NIST新研究：口罩如何影响面部识别的准确性？
译者：CD
NIST将口罩的图像覆盖于照片上，以测试COVID疫情之前开发的面部识别算法的性能。由于现实存在不同的口罩，研究团队加入了一些变量，包括口罩的形状、颜色和对鼻子遮盖的程度。
现在，很多人都用口罩遮脸，以减少COVID-19的传播。在这种情况下，面部识别算法还能很好地识别戴口罩的人吗？根据美国国家标准技术研究院（National Institute of Standards and Technology, NIST）的初步研究，答案是：非常困难。在测试的89种商业应用的面部识别算法中，即使是最准确的那种，在对同一个人戴口罩与不戴口罩的照片进行匹配时，错误率也高达5％至50％之间。
今天，这些结果以NIST跨机构报告的形式（NISTIR 8311）发布。这是NIST的“面部识别供应商测试”（Face Recognition Vendor Test, FRVT）系列报告中的第一篇。该系列报告将介绍面部识别算法在脸部被口罩遮盖时的表现。
NIST计算机科学家、报告的作者Mei Ngan表示：“随着COVID疫情的流行，我们需要了解面部识别技术如何处理蒙面人脸。我们首先关注的是，疫情之前开发的算法会怎样受到受试者戴口罩的影响。今年夏天晚些时候，我们将测试专门针对蒙面人脸开发的算法的准确性。”
NIST团队检验了每种算法将同一个人不同的照片“一对一”配对的功能。这种功能通常用于身份验证，例如解锁智能手机或检查护照。NIST团队在FRVT研究数据库中的约600万张照片上测试了算法。（团队没有测试算法“一对多”匹配的能力——该算法用于确定照片中的人是否匹配已知图像数据库中的任何人）。
研究团队将口罩图像覆盖于原始照片，以测试算法的性能。由于现实中口罩种类不同，团队使用了九种口罩变体，包括形状、颜色和鼻子覆盖程度的差异。“数字口罩”为黑色或浅蓝色（与蓝色外科口罩的颜色大致相同）；形状包括覆盖鼻子和嘴巴的圆形口罩，以及与佩戴者面部一样宽的大口罩——这些较宽的口罩可以在高、中和低位置以不同程度覆盖鼻子。之后，团队比较了算法对戴口罩照片与无遮罩照片的识别结果。
Ngan介绍说：“我们可以从结果中得到一些宽泛的结论，但解读这些结论需要谨慎：首先，这些算法都不是专门设计用来处理被遮罩的面部的；其次，我们使用的‘口罩’是数字化的，而不是真实的。”
Ngan指出，如果牢记这些限制条件，那么对于被测试的算法在识别蒙面和非蒙面人脸时表现如何，该研究可以提供一些普遍结论。
- 对于戴口罩的脸，识别算法的准确性大幅下降。使用未遮罩的照片，最精确的算法只有大约0.3％的概率无法成功进行身份验证。蒙面版照片将顶级算法的失败率提高到了5％左右，而其他许多算法的失败率则高达20％至50％。
- 蒙面照片更可能使得算法无法处理面部，技术上称为“无法注册模板”（Failure to enroll for template, FTE）。面部识别算法通常先测量面部特征（例如，它们的大小和彼此之间的距离），再将这些测量结果与另一张照片的测量结果相比较，以达到识别的目的。“无法注册模板”则意味着，算法无法充分提取人脸的特征，因此无法进行有效的比较。
- 鼻子被口罩覆盖的部位越多，算法的准确性越低。研究比较了鼻子覆盖率的三个级别（低、中和高），发现识别的准确性随着鼻子覆盖率的提高而降低。
- “假阴性”（算法无法匹配同一个人的两张照片）概率增加，“假阳性”（错误地匹配两个不同人的照片）概率则保持稳定或略有下降。“假阳性”概率的下降显示，用口罩遮盖人脸不会破坏识别算法的安全性。
- 口罩的形状和颜色很重要。使用圆形口罩时，算法错误率通常较低。与蓝色的外科口罩相比，黑色口罩降低了算法准确性。但是由于时间和资源的限制，研究团队无法全面地测试口罩颜色对识别准确性的影响。
《正在进行的面部识别供应商测试（FRVT）6A：COVID-19前开发的算法对遮罩面部识别的准确性》这份研究报告，详细提供了每种算法的表现。研究团队还在网上发布了额外信息。
Ngan说，下一轮研究将于今年夏天晚些时候进行，测试针对遮罩面部设计的识别算法。未来的研究还将测试“一对多”搜索配对，并将添加更多变量以进一步扩大结果的应用范围。
她说：“我们期待对遮罩面部的识别准确性能继续改进。不过，目前为止我们收集的数据都凸显了FRVT研究中的一个共同结果：不同算法的性能不同。用户应该充分了解他们正在使用的算法，并在自己的工作环境中测试其性能。”
这项研究为NIST与美国国土安全部科学技术局、生物特征识别管理办公室以及海关和边境保护局合作进行。
文章版权归原作者所有。
