人臉辨識的弊端：1、會出現誤差，影響人的判斷結果；2、資訊的可靠性及穩定性較弱；3、人臉所蘊含的資訊量是比較少的，其變化的複雜性不夠，辨識性不是很高；4、人自身內在的變化以及外在的環境的變化都會影響採集時人臉的資訊穩定度。
本教學操作環境：windows7系統、Dell G3電腦。
技術水平的角度來看，人臉是唯一不需要使用者主動配合就可以收集到的生物特徵資訊。其他生物特徵的採集過程，如指紋、掌紋、虹膜、靜脈、視網膜，都需要以使用者的主動配合為前提，即如使用者拒絕採集，無法獲得高品質的特徵資訊。從社會心理的角度來看，透過人臉辨識身份，符合人的視覺辨識經驗，容易被使用者接受。如人們在採集指紋和虹膜時，會擔心隱私洩漏，但是每天被街頭的幾百台監控攝影機拍攝，卻不感到被侵犯，因為人臉天生就暴露在外，被認為是識別身份的天然特徵。那我們來講講人臉辨識技術有哪些弊端吧。
人臉辨識的技術弊端
人臉辨識技術也會出現誤差，影響人的判斷結果。
人臉辨識的一個缺點在於資訊的可靠性及穩定性較弱。
人臉所蘊含的資訊量較指紋、虹膜等生物特徵相比是比較少的，其變化的複雜性不夠。例如，若要兩個人的指紋或虹膜基本上相同，大概需要好幾十甚至上百個比特達到完全重疊才可以。但如果是人臉的話，十幾個比特達到重合就可以了。在全世界可以找到很多具有相似性的面孔。所以說，人臉的辨識度不是很高，它並沒有那麼獨一無二。
另外，人自身內在的變化以及外在的環境的變化都會影響採集時人臉的資訊穩定度。相較於先前的人臉辨識技術，目前的人臉辨識技術有所提高，但是具體應用是還是不能達到完美狀態，保守估計，人臉辨識技術的準確率能達到99%。
人臉辨識的技術困難
1、光照問題
光照變化是影響人臉辨識表現的最關鍵因素，對此問題的解決程度關係著人臉辨識實用化進程的成敗。由於人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特徵。尤其是在夜晚，由於光線不足造成的臉部陰影會導致識別率的急劇下降，使得系統難以滿足實用要求。同時，理論和實驗也證明同一個體因光照不同所造成的差異，大於同一光照下不同個體的差異。光照問題是機器視覺中的老問題，在人臉辨識的表現特別明顯。解決光照問題的方案有三維影像人臉辨識和熱成像人臉辨識。但這兩種技術還遠不成熟，識別效果不盡人意。
2、姿態問題
人臉辨識主要依據人的臉部表象特徵來進行，如何辨識由姿態引起的臉部變化就成了該技術的難點之一。姿態問題涉及頭部在三維垂直座標系中繞三個軸的旋轉造成的臉部變化，其中垂直於影像平面的兩個方向的深度旋轉會造成臉部訊息的部分缺失。使得姿態問題成為人臉辨識的技術難題。針對姿態的研究相對比較的少，目前多數的人臉辨識演算法主要針列正面、準正面人臉影像，當發生俯仰或左右側而比較厲害的情況下，人臉辨識演算法的辨識率也會急劇下降。
3、表情問題
臉部幅度較大的哭、笑、憤怒等表情變化同樣影像著臉部辨識的準確率。現有的技術對這些方面處理得還不錯，論是張嘴還是做一些誇張的表情，計算機都可以透過三維建模和姿態表情校正的方法把它糾正出來。
4、遮蔽問題
對於非配合情況下的人臉影像擷取，遮蔽問題是一個非常嚴重的問題。特別是在監控環境下，往往被監控對像都會帶著眼鏡、帽子等飾物，使得被採集出來的人臉影像有可能不完整，從而影響了後面的特徵提取與識別，甚至會導致人臉檢測算法的失效。
5、年齡變化
隨著年齡的變化，一個人從青少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致識別率的下降。對於不同的年齡段，人臉辨識演算法的辨識率也不同。這個問題最直接的例子就是身分證照片的識別，在我國身分證的有效期限一般都是20年，這20年間每個人的容貌必然會發生相當大的變化，所有在識別上也同樣存在很大的問題。
6、人臉相似性
不同個體之間的差異不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特徵對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的。以模仿某個明星為目標的化妝、整容等人為因素加大了這個問題的難度。尤其是雙胞胎的問題，人臉辨識系統究竟能不能正確的辨識出來，這個其實在學術界也是有爭論的。有專家認為雙胞胎根本不應該靠人臉辨識技術來分辨，它是沒法用人臉辨識技術來準確區分的。
7、動態辨識
非配合性人臉辨識的情況下，運動導致臉部影像模糊或相機對焦不正確都會嚴重影響臉部辨識的成功率。在地鐵、高速公路卡口、車站卡口、超市反扒、邊檢等安保和監控識別的使用中，這種困難明顯突出。
8、人臉防偽
偽造人臉影像進行辨識的主流欺騙手段是建立一個三維模型，或是一些表情的嫁接。隨著人臉防偽技術的完善、3D臉部辨識技術、相機等智慧型運算視覺技術的引入，偽造臉部影像進行辨識的成功率會大大降低。
9、樣本缺乏
基於統計學習的人臉辨識演算法是目前人臉辨識領域中的主流演算法，但是統計學習方法需要大量的訓練。由於人臉影像在高維度空間中的分佈是一個不規則的流形分佈，能得到的樣本只是對人臉影像空間中的一個極小部分的取樣，如何解決小樣本下的統計學習問題有待進一步的研究。此外，現在參與訓練的人臉圖像庫基本上都是外國人的圖像，有關中國人、亞洲人的人臉圖像庫少之又少，給訓練人臉辨識模型增加了難度。
10、影像品質問題
人臉影像的來源可能多種多樣，由於擷取裝置的不同，所得到的臉部影像品質也不一樣，特別是對於那些低解析度、雜訊大、品質差的人臉影像（如手機相機拍攝的人臉圖片、遠端監控拍攝的圖片等）如何進行有效地人臉辨識是個需要關注的問題。同樣的，對於高分辨影像對人臉辨識演算法的影響也需要進一步的研究。現在，我們在人臉辨識時，一般採用的都是相同尺寸，清晰度很接近的人臉圖片，所以影像品質問題基本上可以解決，但是面對現實中更加複雜的問題，還需要繼續優化處理。
人臉辨識的安全隱憂
近幾年，人臉辨識技術日益創新突破，在各產業間落地的應用項目有目共睹，但以目前技術來說仍然跟不上瞬息萬變的社會變化和市場需求，例如今年新冠病毒突襲下，導致我國大批人臉產品無法在戴口罩的情況下進行掃描識別，事後各大廠商立即更新演算法，但從此時也提醒了我們，面對未來的不確定性，科技不能一成不變，需要不斷創新與突破。
此外，如何在不同光線和角度下，更好地辨識臉部？如何清晰、精準的確定身分等等問題，仍是目前亟待解決的技術痛點。
於2012年進行的一項研究表明，供應商Cognitec公司提供的面部演算法在識別非裔美國人方面的表現要比識別白種人低5%至10%；2011年，還有研究人員發現中國、日本以及韓國開發的人臉辨識模型很難區分高加索人與東亞人種。今年2月，麻省理工學院媒體實驗室的研究人員指出，微軟、IBM與中國廠商Megvii公司的人臉辨識技術在辨識淺膚色女性方面錯誤率高達7%，辨識深膚色男性的錯誤率為12%，而對深膚色女性的錯判比例更是達到35%。
演算法出錯的例子還遠不止於此。最近調查結果顯示，倫敦大都會警察局部署的系統在每一次實際應用時都會產生最多49次的錯誤匹配。在去年眾議院監督委員會關於人臉辨識技術的聽證會上，美國聯邦調查局承認，其用於識別犯罪嫌疑人的演算法存在高達15%的錯誤判斷率。此外，維吉尼亞大學的研究人員正在進行的一項研究發現，兩大著名研究圖像集--ImSitu與COCO（COCO由Facebook、微軟以及新創企業MightyAI共同建構），在對體育、烹飪以及其它多種活動的描述當中，表現出明顯的性別偏見（例如購物圖像一般與女性有關，而教練圖像則往往與男性關聯）。
如何在不同光線和角度下，更好地辨識臉部？如何清晰、精準的確定身分等等問題，仍是目前亟待解決的技術痛點。
然而，即使解決了偏見問題，即人臉辨識系統能夠以對所有人都公平公正的方式運作，其中仍然存在著潛在的失敗風險。與眾多其它人工智慧技術一樣，就算徹底排除到偏見性因素，人臉辨識方案通常都會存在一定程度的誤差。一切工具都可用於善途或惡途，而工具本身越強大，其可能帶來的利益或損害就越明顯。
更多相關知識，請造訪常見問題欄位！
以上是人臉辨識的弊端是什麼的詳細內容。更多資訊請關注PHP中文網其他相關文章！
