面对面：为何NIR近红外光面部识别系统最安全

在如今的数字化世界中，面部识别和安全身份识别（ID）应用正变得越来越常见，在执法、银行、智能手机等领域得到大量应用。此类应用目前使用一系列不同的技术，包括指纹传感器、照片图像匹配、热成像和近红外光（NIR）传感。根据不同的使用情况，每种技术都能发挥有效作用。但就设备和家庭的个人安全而言，近红外传感技术的准确性是无可匹敌的。

识别系统技术

目前主要有两种类型的面部识别系统：2D系统依赖于对人脸的二维照片或视频图像进行分析；3D系统则使用NIR近红外光模式检测面部的几何形状。最近，市场上还出现了一些热成像面部识别技术。我们从新闻中了解到的大多数面部识别（FR）系统都是2D类型。举例来说，执法部门使用面部识别软件分析某个事件的照片，并识别煽动暴力的人员¹。摄影FR技术用于在机场安检时识别乘客面部，以及帮助寻找失踪人员。

然而，2D面部识别并非总是准确的；可能发生错误识别，光线和照片角度变化也可能会混淆匹配。由于分析的是人脸的二维图像而非真人，这些系统可能会被迷惑。视频匹配技术可以提高准确性，但这类系统也可能会被如今的“深度造假”视频欺骗。

指纹识别技术比2D摄影FR技术更安全、更不容易出错。“指纹识别系统的工作原理是将手指按压在光滑的表面上进行检查。系统将扫描手指的纹脊和纹谷，纹脊和纹谷末端或交汇位置的一系列明显点称为特征点，这些特征点就是指纹识别系统用于进行比较的点。”²

指纹（左）和面部识别（右）功能在如今的智能手机上很常见。

但是，狡猾的罪犯仍有可能利用价值仅5美元至15美元的物品³（如果某些电影可信的话，你只需要一卷思高牌胶带就可以了——但这并不是真的）打败指纹识别系统。有些安全系统将面部识别+指纹识别模式结合使用，以阻止黑客，但NIR近红外光系统仍优于所有其他识别方法。

NIR近红外光识别系统工作原理

NIR近红外光系统包括三维面部扫描仪和视网膜扫描仪。NIR FR系统的工作原理是将来自LED或激光发射器发出的一束不可见的近红外光投射到人脸上，不仅可以测量二维元素，如我们两眼之间的距离，还可以测量深度，如我们鼻子的长度。通过创建脸部的三维“地图”，NIR FR系统实现的准确性将比其他系统高得多。

NIR近红外光面部识别系统通过DOE滤光片将近红外光以确定的模式投射到人脸（黄色光束），并使用NIR近红外相机采集该投射模式的反射光线（蓝色光束），以测量面部轮廓引起的畸变。

3D FR技术的其他优点包括：

• 能够在弱光条件下或黑暗中测量人脸
• 能够正确识别从不同角度查看的人脸
• 防止“欺骗”，如使用某人的照片试图欺骗面部识别系统。

NIR视网膜扫描技术是以我们眼球后部精细的毛细血管网络为基础的。“当人眼观看目镜时，一束不可见的低能量红外光会在眼球后部的视网膜上勾勒出一个圆形路径。充血的毛细血管将比周围的组织吸收更多的红外光。因此，反射光的强度会有变化”⁴，扫描仪将测量此变化。由于出色的准确性，美国五角大楼及其他高高度戒备场所均采用视网膜扫描技术。

NIR近红外光系统参数

既然具有出色的准确性，NIR近红外光识别系统为什么还没被广泛应用呢？首先，相比只需使用软件算法分析照片或视频，近红外识别系统的实施更为复杂和昂贵。NIR识别系统需要一个“系统级解决方案”，其中需要包含多个硬件组件组成，如发射近红外光波的发射源和接收反射光波的相机/扫描设备，以便对其进行解读和比对。

此外，还必须谨慎使用近红外光发射器，以保护用户免受危险红外波长的伤害，因为高强度或长时间的红外照射会对人眼造成损害。另一个非常重要的一点是，必须测量近红外光源，包括LED和激光器（VCSEL），以确保其在指定的波长和辐射强度内发射近红外光，并确保任何光型分布都是准确的。

NIR发射器的质量检测

面部识别（FR）系统和组件制造商需要测量近红外光光源的发射均匀性和分布、模式元素的空间位置、辐射通量及整个分布区域的最大强度或功率。对于NIR近红外光面部识别系统和视网膜扫描系统及其他NIR近红外光三维传感应用，如手势控制、临近感测、眼动追踪和物体匹配，瑞淀提供以下NIR光源测量解决方案，帮助用户确保起产品性能和准确性：NIR近红外光辐射强度测量镜头和TT-NIRI™ 软件。

如需了解更多有关近红外光测量的信息，请观看以下网络研讨会：测量用于近红外光传感应用的LED和激光器。内容包括：

• 近红外光传感技术用于智能设备、AR眼镜和头戴式VR设备的趋势
• 确保用于面部识别及其他3D传感应用的近红外光LED和激光器（VCSEL）性能和安全性的考虑因素
• 对近红外光强度、光束和模式进行直接角度测量的最快速方法

 

 

 

 

引用文献

• Hill, K., “The facial-recognition app Clearview sees a spike in use after Capital attack.” New York Times, January 9, 2020.
• Devi, R.M., et al,  “Chapter 5 - Retina biometrics for personal authentication,” in Editor(s): Sarangi, P.P, et al., Cognitive Data Science in Sustainable Computing, Machine Learning for Biometrics. Academic Press, 2022, Pages 87-104, ISBN 9780323852098. https://doi.org/10.1016/B978-0-323-85209-8.00005-5.
• Mott, N., "Hacking Fingerprints is Actually Pretty Easy-and Cheap", PC Magazine, November 22, 2021.