区块链:巴比特专栏 | 数字经济下的区块链助力人脸识别应用新思路_ETH

目前人脸识别技术广泛应用于智慧社区和智慧城市的建设，由此搭建的人脸识别系统也是公共安全指挥设施的核心支撑平台，更是整个智慧感知体系的关键部分和重要的信息来源。人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术，它利用人脸特征信息所具有的精度高、易于使用、稳定性强、难以仿造等特点，从摄像机采集到的含有人脸的视频流中，自动检测并跟踪人脸，进而对检测到的人脸进行一系列相关技术，从而快速实现身份识别。通常也叫做人像识别或面部识别。

随着人脸识别技术的进一步成熟，以及社会认同度的不断提高，人脸识别系统已经广泛应用在很多领域。比如企业、住宅安全管理方面，已经有了门禁考勤，人脸识别防盗门等；信息安全方面，电子护照、身份证等证件的人证比对；公共安全方面，、边防、司法等部门采用人脸识别进行犯罪侦查、搜捕逃犯；信息安全方面，比如利用人脸识别进行手机解锁、电脑登录认证；在电子政务、电子商务以及银行领域办理业务时，通过原有的密码、身份证和现在的人脸识别技术进行认证比对，从而高效、安全的完成对当事人身份的认证核查，从而大大增加相关领域的安全性和可靠性。另外，一些广告公司把人脸识别技术应用在户外广告上进行人流量统计，甚至基于人脸识别技术发展出的表情识别、换脸术等都可以用于诸如娱乐、游戏、商业引流等领域。

c0ffeebabe.eth向Curve.fi转入2879枚ETH:金色财经报道，Yearn核心开发者和Curve贡献者banteg在社交媒体上表示，感谢c0ffeebabe.eth退还资金。数据显示，30分钟前，MEV机器人c0ffeebabe.eth向Curve.fi: Deployer转入2879枚ETH（(价值约合540万美元)。[2023/7/31 16:08:03]

人脸识别技术主要分为人脸检测、人脸特征提取和特征比对这三部分。

人脸检测：从静态图片或摄像头输出的动态视频流中准确定位出人脸的位置和大小，即人脸面部的关键区域，包括眉毛、眼睛、鼻子、嘴巴、下巴以及脸部轮廓等。由于受到光照、姿态和遮挡等因素的影响，人脸关键区域精确检测是很重要的一步。

人脸特征提取：也称人脸表征，它是对人脸进行特征建模的过程。特征建模首先需要人脸特征点，即人脸关键区域的特征数据，这些特征数据反映了关键区域内各个部位的局部关系以及它们之间的相互关系。比如眼睛、鼻子、嘴、下巴这些人脸器官的形状构成了人脸的局部特征点，而这些局部特征点之间诸如欧氏距离、曲率和角度等特性又构成了它们之间结构关系的几何描述，又称为几何特征，这些局部特征和几何特征一起构成了人脸特征数据，它们作为识别人脸的重要数据。

特征比对：人脸识别的最终结果将在这一步呈现。将提取到的待分析的人脸特征数据依次与特征库里存储的特征数据进行比较，根据相似程度对人脸的身份信息进行判定。通过设定一个门限阈值，当待分析的特征数据与库特征数据之间的相似度达到或超过这一阈值，则判定人脸识别成功，特征库里该特征数据所对应的身份信息即是摄像头抓拍到的人像的身份信息。

RSS3与Bloom Rewards达成合作:6月21日消息，Open Web信息分发协议RSS3宣布与香港科技公司Bloom Rewards达成合作，其Token（RSS3）已正式上线Bloom平台。[2023/6/21 21:51:46]

人脸识别系统在运行前首先要建立人脸特征库，即建立需要进行识别的对象人脸库，也就是我们常说的抓拍库、人脸注册库、黑白名单库。我们一般从对象的照片或者包含对象的视频中检测到对象人脸，然后提取对象人脸的特征数据并入库。这个人脸特征库实质就是人脸数据库，用于存储需要识别对象的人脸特征数据。

其次，通过架设在室内或室外的前端摄像头实时抓拍人脸图片，并将图片送入后端的人脸识别系统进行比对，比对成功则输出人脸识别结果。

以上就是人脸识别系统的工作原理。

随着区块链技术在各行各业不断地探索应用落地，区块链+人脸识别的融合应用也受到越来越多的关注。

目前的应用场景主要还是利用区块链技术的去中心化，链上数据不可篡改、公开透明且可追溯等特点，通过创建包含个人隐私的专属保密箱，将个人隐私数据，如身份信息、亲人信息、相片等放入保密箱并上传到区块链存储，同时利用人体所独有的特征——人脸特征数据，作为专属保密箱的密钥之一，其它密钥可能会遗失，但人脸特征数据取自专属人自己的面部信息，所以不会遗失，也不会被篡改。此外，保密箱里面的身份信息可以作为专属人在区块链网络里的数字身份，人脸特征数据成为数字身份的密钥，由此可以实现去中心化的用户身份验证，那么进一步扩展，那些存储在区块链上的个人数字货币资产、个人医疗数据、个人教育信息、物联网信息等都可以与之关联，从而实现了区块链网络与现实世界的身份连通。

数据：约230万地址有Arbitrum跨链记录，仅28%获得空投资格:3月17日消息，据 Nansen 数据，截至 2 月 6 日 Arbitrum 空投快照，共有约 230 万地址有 Arbitrum One 跨链记录，最终有 625,143 个地址获取了空投资格，占比约为 28%。

此外，获得最高空投额度（8500-10,250）的地址数为 6471 个，占合格空投地址数的 1.03%。获得最低空投额度（625-1250）的地址数为 324,863 个，占合格空投地址数的 51.96%。[2023/3/17 13:10:54]

人脸特征成为链接区块链网络和现实世界之间的纽带

除了前面介绍的人脸特征数据作为区块链上的专属通证密钥外，还可以将人脸特征数据存储在区块链里，这里就引申出一个特殊的应用——寻找拐卖儿童和失踪人口。比如把小孩从出生以后每个年龄段的人脸特征数据都上传到区块链上，作为小孩专属数字身份的密钥。目前大部分被拐卖的小孩都属于低龄段，无法叙述个人信息，那么可以利用人脸识别技术采集小孩的人脸特征数据，然后将其作为密钥访问区块链上存储的数字身份，从而关联出其亲生父母及亲属的信息，那么就可以判断当前带小孩的人是否是人贩，这样使得拐卖儿童更加困难，抓捕人贩的成功率更大。对于失踪人口或流浪汉救助，可以借助跨年龄人脸识别技术在区块链上找到其数字身份。

Coinbase Wallet推出多链测试网集成功能Coinbase Faucet:2月22日消息，Coinbase Wallet在社交媒体宣布推出多链测试网集成功能Coinbase Faucet，目前支持以太坊Goerli、Polygon Mumbai、以太坊Sepolia、Optimism Goerli、Avalanche Fuji、以及Fantom和BNB Chain测试网，用户可以在一个平台上获得免费测试网代币，包括ETH、MATIC、AVAX、BNB、以及FTM。[2023/2/22 12:21:57]

以上是目前区块链+人脸识别的主要应用，那么本文将从一个全新的角度来阐述一个区块链与人脸识别结合的应用思路。

一直以来，业界认为影响人脸识别技术推广应用的关键因素在于识别算法的优劣，海量样本数据训练出的算法模型必然比少量样本训练出的模型好，全天候多环境采集的样本数据训练出的模型必然比室内样本数据训练出的模型好。但是经过这几年实践检验发现，影响人脸识别推广的因素不再是算法的差异，也不再是海量样本数据的缺失，主流的深度学习算法已经很成熟，算法模型也得到大数据训练，其稳定性已显著提高，目前的瓶颈已经转变为主观上认为已经解决的算力问题。人脸识别的算法对算力资源要求很高，除了GPU这种通用的具有强大计算能力的芯片之外，专门用于处理神经网络的芯片也层出不穷且处理性能也不断提升，但是随着未来物联网的兴起，视频图像数据将会迎来爆发式的增长，那么人脸识别技术的运用受算力制约将会越来越明显。大公司可以通过不断堆积硬件资源来实现算力提升以应对视频数据的增长，但中小企业却很难承受巨大的硬件成本开销，同时这些成本最终也会转移到用户身上，这样下去会给人脸识别技术在社会的全面推广造成很大的障碍。

Coinbase CEO：“去中心化金融”应该得到立法保护:金色财经报道，加密货币交易所Coinbase CEO在其社交媒体上称：“去中心化金融”应该得到立法保护。[2022/10/22 16:35:13]

这里我们利用区块链技术打造一套低成本、可扩展的人脸识别系统，其主要思路就是利用区块链技术实现空闲分散的算力整合在一起来完成识别任务，这样，企业或用户不必投入过多的硬件成本来搭建传统的人脸识别系统，从而降低运营成本。

基于区块链技术的人脸识别系统框图下图所示。

基于区块链技术的人脸识别系统框图

整套系统由摄像机群组、人脸识别区块链网络和系统运营方构成。下面详细介绍各部分的功能。

摄像机群组：摄像机群组主要由部署在不同区域的若干台摄像机组成，它们负责把现场采集的数据回传给后端人脸识别区块链网络中对应的摄像机代理节点。传统的监控型网络摄像机是将现场的实时视频流回传给后端，实时视频流不但占用网络带宽，而且还增加后端人脸识别区块链网络里运算节点的运算负担，因为运算节点需要从实时视频流里检测出人脸，即使视频流里面没有人脸存在，运算节点仍要做人脸检测工作，这样极大浪费运算资源。所以可以采用专用的人脸抓拍摄像机，该类型摄像机内部芯片里内置有人脸检测算法，只要摄像机在视场内检测到人，就将抓拍到的人脸图片回传给后端，这样传图片比传视频要节省很大的网络带宽，不但减轻人脸识别区块链网络的传输负担，也减轻了运算节点的运算负担。

人脸识别区块链网络：该网络采用联盟链网络架构，由若干管理节点、运算节点和摄像机代理节点这三类节点构成。

管理节点：属于高权限节点，负责成员准入、指定内部监督节点、限定查询权限、提供人脸识别组件下载与更新服务、维护区块链数据等。

运算节点：主要完成人脸识别任务，包括人脸特征提取和特征比对；如果被选作监督节点，则需要负责监督识别结果是否准确，同时维护区块链内部数据。

摄像机代理节点：负责把所属摄像机群组发来的人脸图片广播给网络里的其他类型节点。该节点不参与监督工作，也不参与记录区块链数据。

系统运营方：主要负责经济奖励和对人脸数据和人脸识别组件的管理。经济奖励即奖励别人提供算力来完成识别任务；人脸数据库属于高度隐私的信息，所有权在系统运营方，需要对人脸数据库加密，然后下发到各个运算节点，只有人脸识别组件才能解密人脸数据库里的数据，其他节点无权查看。

整套系统的工作流程如下：

人脸识别区块链网络里的管理节点由系统运营方直接部署并管理，系统运营方将人脸识别组件和加密后的人脸数据库下发给各个管理节点；如果人脸识别组件或人脸数据库有更新，则需要同步到各个管理节点，然后由管理节点通知运算节点下载更新。

新的运算节点经过管理节点批准后加入网络，接着从邻近的管理节点下载人脸识别组件和人脸数据库。

摄像机代理节点把摄像机群组传来的人脸图片上传到区块链网络中，图片经过广播到达运算节点和管理节点，这些节点收到图片后就放入本地的图片池，同时按照人脸图片的时间戳顺序构建图片区块，运算节点通过算力竞争获得图片识别权，竞争获胜的运算节点把自己打包的图片区块进行全网广播，其他节点收到图片区块后，首先验证是否该节点是否真的竞争到了识别权，验证通过就将自己本地的图片池中已被纳入区块的图片删除，然后重新打包图片再次竞争识别权。获胜的运算节点除了在全网广播图片区块外，还要通知管理节点自己获得了识别权，管理节点验证通过后，授权获胜节点启动人脸识别组件对人脸图片进行识别，同时将识别结果在全网广播，具有监督作用的节点收到结果后要进行有效性验证。因为获胜运算节点是进行1∶N比对的，即从N张人脸库图片中识别出相似度最高的一张，需要对N张图片都进行比对,而监督节点的验证只需要把抓拍的人脸图与识别出的库图片进行1∶1比对，因此验证能很快完成，验证通过的识别结果就记入本地区块链。区块链只能由系统运营方或者经过其授权的第三方才能访问。

系统运营方根据识别工作量给予运算节点经济奖励，这样可以激励越来越多的空闲算力加入识别任务。未来，系统可以通过发放国家法定数字货币来进行结算。

上述系统流程由于存在人脸图片打包以及节点间算力竞争，所以不适合对实时性要求很高的应用场景，但适合于后期人员搜索、轨迹分析以及行为分析等应用。该应用思路只是对基于区块链的人脸识别系统的大体规划，对于具体实现及后续推广的商业模式，仍值得深入探讨研究。

标签：区块链SHIETHEFI区块链通俗易懂的例子KIBSHIETHM币GEFI币

Ethereum热门资讯