相似度比对。ArcFace（2018）损失函数是目前学术界引用最多的训练方法。[1]

争议：精度之外的问题

MIT 媒体实验室 Joy Buolamwini 的研究（2018）发现，主流商业人脸识别系统对浅色皮肤男性错误率 0.8%，对深色皮肤女性错误率高达 34.7%。这一结果直接推动了美国多个城市（如旧金山、波士顿）立法禁止政府机构使用人脸识别。

中国的应用则走向另一极端：地铁进站、高考身份核验、便利店结账均已普及人脸识别，但由此引发的数据安全和隐私争议也持续升温。