生物認證（Biometrics）是利用每個人獨一無二的生理特徵以確認身份的科技，其中以指紋辨識的發展與應用最早，甚至可以回溯至古代中國，也最廣為世人所知。
除指紋外，近十餘年的生物認證技術更發展到掌紋、臉面、虹膜、視網膜、筆跡及聲紋辨識；而這些利用不同特徵開發出的辨識技術各有擅長。例如虹膜及視網膜辨識解決了在某些場合中使用者必需取下手套進行指紋辨識的不便；而臉面辨識更提供了一種無需接觸（Hands-off）式的身份確認機制。若臉面辨識結合視訊監控系統，更可在無聲無息中進行身份比對與確認，此一主動性身份辨識，無需受測者相應配合的科技，擁有其它生物認證無法提供的嚇阻力，給與人無限的想像空間。
這些獨特的應用潛力與高難度的開發門檻，使臉面辨識成為近十年來最具挑戰性的生物認證科技。雖然目前的生物認證市場仍以指紋辨識佔超過百分之五十的比重，但臉面辨識與其它利用不同特徵開發出的辨識科技正以獨有特色，搶占市場中，請參考圖一所示。
| 《圖一 2003年各類型生物物認証市場佔有比<資料來源：國際生物認證組織（IBG，International Biometric Group）網站>》 |
|
萬人迷也靠一張臉
人臉是人與人相識最直接的媒介。曾有研究顯示，若將一位家喻戶曉的明星的全身脫帽照片中臉部除去，將有高達百分之九十三的受測者無法再度辨識此人。這個結果說明若一位萬人迷的臉部被覆蓋時，他即刻變為一個陌生人。
此研究更有趣地指出，若逐漸將臉部影像部份復原時，如果在眼睛部份先復原，則有百分之三十五的受測者可以正確辨識此人；但如果是從嘴唇部份先復原，則僅有不到百分之十二可正確辨識；就算是復原了佔較大面積的口鼻部份，也僅有百分二十六的受測者可以正確辨識。這大體顯示了人臉確實是人與人相互識別最重要的部分（因為若將指紋或掌紋進行類似的研究，可能沒有一位受測者可以正確辨認），而眼睛可能是人臉中最具代表性的特徵。人臉辨識也因此被認為是最自然、最人性化的生物認證科技。
人臉辨識技術的演進
人臉辨識的極致即是利用電腦視覺模擬出人類超高智慧的視覺能力，但這可能是一條漫長的路。回顧人臉辨識的發展史，從1991年麻省理工學院（MIT）發表Eigenface技術以來，已有數百篇學術論文，數十類不同的方法陸續在這十餘年間發表。但畢竟學術研究的成果不保証商品開發的成功，因為從實驗室走出來到通過實際應用環境的嚴苛考驗，是需要長時間的反覆測試。
人臉辨識的早期商品於1996年左右問世，但因難脫離學術實驗品的功能與限制，致使應用價值大打折扣。但是商品化的活動卻在學術界與工業界刺激了更大規模的研發投入，而美國國防部更透過國防尖端研究產品管理處（Defense Advanced Research Products Agency，DARPA）舉辨了人臉辨識科技系列計畫（Face Recognition Technology，FERET），提供人臉影像資料庫與辨識方法評比活動，以促進人臉辨識的相關研發與技術提昇。
因此，在1996到2003年的八年之間，人臉辨識成功地脫離實驗室中半成品的階段，而跨入可實際應用的商品階段。2000年可被視為人臉辨識科技邁入應用商品紀元的元年，因本年度DARPA會同了其它機構，共同舉行了首次全球性的人臉辨識科技產品供應商測試評比（Face Recognition Vendor Test，FRVT）以評估當時全世界僅有的數家供應商的技術成熟度，並將測試結果公諸於世，以促進相關發展。
雖然截至目前（2004年）為止，人臉辨識的技術仍有許多尚待改進之處，但成功的應用案例也逐漸增加。在2001年的911事件之後，人臉辨識更被視為唯一一項可以結合視訊監控系統並主動反應的生物認證科技，應用潛力倍受看好，令人對此科技充滿期待。
人臉辨識技術概述
人臉辨識的使用模式可分為兩大類，一為1對1的身份確認，另一為1對多的身份搜尋。在進行1對1的身份確認時，使用者需先輸出使用者名稱或代號，然後攝影機會擷取使用者的臉部影像並立即判斷這一臉部影像是否的確屬於該使用者。此即為一般用戶名稱（Username）與密碼（Password）兩者合而為一、缺一不可的模式；而人臉就是你的密碼，但你無需記憶這組密碼，也無需擔憂可能失竊或遺失。
而在1對多的身份搜尋時，使用者並不需要輸出用戶名稱，系統會把攝影機擷取到的臉部影像與資料庫中所有的用戶進行比對。1對多的身份搜尋可近似為多個1對1的身份確認的組合，因此，所需的處理時間幾乎與資料庫中用戶的總數成正比，而在人數龐大時，錯誤機率較高，處理也較費時。
以錯誤率來評估辨識能力
人臉辨識系統的優劣可由兩種錯誤率進行評估：一為錯誤拒絕率（False Rejection Rate），另一為錯誤接受率（False Acceptance Rate）。錯誤拒絕率量測一位合法使用者在一般的使用狀況下，被系統誤認成非法使用者而拒絕該使用者進入的比率。錯誤接受率則量測一位非法使用者在一般的使用情況之下，被系統誤認成合法使用者而接受該使用者進入的比率。一個理想的人臉辨識系統，不論是錯誤拒絕率或錯誤接受率都必需保持在極低的狀態。
人臉辨識的技術核心
不論是1對1的身份確認或1對多的身份搜尋，人臉辨識的技術核心都含有三項步驟：人臉偵測（Face Detection），人臉追蹤（Face Tracking），與人臉識別（Face Identification）。
想像一個旅者在叢林密佈中由遠而近向你接近，如果你要確定他是否為你認識的人，你的腦與眼開始進行如下的動作：先找到此人並希望看清他的臉，此即為人臉偵測；若此人被找到時，可能因距離太遠或密林中陰影太重讓你無法看清，你可能會注視著他，並且目光隨之而動，此即為人臉追蹤；待你看清此人，經腦中記憶比對，你確定他是你的鄰居，此即為人臉識別。
由此可知，若要能識別，必須先有記憶，人腦如此，電腦也如此。所以人臉辨識的工作流程可區分為註冊與辨識二種，而註冊即是訓練電腦認識你並記得你。註冊的流程如圖二所示：
人臉註冊
註冊時，系統會運用人臉偵測器（Face Detector）中人臉偵測與追蹤模組自動地由攝影機的影像中取得人臉部份影像，人臉影像會被人臉識別模組中的特徵擷取器（Feature Extractor）轉化為數值特徵（Numeric Features），進而由人臉模型建立器（Model Builder）完成供識別用的人臉模型並儲存於資料庫中。
人臉識別
人臉識別的流程如圖三所示，流程中的前半段與註冊流程的前半段相同，人臉的影像先被定位、擷取、再轉換成數值特徵。後半段時，人臉識別模組中的身份決策機制即扮演關鍵工作，它將擷取到的未知臉部數值特徵與資料庫中的人臉模型進行比對，若結果相容，則將資料庫中相對應的身份或其相關屬性輸出，若不相容，則將此未知的人臉影像儲存並立刻傳送至相關單位以進行即刻反應或後續查尋。可將陌生人的臉面影像儲存並傳送以供後用，也是人臉辨識系統特色之一。
上述之人臉偵測，追蹤，與識別三項步驟均各有開發上的難度與挑戰，分別簡述於下：
偵測
人臉偵測的挑戰在於如何將人臉從複雜的背景之中分離出來，如上述密佈的叢林中找尋人臉即為一例。利用膚色來區分人臉的可能區域（Possible Facial Area）以別於非人臉區域（Non-facial Area）是一種有效的方法。待人臉可能區域被分離出後，再利用一些規則判斷（Rule-based Search）或特徵搜尋法（Feature-based Search）將人臉找出。但這個方法的缺點在於當光源過強、光源不足，在有色光源下，逆光環境，或背景含大區塊近膚色物體時，偵測效果不甚理想。而若使用黑白攝影機，此方法將完全無用武之地。
另一類方法乃利用分類器（Classifiers），例如類神經網路（Artificial Neural Nets） 或近年來頗受重視的支持向量機（Support Vector Machines）均為不錯的選擇，而且可以避免上述以膚色發展出的方法的部份缺點。但分類器需要極為龐大的訓練樣本以供其學習，而如何取得足夠多且內容夠豐富的樣本卻是一大難題。如果訓練的樣本不夠豐富，分類器的誤偵率（False Detection Rate） － 即把非人臉誤認為人臉的比率，可能會高過利用膚色的方法。
追蹤
人臉追蹤的挑戰在於如何將人臉或整個頭部鎖定。利用膚色也是解決這類問題重要的方法之一，其缺點已於前述。而利用一個在電腦內建的立體模型比對追蹤對象的特徵追蹤，則是一個可以克服膚色追蹤缺點的方法。但其缺點是所需計算能量過於龐大，應用在即時系統（Real-time System）時，需極高速的運算硬體配合。
事實上，人臉追蹤可視為人臉偵測的輔助功能，因偵測的搜尋區域遍及整張影像，故較費時；而追蹤是在人臉被偵測到之後，利用前後張連續影像的資訊，省略整張搜尋的步驟，可以利用較少的計算資源而較快速地搜尋到人臉，故所需計算能量龐大的方法並不適合應用在解決人臉追蹤的問題。
識別
人臉識別的挑戰在於如何在不同環境、不同表情、不同視角下，依然可以精確完成識別動作。從1991年麻省理工學院發表Eigenface技術以來，已有數十種識別的方法陸續在這十多年中推出。Eigenface乃利用許多人臉影像樣本進行主要成份分析（Principal Component Analysis，PCA）以抽取不同人的人臉影像中共同存在的主要成份影像（即Eigenface），並利用這些Eigenface簡化原人臉影像的代表方式。
這方法還可以配合線性區分法（Linear Discriminant Analysis）以增加不同人之間的差異性（Between-Class Variation）並同時降低同一人不同影像間的差異性（Within-Class Variation），提昇識別的精確度。這類方法目前仍廣受重視，有許多改進的建議仍不斷地被提出。
其他特徵取得圖型
除Eigenface之外，彈性群組圖型（Elastic Bunch Graph Match）亦是一個非常精確而嚴謹的方法。彈性群組圖型利用不同波長與不同方向性的小波轉換（Gabor Wavelets）擷取臉部影像中特徵點的影像特性，利用這些特徵點影像特性因人而異的事實來區分人臉。這個方法雖然識別結果精確，但因特徵點必需精密取得，而所需運算資源龐大，以致降低其在即時應用（Real-time Applications）的價值。
此外，隱藏式馬可夫模型（Hidden Markov Model），獨立成份分析（Independent Component Analysis, ICA），以及前述之類神經網路（Artificial Neural Nets）及支持向量機（Support Vector Machines）均被証明在處理靜止圖像（Still Image）的人臉識別時各有千秋。有的雖然結果精確，但計算繁雜，處理費時；有的對光源敏感，故光源稍微變化，識別結果立刻下降。但這些方法也因不斷的改進，推陳出新，而孕釀出目前已商品化的人臉辨識系統。而一但有些方法被改良到可商品化的階段，通常也被廠商列為商業機密，難以再窺其精髓所在。
| 《圖四 辨識系統會自動捕捉人臉<資料來源：美國密西根州州立大學>》 |
|
應用實例及尚待解決的問題
成功應用人臉辨識系統的案例並不少，但大多是以門禁控制與身份確認為主。例如澳洲雪梨機場即利用人臉辨識簡化了航班機組人員入出關時的身份確認手續。這種1對1的身份確認，是目前應用方式的主流。但也有不少發生爭議的案例。
2001年美國超級盃足球賽（Super Bowl）曾利用攝影監控系統結合人臉識別軟體過濾參觀群眾，希望能找出常在球賽滋事的份子；雖然從數萬群眾中找出19位可疑份子，但除部份有前科記錄外，其餘均是誤認（False Alarm）。主導此一系統裝置的Tempa市政府在事後被國際隱私權保護組織（Privacy International）評為最差的公共行政單位。
而在911事件後，美國幾家機場，如波士頓的Logan機場、舊金山國際機場、及加州的Fresno機場均開始試用人臉辨識系統。但卻因誤認率過高，而無法全面有效實施。
誤認率的探討
要探討為何在某些應用場合，人臉辨識系統造成較高的誤認率，我們必須再回到1對1的確認與1對多的搜尋。假設有一組100人的資料庫，而且庫中人與人臉部差異性很大，無相互誤認之虞。我們隨意指定其中一名為受測者，假設我們無法得知此受測者的用戶名，但卻知道這資料庫中全部100個人的用戶名，在進行1對1的確認測試時，這名受測者人被成功認出的機率為1%；但在1對100的人臉搜尋時，只要完成一次從頭到尾的比對，此人立刻被辨認出，也就是說辨識成功率達100%。
在機場利用人臉辨識搜尋可疑份子時，我們是以上百或上千的人臉資料庫去比對每天最少上萬的進出旅客，而比對模式是1對多。所以祇要是與資料庫中任何一位長相近似的旅客均可能被列為“嫌疑人”，這也就是為什麼在機場搜尋恐佈份子或在球場觀眾席中搜尋可疑份子時，誤認率偏高的原因。而在門禁控制，如上述之雪梨機場機組人員出入境管理的方案中，其辨識模式為1對1，誤認機率大幅減低，故可成功實施。
事實上，目前幾乎所有的生物認證產品都是應用1對1的確認模式，因為1對多的搜尋比對不僅誤認率過大而且比對費時。但因人臉辨識是僅存的一種主動型的生物認證科技，可在受測者完全不知不覺中完成身份比對，所以極適合應用於1對多型態的嫌疑者搜尋。
結語
因為具有驚人的應用潛能與極具挑戰的技術門檻，人臉辨識成為未來十年內最受重視的生物認證科技。美國自2004年起在海關設置生物認證身份查核機制，所有旅客必須留下二枚指紋與臉面影像。指紋採集是為了配合目前已經成熟的指紋辨識技術，但指紋辨識缺點仍多，未來可能不敷需求，故再加上臉面影像的資料儲存，待人臉辨識技術更成熟時，必可有效加強公共安全，並同時提高身份查核的效率。
可能將來有一天，在你出入海關進行証照查驗時，你會看不到查驗人員，你僅需對一具裝飾可愛的攝影機面帶微笑，然後順利愉快地進出國家大門。（作者現職為蒙恬科技生物認證技術處處長，作者聯絡方式:jison@penpower.net）
相關作者
相關產業類別
相關關鍵字
相關組織
相關網站單元