人脸识别算法的安全风险

人脸识别算法分为传统算法和基于深度学习算法，传统算法多采用手动提取特征、训练分类器的方式如基于几何特征、特征脸等；深度学习人脸识别算法通过大量人脸图像数据训练网络模型，模型自动提取最适合于计算机理解和区分的人脸特征，进而自主识别人脸。虽然人脸识别算法准确率不断提升，但是将其应用于金融领域还存在一定安全风险，在人脸识别算法准确率、人脸检测、活体检测等方面性能差异产生一定安全问题。

1 人脸识别算法准确率差异大

不同人脸识别算法人脸特征选取差异大，对人脸识别准确率有较大影响，尤其传统识别算法多采用手工提取特征方式，受人为经验限制大，适用性差。此外，人脸识别算法厂商由于经济实力、所涉及领域等不同获取的图像数量、质量、种类有较大差异，训练出的人脸识别模型泛化性、准确率等参差不齐。市面上，人脸识别算法种类繁多，不同商家采用算法模型存在不同程度差异，模型准确率不同，在应用于实际时存在较大差异。

若将准确率低的人脸识别算法应用于金融领域会造成较大安全风险。误识率高，将非目标用户识别为目标用户，攻击者利用此漏洞假冒被攻击者登录账户，恶意修改其登录密码，甚至基于账户进行取款、付款等，造成严重财产损失。另一方面，人脸识别算法准确率低导致拒识率增高，降低用户体验，当用户脸部画上浓妆、过敏、受伤、整容等，人脸识别将无法进行正确判断，拒绝为用户提供相应服务，给用户带了较差体验。此外，人脸识别算法对双胞胎以及长相相似度高的兄弟姐妹无法正确区分，这是人脸识别目前无法解决也是应用时所必需考虑的问题。