手机厂商不断研发创新的生物识别技术，例如瞳孔辨识、人脸辨识，但这些技术一直都未有正式取代指纹辨识技术。

而这次苹果在iPhone X 使用Face ID 取代Touch ID，大胆地使用3D 人脸识别成为手机上唯一的生物识别技术，甚至利用于电子支付的用户验证方式。

究竟Face ID 有何与别不同，让苹果可以放手一搏？

日前，苹果就在自家的机械学习介绍网站上发表学术文章，详细地讲解了Face ID 背后的运作原理，所使用的技术等等，说明Face ID 技术为何可全面取代指纹辨识技术。

手机处理大量运算有难度

苹果最初的人脸辨识技术是建基于名为CIDetector 写成的程式集，在iOS 7 年代利用于Photo App 的「人物」相簿，但没有利用于人脸辨识解锁用途。

后来随着「深度学习」（Deep Learning）的出现，电脑图像处理应用，可令人脸辨识的准确度得到大幅提升。苹果重新检视人脸辨识的发展方向。然而深度学习需要使用到大量的记忆体、储存空间，以及手机运算资源，手机并不是应用深度学习的好地方。

一般做法是把深度学习放到云端进行处理，苹果亦有提供iCloud 云端服务。但苹果着重用户的个人隐私，不会利用iCloud 伺服器来做电脑图像运算工作。

故此他们必须要开发深度学习技术是能够在用户手上的iPhone 机上运行，但首要条件是，要有足够运算能力，在相对很短的时间内处理庞大的相片图库，而又不会过份使用电力、令到手机发热。

开发特殊的演算法

在2014 年苹果开始发展深度学习的时候，深度卷积神经网络（DCN）只能对物体进行识别，当时使用到OverFeat 技术，使用到神经网路进行多尺度的输入预测。例如一张图片裁出32×32 像素，生成适当大小的映射，例如20×20。

苹果把不同的映射制成图像金字塔。识别输入数据是否含有人脸讯息，然后对输入的人脸讯息进行边界预测，从而实现人脸定位。

在高效的图像分割处理之下，人脸图像会成为大型的图像金字塔。人脸辨识系统开始贯穿金字塔的每一层，收集用作检测的候选图片。再以「后处理模组」进行处理，比对原图，以确认输入的人脸讯息是否正确。

利用深度学习改良脸部辨识准确度

苹果为这种运算方式再进行改良，以一种类似「老师与学生」的形式运作， 以「老师」即较为复杂的结构，去训练「学生」（一个简单的3×3 卷积与层叠结构）制作更精准更复杂的脸部网络模型，因此Face ID 需要不断学习，以增强内部对用户脸部有更深入的辨识。

脸部识别亦使用到视觉框架（Vision Framework），收集与分辨用户不同角度、不同大小（缩放比例）、颜色的脸部资料。苹果采用了部份二次采样解码技术，以及自动平铺技术，令非一般长阔比例的映像，也能够进行高效图像运算。

最后苹果需要解决的是处理器与内置储存使用量的问题。

系统使用分析计算图来分配神经网络的中间层，将多个图层放到同一个缓冲区。另外在图像金字塔上共享相同的权重与参数，减低储存容量消耗。苹果亦令网络的图片解像度动态调整到输入图像的解像度大小，减少处理的数量。

基于以上的数据处理，再配合高效能的A11 Bionic 处理器，iPhone X 做到了在短时间内就能完成，能不经互联网，直接在手机内完成的深度演算法，在用户没有意识之下，每秒处理数百万个浮点的神经网络，进行极为精确的人脸辨识，令Face ID 能够完全取代Touch ID 成为iPhone 上可用以电子支付的生物识别技术。

以上文字原创编译自苹果官方，如需要进一步技术上的解说，请参考原文：

https://machinelearning.apple.com/2017/11/16/face-detection.html