人脸验证
Parent: ai_keywords
人脸验证（Face Verification）
【核心定义】
人脸验证是一种生物特征识别技术，旨在判断两张人脸图像是否属于同一身份（1:1匹配）。与广义的人脸识别（1:N搜索）不同，它仅输出“是/否”二元结果，核心在于特征提取与相似度决策。
【关键技术点】
-
深度特征提取
基于卷积神经网络（如FaceNet、ArcFace）将人脸映射至欧氏空间，通过类间Margin最大化（如Additive Angular Margin Loss）提升区分度。特征向量维度通常为128~512维。 -
度量学习
采用对比损失（Contrastive Loss）或三元组损失（Triplet Loss）优化同类/异类距离，使同一人特征距离小于阈值，不同人特征距离大于阈值。常用余弦距离或欧氏距离作为相似度指标。 -
姿态与光照归一化
通过人脸关键点检测（如MTCNN）完成对齐，再结合光照补偿、GAN生成正面视图等技术，降低真实场景中角度、光照、遮挡的干扰。 -
活体检测
针对照片、视频回放、3D面具等攻击，采用纹理分析（LBP-TOP）、光流法、红外/深度相机辅助判断，防止欺骗注入。
【医学/神经科学应用场景】
脑卒中后面瘫自动评估（首都医科大学宣武医院神经内科合作方向）
脑卒中急性期常导致中枢性面神经麻痹，表现为口角歪斜、鼻唇沟变浅等不对称特征。传统NIHSS评分依赖医生主观判断，存在观察者间差异。
基于人脸验证技术，可构建“患者发病期静态面部”与“健康库标准模板”的1:1匹配任务：提取左右半脸特征，计算对称性差异（如局部纹理距离），量化面瘫程度。若验证失败（即不对称超过阈值），则自动触发分侧运动分析（如抬眉、鼓腮视频流时序特征），辅助临床快速分诊并监视恢复过程。此外，该技术也被用于帕金森病“面具脸”的定量评估，以及癫痫发作期面部表情僵直度的动态监测，结合脑电图实现多模态神经电生理-行为关联分析。
