比人的识别能力强，但暂时还是辅助手段
但刷一下脸，真的能够做到安全支付吗?中科院自动化研究所研究员孙哲南认为，目前的人脸识别技术上不完美，“如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。”上海逗点科技负责人张晰也表示，他认为目前在银行领域，人脸识别技术只能作为辅助手段，“银行的要求是零容忍，不能出现任何问题。”
虽然如此，“人脸识别技术比人的识别能力要强，而且强不少”，北京旷视科技市场与经营部总经理谢忆楠对南都记者说，“比如一个银行柜员对人脸识别的精度可能达到万分之一误识率，通过率可以超过90%;而我们最好的成绩是十万分之一的误识率，通过率可以超过97%-98%。”生物识别技术已经得到世界各大科技公司的重视。苹果推出指纹识别T ouchID，三星、小米已开始试水人脸解锁屏幕。
原理
把人脸分为100多个点模拟神经网络运算过程
人脸识别研究始于上世纪60年代末至70年代初，与指纹识别、掌纹识别、虹膜识别等都属于生物识别技术的一种。早期人脸识别技术，是测量人脸上根据眼角、鼻孔、嘴巴、下巴几个部位的几何关系，通过图像库中的人脸模板，与待识别人脸在灰度上的相似程度，来实现人脸识别。其弊端是容易丢失有用信息，在视角、表情等变化的情况下识别能力很差。
进入上世纪90年代，随着计算机技术的快速发展，在经历了技术的数次更新迭代之后，人脸识别技术已从最初对背景单一的正面灰度图像的识别，发展到能识别不同侧面的静态人脸，目前能做到动态进行人脸识别。
国际上，比较领先的研究机构是美国的麻省理工学院和英国的剑桥大学。国内关于人脸自动识别的研究始于20世纪80年代，主要的研究单位有清华大学、哈尔滨工业大学、中科院等。近年，在中国的互联网创业浪潮下，一批有着学术背景的新型生物识别创业团队开始崛起，如旷视科技下的face++团队、腾讯下属的优图团队等，采用了更先进的“深度学习”算法，用神经网络模拟人的神经网络运算过程，能达到更高精度。
成立于2012年的face+ +团队，已经与蚂蚁金服及多家银行开展合作。该团队所属公司的市场与经营部总经理谢忆楠对南都记者介绍，“比如有人在摄像头前，用手捂住了半张脸，按照传统回归算法，系统认为他不是一张人脸。因为它不符合系统通过回归运算得出的人脸标准结构;而深度学习算法，在判断是人脸的基础上，则会进入第二层判断，多重验证。”
作为人工智能技术研究的新阶段，深度学习算法相当于“教机器模仿人类的学习机制”。采用此算法后，操作者可以给系统提供大量数据，使其自己具备学习能力。比如，深度学习算法机器人，通过扫描互联网上猫的图片，操作者输入“猫”，然后经过一段时间，机器将这种毛茸茸的小动物与“猫”联系到了一起，可以自行鉴别什么是猫。谢忆楠介绍，目前该公司的人脸验证技术，“第一步是证明你是人，第二步是证明你是你。”在深度学习算法下，系统能够更加智能地识别人脸。
因为时间原因，身份证照片和用户当前的照片往往有一些差异，比如脸的宽度等，但瞳孔间的距离则相对恒定。传统回归运算可能会出现误差，深度学习算法则把人脸分为100多个关键点，尽量避免误差。
对比
与其他生物识别技术相比，“刷脸”有什么优劣?
中科院自动化研究所研究员孙哲南：人脸识别技术的优点是采集比较直观，成本较低，便利性较高且用户较易接受。但它的缺点也在于信息的可靠性及稳定性较弱。
具体来说，人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。
另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态。比如在A T M机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。