手機廠商不斷研發創新的生物識別技術，例如瞳孔辨識、人臉辨識，但這些技術一直都未有正式取代指紋辨識技術。而今次蘋果在 iPhone X 使用 Face ID 取代 Touch ID，大膽地使用 3D 人臉辦識成為手機上唯一的生物識別技術，甚至利用於電子支付的用戶驗證方式。究竟 Face ID 有何與別不同，讓蘋果可以放手一搏？日前蘋果就在自家的機械學習介紹網站上發表學術文章，詳細地講解了 Face ID 背後的運作原理，所使用的技術等等，說明 Face ID 技術為何可全面取代指紋辨識技術。
蘋果最初的人臉辨識技術是建基於名為 CIDetector 寫成的程式集，在 iOS 7 年代利用於 Photo App 的「人物」相簿，但沒有利用於人臉辨識解鎖用途。後來隨著「深度學習」（Deep Learning）的出現，電腦圖像處理應用，可令人臉辨識的準確度得到大幅提升。蘋果重新檢視人臉辨識的發展方向。然而深度學習需要使用到大量的記憶體、儲存空間，以及手機運算資源，手機並不是應用深度學習的好地方。
一般做法是把深度學習放到雲端進行處理，蘋果亦有提供 iCloud 雲端服務。但蘋果著重用戶的個人私隱，不會利用 iCloud 伺服器來做電腦圖像運算工作。故此他們必須要開發深度學習技術是能夠在用戶手上的 iPhone 機上運行，但首要條件是，要有足夠運算能力，在相對很短的時間內處理龐大的相片圖庫，而又不會過份使用電力、令到手機發熱。
在 2014 年蘋果開始發展深度學習的時候，深度卷積神經網絡（DCN）只能對物體進行識別，當時使用到 OverFeat 技術，使用到神經網路進行多尺度的輸入預測。例如一張圖片裁出 32×32 像素，生成適當大小的映射，例如 20×20。蘋果把不同的映射製成圖像金字塔。識別輸入數據是否含有人臉訊息，然後對輸入的人臉訊息進行邊界預測，從而實現人臉定位。
在高效的圖像分割處理之下，人臉圖像會成為大型的圖像金字塔。人臉辨識系統開始貫穿金字塔的每一層，收集用作檢測的候選圖片。再以「後處理模組」進行處理，比對原圖，以確認輸入的人臉訊息是否正確。
蘋果為這種運算方式再進行改良，以一種類似「老師與學生」的形式運作， 以「老師」即較為複雜的結構，去訓練「學生」（一個簡單的 3×3 卷積與層疊結構）製作更精準更複雜的臉部網絡模型，因此 Face ID 需要不斷學習，以增強內部對用戶臉部有更深入的辨識。
臉部辨識亦使用到視覺框架（Vision Framework），收集與分辨用戶不同角度、不同大小（縮放比例）、顏色的臉部資料。蘋果採用了部份二次採樣解碼技術，以及自動平鋪技術，令非一般長闊比例的映像，也能夠進行高效圖像運算。
最後蘋果需要解決的是處理器與內置儲存使用量的問題。系統使用分析計算圖來分配神經網絡的中間層，將多個圖層放到同一個緩衝區。另外在圖像金字塔上共享相同的權重與參數，減低儲存容量消耗。蘋果亦令網絡的圖片解像度動態調整到輸入圖像的解像度大小，減少處理的數量。
基於以上的數據處理，再配合高效能的 A11 Bionic 處理器，iPhone X 做到了在短時間內就能完成，能不經互聯網，直接在手機內完成的深度演算法，在用戶沒有意識之下，每秒處理數百萬個浮點的神經網絡，進行極為精確的人臉辨識，令 Face ID 能夠完全取代 Touch ID 成為 iPhone 上可用以電子支付的生物識別技術。
留意以上文言使用較淺白文字，或有較為籠統的描述，如需要理進一步技術上的解說，請參考原文：https://machinelearning.apple.com/2017/11/16/face-detection.html
資料來源：Apple