我们生活中的很多场景都应用了人脸识别，iPhone X 的问世更是将它普及到了我们生活的方方面面。
有人说，在智能网联的今天，汽车类似于手机，正在慢慢成为一种「移动电子设备」，应用在手机端的功能其实也能运用到汽车上。所以我们开始思考这个技术在车内会有什么应用场景。
人脸识别是什么
人脸识别与指纹识别、声音识别、虹膜识别一样，是生物识别技术的一种。
它主要包含四个步骤：人脸检测、人脸图像处理、人脸图像特征提取以及匹配与识别。
能够完整实现这四个步骤的方法有很多。不同方法收集到的数据、能够实现的功能以及准确率都有很大变化。
这次我们讨论的是在硬件上基于摄像头、在软件上基于计算机视觉、深度学习、CNN 卷积神经网络以及云服务实现的人脸识别功能。
另外，不同的产品对软硬件的偏重也不同，有的偏重在感知源头上通过摄像头取得优质的素材，有的偏重在软件层面的分析和计算。
不同的软硬件组合，就会产出不同级别的功能。有的产品只能达到记录考勤级或门禁级，有的却能够达到支付级、国家安全级、军事安全级。有的人脸识别系统仅用几张社交平台上的照片合成的三维虚拟模型就能破解，有的用 3D 打印模型也无法破解。
简单来说，人脸识别就是通过一些传感器，收集到了一些数据，然后再加以分析实现各种各样的应用。
比如你是谁，你的情绪如何，你的生命体征如何，你在车里做什么，什么时候，什么频率，以及什么原因，什么目的。
大概知道它能做什么之后，接下来我们正式讨论人脸识别在车内有哪些应用场景。
识别身份& 保障安全
最明显的，人脸识别是一个证明「你是你」的过程。
有了这个技术，未来人们可以通过人脸识别代替车钥匙进入车内。比如拜腾就在 B 柱上安装了传感器，以实现刷脸解锁。
未来，如果实现了车内支付，人脸识别可以作为一种支付方式，实现无感高速公路、无感加油等等。
不过，这并不是说人脸识别就比现在的解锁方式更好，人脸支付比现在的扫码支付更安全。关键还是看用户的喜好。不同的安全方式，可以根据用户的选择互为冗余。
如果从识别身份和保障安全角度出发，人脸识别在共享出行领域作用更大。目前，滴滴司机每天需要进行一次人脸识别，来证明驾驶员和注册车辆驾驶员一致，保证乘客安全。
所以，未来无论是滴滴这样的共享出行，还是用户自驾式的共享汽车，都可以把人脸识别作为安全保障的冗余选择。
除了作为钥匙，人脸识别在车内还可以作为一个强大的 ID。
现在，OEM 的车机系统玩法很多。各家 OEM 有各自的车机系统，比如比亚迪的 DiLink，吉利的 GKUI，通用的 eConnect；与此同时，也有 OEM 选择与新型的车联网软件供应商合作，比如福特的中国车型以及上汽荣威搭载的是斑马系统。
面对更多车外的功能生态，车机亟需一个强大的 ID 串联起所有的应用。手机号、微信号、支付宝等账户成为一种选择，但是频繁输入账号密码还是比较麻烦。
相对而言，如果「人脸」可以作为连接所有功能应用的「中枢端口」，应该会解决一些问题。因为人脸相比于其他账号更加无可取代，人脸识别的方式也更加方便。
目前，奇瑞 EXEED 星图就搭载了相关技术，能做到「用户识别」和「人脸支付」，这款车型将在今年上海车展上市。
另外，应用在车内的人脸识别，还可以对驾驶员体征状况进行监测，如果车辆监测到驾驶员情绪、健康状态异样，车辆可以自主作出反应。
比如红外摄像头可以感知用户的体温，从而判断他的身体状况。当然，体温只是其中一种数据，下面会详细说其他的感知数据种类。
驾驶员监测系统（DMS）& 驾驶行为分析
17 年 9 月，欧洲 NCAP 发布了 Road Map 2025，把驾驶员监测与 AEB 等数项技术同列为初级安全系统。这可以理解为，从 2020 年开始，车辆想要获得欧盟五星安全认证，就必须具备驾驶员监测功能。
而且，目前我们在售的乘用车已经有一些能够实现 L2 级的自动驾驶，未来想要往 L3 发展，必须要配备驾驶员监测功能。因为 L2 与 L3 之间最大的差别在于需要「确认责任主体」，车内的驾驶员监测必需时刻引导驾驶员为接管车辆做好准备。
不过驾驶员监测其实不是一个新鲜事，几年前很多德系车（奔驰、宝马、奥迪、大众等品牌都有）内就搭载了类似的功能，叫做「疲劳监测」。
「疲劳监测」和「驾驶员监测」之间的区别，从实现路径上来讲可以简单理解为，一个是间接监测，一个是直接监测。
疲劳监测通常是由一个红外传感器和一个一体化的 ECU 组成。红外传感器可以监测驾驶员的状态，比如他的眼睛是否聚焦在道路上，是否有进入睡眠的前兆；而 ECU 则是监测车辆本身，比如方向盘的角速度、油门踏板的使用、驾驶员持续驾驶的时间以及是否使用了空调、多媒体。
把监测到的数据数字化，然后与标准驾驶状态下的标定数值进行对比，就能判断驾驶员的状态。
这种方式，只能算一种辅助和预防性的功能，因为车辆本身没办法控制车辆。而且算法和标准都是固定的，用户的驾驶习惯却是多样的，所以每个用户使用起来感受都不一样。它无法自主学习用户喜好。
驾驶员监测则是以摄像头、计算机视觉、深度学习、CNN 卷积神经网络以及云服务为基础，通过人脸检测与追踪、3D 脸部建模、关键点等技术，感知更多的数据从而进行判断。
数据分为两个方面：1. 身体外在动作的监测。比如眼睛的注视方向、眨眼次数、闭合程度，头部的倾斜程度等，双手是否给予方向盘压力。2. 身体内在状态的监测。比如温度、脑电波、心跳、皮肤的传导率、体温、呼吸等。
我们能够明显感觉到「驾驶员监测」要比「疲劳监测」收集的数据更多维，实现的功能更多，但同时实现驾驶员监测也更难。
从功能上来讲，因为传感器收集的数据更多，运用的技术更多，处理数据的算法更复杂。最重要的是它不只是一个「预防性功能」，它需要自主控制车辆，在驾驶员无法及时接管车辆的时候降低车速，并唤醒驾驶员。这个系统要主动与驾驶员磨合。
从产品上来讲，车辆要搭载这个功能要考虑成本问题，要考虑用户是否愿意接受这个可能会打扰他的功能，还要考虑用户是否介意泄露这些数据的隐私问题。
当然我们在小标题里还提到了「驾驶员行为分析」。这个其实不难理解，如果上一步驾驶员监测实现了，久而久之车内就会形成一个用户驾驶习惯与风格的数据包。
这时候，如果把驾驶员驾驶习惯的数据& 车辆自身的 ADAS 功能&DMS 数据相融合，将有助于用户与车辆进行磨合（这对具有 L3 级 ADAS 的车辆非常重要）。
再延展一点，未来这些数据还可以跟地图融合。如果用户喜欢越野或者跑山，地图会主动标注出推荐用户自主驾驶的区间。
完善用户画像& 强化多模态交互
其实我们在上一 part 讲的驾驶员行为分析就已经是在完善用户画像了。而当这些数据与更多传感器和车辆本身进行融合，我们能够描绘出一个更立体的用户。
比如你通过人脸识别进入车内，建立了一个属于你的账号，你在与车辆多次的磨合之下，它能够慢慢了解你在什么样的生命体征的情况下，如何调试车辆。这里面可以包括座椅姿势、空调温度和模式、车内氛围灯、香氛系统、多媒体内容推荐。
这种个性化的数据可以存储于账号中，如果可能的话还可以在不同车辆内流通，不过车辆间的适配是个问题。这点算是延展远了，不过在共享汽车中倒是有可能实现。
另外，人脸识别和手势识别在原理上有一定的相似性，再辅以语音功能，未来实现更强化的多模态交互可能会使车内的人机交互更上一层楼。
这时候，当你的驾驶习惯、设置偏好、车外的环境、汽车本身的驾驶能力和你的身体状态、车内硬件控制、多媒体内容推荐进行数据融合，用户和车会越来越默契。
汽车不仅是第三生活空间，还是与你心灵相通的私人助理。
对于 OEM 和保险商的影响
功能带给用户便利的同时，另一面就是数据的隐私问题，这一点西方市场更为重视，所以 DMS 对于 OEM 来说是一把双刃剑。
比如，到底有多少人愿意信任这一新功能，有多少人愿意用隐私交换便利，人们愿意用多大的财务成本接受这样的便利，产生的这些数据到底属于谁，都有哪些人有权利得知这些数据……
这些数据能否带给 OEM 更多灵感，OEM 的身份是否会因为这些数据而改变，OEM 能利用好这些数据吗，如何利用，用来做什么……
而在保险领域，DMS 倒是一项非常重要的应用，因为它可以帮助保险公司定制 UBI（一种基于驾驶行为的保险）。
原理是这样的：保险公司通过分析用户长期的驾驶行为习惯，他们对用户的驾驶风险可以进行预测，从而对不同用户的保险进行精准定价，降低商业车险的理赔成本。
反思与总结
首先我们先回到「人脸识别」本身，思考一下这个技术潜在的影响。
首先，人脸识别一旦被普及，你的身份就总会「无意识被证明」，你的人生永远存在「上帝视角」。
近日，乔治敦隐私 & 技术法律中心执行董事、人脸识别专家 Alvaro Bedoya 在接受 USA Today 采访时说「你可以删除 cookies，可以修改浏览器设置，可以把手机忘家里，但你不能删除你的脸，你不能把它忘家里」。
所以，人脸识别与其他属性的识别工具不同，这是一种「脸在，身份即在」的生物认证工具。
再一个就是隐私问题。
人脸识别在车内产生的这些隐私数据，和我们在某宝上暴露的住址、手机号不同。它是持续的、大量的、有趋势变化的数据，并且它背后还有巨大的同类样本和可分析性。我们不能低估大数据背后的力量。
斯坦福大学最近有一项研究表明，基于一个从 Tinder 抽取的数据集，使用人脸分析方法预测「一个人的性取向」的准确率可达 81%。
所以你还以为它看的是你的脸吗？它看的是你的心啊。
这是从个人隐私的角度来谈，如果上升到国家层面呢？上升到军事安全呢？如果足够精准的人脸识别与武器相结合了，我们的世界将会变成什么样？
……
缓解一下情绪。先不忙着恐慌。毕竟真正实现高识别率、低漏检率、低误检率的人脸识别技术并不是一件容易的事，尤其是要把它做到车规级。
比如，能否在各种极端环境下（逆光、曝光、昏暗）实时拍摄出合规级的素材？软件算法的速度和准确率是否能让用户有舒适的体验？云端对比样本的基数是否足够庞大？如何平衡产品功能与成本？用户在根本上是否接受这样的功能？这些问题都需要供应商与 OEM 共同思考。
公正来说，技术本身没有对错，只是在不同场景下产生的鲁棒性不同。技术的安全性永远无法定量，解决安全问题的过程永远是一个有防有守的博弈过程。
说到底还是看怎么用。用的合适，便民利民；用的不好，伤人伤己。