---
title: "人臉辨識（Face Recognition）"
slug: face-recognition
language: zh-TW
source: https://aiterms.tw/terms/face-recognition
updated_at: 2026-04-29
tags: [電腦視覺, 深度學習, AI應用, AI倫理與治理, 模型評估, 特徵工程]
ipas_term: false
---

# 人臉辨識（Face Recognition）

> **你有沒有用過手機刷臉解鎖，或進公司大樓要刷臉通過門禁？**
>
> 你可以把它想成，系統先找到臉，再判斷這張臉是誰。
>
> 人臉辨識很常跟門禁、手機、考勤和支付綁在一起，因為它能快速確認身份。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **人臉辨識 vs 人臉偵測**
> 人臉偵測只負責找出哪裡有人臉。
> 人臉辨識則要進一步判斷這個人是誰。
> 最關鍵的區別：找臉，還是認人。
>
> **人臉辨識 vs 圖像識別**
> 圖像識別可以辨認很多類別。
> 人臉辨識是特定針對身份辨識的應用。
> 最關鍵的區別：一般物件分類，還是身份確認。
>
> **人臉辨識 vs 嵌入表示**
> 人臉辨識常會先把臉轉成 embedding，再比對距離。
> 嵌入表示本身不是辨識結果，而是中間表示。
> 最關鍵的區別：表示方式，還是身份判定。

### 記住這句就好

> 先找臉，再認人。

### 實際案例

> **手機解鎖**
> 手機會先擷取臉部特徵，再和預先登錄的資料比對。
> Before：要輸入密碼。After：對準鏡頭就能驗證身份。
>
> **門禁考勤**
> 公司可用人臉辨識代替打卡卡片。
> Before：卡片容易忘、容易借。After：用臉確認，流程更快但也更需要保護隱私。

### 算法與應用

> 典型流程是偵測人臉、對齊臉部、抽取特徵、比對距離，再用門檻決定是否通過。
>
> 現在很多系統會結合深度學習 embedding，提高在光線、角度和遮擋下的表現。
>
> 如果要防照片或影片欺騙，通常還要加活體檢測。

### 情境判斷

> **Q1（直覺題）：** 人臉偵測和人臉辨識最大的不同是什麼？
>
> → 人臉偵測只找臉在哪裡，人臉辨識則要知道這張臉是誰。
>
> **Q2（判斷題）：** 如果光線很差、臉部遮住一半，還適合直接用人臉辨識嗎？
>
> → 看情況。若系統有補光、活體檢測和足夠好的特徵模型，還能用；如果條件太差，就要考慮其他驗證方式。

### 常見問題

> **Q：人臉辨識準確率高嗎？**
> 在理想條件下可以很高，但光線、角度、遮擋和資料品質都會影響實際表現。
>
> **Q：有哪些安全風險？**
> 常見風險有資料外洩、偽造影像欺騙、身份冒用，所以常要加安全機制。
>
> **Q：人臉辨識未來會往哪裡走？**
> 更高準確率、更低算力、更強魯棒性，還會更重視隱私與合規。

### 相關術語

> - **圖像識別**：人臉辨識是它的特定應用之一。
> - **物件偵測**：要先找到臉的位置，通常得靠它。
> - **深度學習**：現代人臉辨識幾乎都靠它提升準確率。
> - **嵌入表示**：認人之前，先把臉轉成向量。
> - **電腦視覺**：這是人臉辨識的大領域背景。

---

來源：https://aiterms.tw/terms/face-recognition
快查頁：https://aiterms.tw/terms/face-recognition
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-face-recognition