自1986年警方首次將DNA技術成功應用于刑案偵破以來，在不到40年的時間里，其已深刻影響了刑事司法領域的發(fā)展進程。不過，隨著當前面部識別技術的問世與異軍突起，該技術已然成為刑事司法領域內又一大科技突破！

被英國警方用于識別犯罪嫌疑人的新科技

據(jù)《泰晤士報》2024年4月5日報道，英國倫敦警察廳情報部門負責人表示，面部識別技術作為一項“改變游戲規(guī)則”的工具，自2023年4月引入以來，平均每兩個小時就能識別出一個因搶劫、強奸、盜竊等被通緝的犯罪嫌疑人。英國國王查爾斯加冕典禮前夕，倫敦警察廳在市中心啟用了實時面部識別技術（Live Facial Recognition，LFR）比對涉嫌犯罪的通緝名單，以識別混在人群之中的潛在危險對象。

加冕典禮期間，警方動用LFR技術掃描了倫敦市中心的100萬個攝像頭畫面并通過人工智能算法予以了分析。英國倫敦警察廳的數(shù)據(jù)顯示，加冕日當天，部署在倫敦皮卡迪利大街的攝像頭共拍攝了超過3萬張面部圖像，并同10451張已知犯罪人的照片進行了比對。在此過程中，LFR技術觸發(fā)了兩次警報。其中，一名被通緝的性犯罪嫌疑人在經(jīng)過白金漢宮附近的一個面部識別攝像頭時被掃描發(fā)現(xiàn)，旋即被成功抓獲。上述案例被英國當局視為運用LFR技術搜索嫌犯，尤其是在大型公共活動中的一種有效手段。英國內政部稱：“新的科學技術是實現(xiàn)更為高效、有效執(zhí)法的關鍵。面部識別技術在幫助執(zhí)法部門打擊謀殺、強奸、持械犯罪、恐怖主義以及兒童性犯罪等方面，發(fā)揮著關鍵的作用?！?/p>

面部識別技術能夠幫助警方從人群中準確鎖定目標人物，而整個過程耗時僅僅以毫秒計算即可。值得一提的是，即使鏡頭中的人員戴著口罩，該技術仍能對其面部的生物特征進行精確掃描與識別。英國國家物理實驗室（National Physical Laboratory，NPL）的一份報告顯示，面部識別技術的錯誤匹配率為1/6000。英國倫敦警察廳情報部門負責人則表示，1/6000是報告估算的概率，而實際運行中面部識別技術的出錯率僅為1/40000。新技術的應用，為執(zhí)法部門的破案工作帶來了根本性轉變。英國預計，將在未來4年中共投入2.3億英鎊用于提升警察破案技術水平，其中就包括配備更多裝備了面部識別系統(tǒng)的警車。

不過，鑒于對公民自由、隱私保護以及技術濫用等方面的擔憂，面部識別技術在當前乃至未來還是個有爭議的話題。為此，英國警方預計將通過“安全護欄措施”的設置，來確保面部識別技術不會侵犯公民的隱私；同時，將面部識別技術的部署保持在適當程度，以平衡公共安全和公民隱私。南威爾士警局也表示，面部識別技術的應用過程，同人們在公共場合中的攝影活動差異不大。如果某一個體并不在警方的“監(jiān)視清單”上，警方就不會保留該個體的數(shù)據(jù)信息。

面部識別技術的使用原理

簡單來說，面部識別技術需要借助攝像頭來采集帶有人臉的圖像或視頻流，通過人工智能等予以圖像檢測和人臉跟蹤，進而對檢測到的面部作出相應分析和識別。從技術流程角度而言，面部識別技術包括了人臉圖像的采集檢測、預處理、特征提取以及匹配識別等。

采集檢測：無論是動態(tài)圖像、靜態(tài)圖像，抑或不同角度、不同表情的人臉面部圖像，都可以經(jīng)由攝像頭予以采集。當個體進入拍攝采集范圍后，設備即會自動搜索并拍攝其面部圖像。隨后，通過人臉檢測，對人臉位置和大小等信息、特征予以準確標定，以便后續(xù)進一步利用。

預處理：人臉面部圖像的預處理，即在人臉檢測結果的基礎上，對圖像進行的處理活動?？紤]到設備采集的原始圖像往往會受制于各類條件的干擾和影響，無法直接予以使用，這就需要在前期階段對圖像進行噪聲過濾、灰度校正等預處理活動。

特征提?。喝四樚卣鞯奶崛?，即對人臉作出特征建模的過程。面部識別技術可利用的特征通常包括像素統(tǒng)計特征、視覺特征、人臉圖像代數(shù)特征以及變換系數(shù)特征等。以人臉面部器官的形狀描述以及相互距離特性而言，人臉主要由眼睛、鼻子、嘴巴以及下巴等部件組成，對這些局部及其相互之間結構關系的幾何描述，可作為面部識別的幾何特征。

匹配識別：當系統(tǒng)提取到人臉面部圖像的特征信息與數(shù)據(jù)后，即可在后臺數(shù)據(jù)庫中進行搜索，并確認是否與已知的存儲特征模板匹配。這就需要事先設定一個閾值，當識別的相似度大于等于該閾值時，即可得到匹配的結果，從而對面部圖像的身份信息作出判斷。

科學技術的飛速發(fā)展，令深度學習在面部識別中發(fā)揮著越來越重要的作用。尤其是卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）的介入，使其得以構建起多層神經(jīng)網(wǎng)絡結構來進行自動學習和面部特征的提取。通過從低層次的像素特征到高層次的語義特征的學習，來完成對面部復雜特征的精準描述。在技術流程方面，深度學習能融入人臉圖像的檢測、特征提取與識別等多個階段。深度學習模型在大量標注面部數(shù)據(jù)的訓練基礎上，可實現(xiàn)識別過程中的高精匹配。此外，深度學習還可同諸如生成式對抗網(wǎng)絡（Generative Adversarial Networks，GAN）等其他技術結合，共同作用于面部識別技術，以持續(xù)提升面部識別的技術優(yōu)勢。

編輯：黃靈 yeshzhwu@foxmail.com