人臉識別是一種使用人臉識別或驗證個人身份的方法。人臉識別系統可用于識別照片、視頻或實時中的人。執法部門還可以在警察攔截期間使用移動設備來識別人員。
但是人臉識別數據很容易出錯，這可能會牽連人們沒有犯下的罪行。面部識別軟件在識別非裔美國人和其他少數族裔、婦女和年輕人方面尤其糟糕，經常錯誤識別或未能識別他們，從而對某些群體產生不同的影響。
此外，面部識別已被用于針對從事受保護言論的人。在不久的將來，人臉識別技術可能會變得更加普及。它可用于跟蹤個人在世界上的活動，就像自動車牌閱讀器通過車牌號跟蹤車輛一樣。實時人臉識別已經在其他國家甚至美國的體育賽事中使用。
資料來源：愛荷華州交通部
人臉識別系統使用計算機算法來挑選出關于人臉的特定、獨特的細節。然后將這些細節（例如眼睛之間的距離或下巴的形狀）轉換為數學表示，并與人臉識別數據庫中收集的其他人臉數據進行比較。有關特定面部的數據通常稱為面部模板，與照片不同，因為它旨在僅包含可用于區分一張臉與另一張臉的某些細節。
一些人臉識別系統不是主動識別未知人，而是設計為計算未知人與存儲在數據庫中的特定人臉模板之間的概率匹配分數。這些系統將提供幾個潛在的匹配項，按照正確識別的可能性排序，而不是只返回一個結果。
人臉識別系統在具有挑戰性的條件下識別人的能力各不相同，例如光線不足、圖像分辨率低和視角不理想（例如從上方拍攝的照片中俯視一個陌生人）。
當涉及到錯誤時，有兩個關鍵概念需要理解：
“假陰性”是指人臉識別系統無法將人臉與實際上包含在數據庫中的圖像進行匹配。換句話說，系統將錯誤地返回零結果以響應查詢。
“誤報”是指人臉識別系統確實將人臉與數據庫中的圖像匹配，但該匹配實際上是不正確的。這是警察提交“喬”的照片，但系統錯誤地告訴警察這張照片是“杰克”的照片。
在研究人臉識別系統時，仔細觀察“假陽性”率和“假陰性”率很重要，因為幾乎總是需要權衡取舍。例如，如果您正在使用人臉識別來解鎖您的手機，最好讓系統多次無法識別您（假陰性），而不是讓系統錯誤地將其他人識別為您并讓這些人解鎖您的手機（假陽性）。如果錯誤識別的結果是無辜的人入獄（就像面部照片數據庫中的錯誤識別），那么系統應該設計為盡可能少的誤報。
執法機構在日常警務中越來越頻繁地使用人臉識別。警方收集被捕者的面部照片，并將其與地方、州和聯邦人臉識別數據庫進行比較。一旦拍攝了被捕者的照片，面部照片將保存在一個或多個數據庫中，每次警方進行另一次刑事搜查時都會對其進行掃描。
然后，執法部門可以查詢這些龐大的面部照片數據庫，以識別從社交媒體、閉路電視、交通攝像機拍攝的照片中的人物，甚至是他們在現場拍攝的照片。人臉也可以與涉嫌非法活動的人的“熱門名單”進行實時比較。
移動人臉識別允許警察使用智能手機、平板電腦或其他便攜式設備拍攝現場駕駛員或行人的照片，并立即將該照片與一個或多個人臉識別數據庫進行比較，以嘗試識別。
人臉識別已在機場、邊境口岸和奧運會等活動中使用。人臉識別也可用于商店和體育場館等私人空間，但不同的規則可能適用于私營部門的人臉識別。
支持面部識別的這些用途是地方、州和聯邦級別的數十個數據庫。估計表明，美國25% 或更多的州和地方執法機構可以在他們自己的數據庫或其他機構的數據庫上運行人臉識別搜索。
根據Governing 雜志，截至 2015 年，至少有 39 個州使用面部識別軟件及其機動車部 (DMV) 數據庫來檢測欺詐行為。《華盛頓郵報》在 2013 年報道，其中 26 個州允許執法部門搜索或請求搜索駕駛執照數據庫，但隨著時間的推移，這個數字可能會增加。
在本地也可以找到數據庫，這些數據庫可能非常大。例如，佛羅里達州的皮內拉斯縣警長辦公室可能擁有當地最大的人臉分析數據庫之一。根據喬治城大學的研究，該數據庫每月被 240 多家機構搜索約 8,000 次。
聯邦政府有幾個人臉識別系統，但與執法最相關的數據庫是 FBI 的下一代識別數據庫，其中包含超過 3000 萬條人臉識別記錄。聯邦調查局允許州和地方機構“關閉”訪問該數據庫，這意味著聯邦一級沒有人檢查個人搜索。反過來，各州允許 FBI 訪問他們自己的犯罪人臉識別數據庫。
FBI 還有一個專門負責人臉識別搜索的員工團隊，稱為人臉分析、比較和評估 (“FACE”) 服務。FBI 可以訪問來自州 DMV 和國務院的超過 4 億張非犯罪照片，美國 16 個州允許 FACE 訪問駕照和身份證照片。
鑒于使用人臉識別的大量 DMV 數據庫以及照片在國務院護照和美國簽證持有人數據庫中的美國人數量，喬治城大學估計，如果沒有的話，至少有一半的美國成年人已經進入了其中。更多人臉識別數據庫。
MorphoTrust 是Idemia（以前稱為 OT-Morpho 或 Safran）的子公司，是美國最大的人臉識別和其他生物特征識別技術供應商之一。它為州 DMV、聯邦和州執法機構、邊境管制和機場（包括 TSA PreCheck）以及國務院設計了系統。其他常見的供應商包括3M、Cognitec、DataWorks Plus、Dynamic Imaging Systems、FaceFirst和NEC Global。
人臉識別數據很容易被執法部門收集，而公眾則難以避免。面孔一直都是公開的，但與密碼不同，人們不能輕易改變面孔。我們看到各機構之間的信息共享有所增加。相機功能越來越強大，技術也在迅速進步。
面部識別數據通常來自面部照片，這些照片是在法官有機會確定有罪或無罪之前在逮捕時拍攝的。面部照片通常不會從數據庫中刪除，即使被捕者從未受到過指控。
盡管人臉識別的普及和技術的進步，人臉識別數據還是容易出錯。事實上，聯邦調查局在其隱私影響評估中承認，其系統“可能不夠可靠，無法準確定位相同身份的其他照片，從而導致錯誤識別率增加。” 盡管 FBI 聲稱其系統可以在 85% 的時間內在前 50 名個人資料中找到真正的候選人，但只有當真正的候選人存在于畫廊中時才會出現這種情況。如果候選人不在畫廊中，系統很可能仍會產生一個或多個潛在匹配，從而產生誤報結果。這些人——不是候選人——可能會成為他們沒有犯下的罪行的嫌疑人。
隨著數據庫中人數的增加，人臉識別變得更糟。這是因為世界上有很多人長得像。隨著相似面孔的可能性增加，匹配準確性降低。
人臉識別軟件在識別非裔美國人方面尤其糟糕。由 FBI 合著的2012 年研究 [.pdf] 表明，非裔美國人的準確率低于其他人口統計數據。人臉識別軟件還會以更高的比例誤認其他少數民族、年輕人和女性。犯罪數據庫包括數量不成比例的非裔美國人、拉丁裔和移民，部分原因是警察存在種族偏見。因此，人臉識別技術的使用對有色人種有不同的影響。
有人認為，人工備份識別（驗證計算機身份的人）可以抵消誤報。然而，研究表明，如果人們缺乏專門的培訓，他們大約有一半的時間會做出關于候選照片是否匹配的錯誤決定。不幸的是，很少有系統有專門的人員審查并縮小潛在的匹配范圍。
人臉識別可用于針對從事受保護言論的人。例如，在圍繞 Freddie Gray 死亡的抗議活動中，巴爾的摩警察局通過人臉識別運行社交媒體照片，以識別抗議者并逮捕他們。在喬治城隱私與技術中心的一份報告中分析的 52 個機構中，只有一個機構，即俄亥俄州刑事調查局，制定了一項人臉識別政策，明確禁止使用該技術來追蹤從事受保護言論自由的個人。
很少有人對人臉識別系統進行濫用審計。在喬治城大學調查的 52 家承認使用人臉識別的機構中，只有不到 10% 的機構擁有公開的使用政策。只有兩個機構（舊金山警察局和西雅圖地區的 South Sound 911）將購買技術限制在滿足某些準確度閾值的范圍內。只有一個——密歇根州警察局——提供了其審計過程的文件。
幾乎沒有措施來保護日常美國人免受人臉識別技術的濫用。一般來說，機構不需要搜查令，許多機構甚至不需要執法部門在使用人臉識別識別某人之前懷疑某人犯罪。
伊利諾伊州生物特征信息隱私法要求在私人使用面部識別技術之前得到通知和同意。但是，這僅適用于公司，不適用于執法機構。