4、人脸特征数据特性：人脸特征向量的表示、维度、敏感性与隐私合规要求（GDPR、个人信息保护法）
智能门锁的人脸识别功能，其核心并非存储一张“照片”，而是存储从人脸图像中提取出的特征向量。理解特征向量的数学本质、维度选择、敏感性分级以及隐私合规要求，是设计本地安全存储方案的逻辑起点。本章将深入剖析人脸特征数据的四个关键维度，帮助你在工程实现与法律合规之间找到平衡点。
4.1 人脸特征向量的数学本质与表示方法
人脸识别系统在采集到人脸图像后，并不会直接保存图像文件，而是通过深度神经网络（如FaceNet、ArcFace、CosFace等）将人脸图像映射为一个固定长度的浮点型特征向量。这个向量是人脸生物特征的数学抽象，理论上具有唯一性、稳定性和不可逆性。
从数学角度看，特征向量通常表示为 v = [x₁, x₂, x₃, ..., xₙ]，其中 n 为向量维度。每个分量 xᵢ 是一个浮点数，取值范围通常在 [-1, 1] 或 [0, 1] 之间。为了提升比对效率，特征向量在提取后通常会进行 L2 归一化，使其模长为 1，这样在计算余弦相似度时可以直接使用点积运算。
在实际工程中，特征向量的表示需要关注以下关键参数：
- 数据类型：通常使用 float32（4字节）存储，部分低功耗场景会量化为 int8 或 int16 以节省存储空间，但会带来少量精度损失。
- 存储大小：以 128 维 float32 为例，单个特征向量占用 512 字节；512 维则占用 2KB。对于门锁本地存储而言，通常需要保存 10~50 个家庭成员的特征，总存储量在 5KB~100KB 之间，完全可以在安全芯片内部或外部安全存储区容纳。
- 比对方式：门锁本地比对通常采用余弦相似度或欧氏距离。余弦相似度阈值一般设定在 0.6~0.75 之间，具体取决于算法模型和误识率（FAR）要求。
4.2 特征向量维度的选择策略与工程权衡
特征向量的维度直接影响识别精度、计算开销和存储占用。当前主流人脸识别模型输出的特征维度从 64 维到 1024 维不等，智能门锁场景需要根据硬件资源做出合理选择。
| 维度 | 存储占用（float32） | 识别精度 | 计算开销 | 适用场景 |
|---|---|---|---|---|
| 64D | 256 B | 较低（FAR≈1%） | 极低 | 低功耗MCU、极简门锁 |
| 128D | 512 B | 中等（FAR≈0.1%） | 低 | 主流智能门锁 |
| 256D | 1 KB | 较高（FAR≈0.01%） | 中 | 中高端门锁 |
| 512D | 2 KB | 高（FAR≈0.001%） | 较高 | 高端门锁/门禁系统 |
维度选择的核心权衡在于：高维度带来更高精度，但需要更强的算力和更大的存储空间。对于智能门锁这种电池供电、算力受限的设备，128D 或 256D 是较为均衡的选择。若使用 512D 特征，建议在 SoC 中集成 NPU 或 DSP 来加速比对计算，否则解锁延迟可能超过用户可接受的 1 秒阈值。
4.3 人脸特征数据的敏感性与隐私合规要求
人脸特征属于生物识别信息，在全球主要司法管辖区均被列为高敏感数据。与密码或 PIN 码不同，人脸特征一旦泄露，用户无法像修改密码一样“重置”自己的脸。因此，合规要求极为严格。
4.3.1 GDPR（欧盟通用数据保护条例）相关要求
GDPR 第 9 条将生物识别数据（用于唯一识别自然人身份）列为特殊类别数据，原则上禁止处理，除非满足以下条件之一：
- 数据主体给出了明确同意（Explicit Consent），且同意声明需清晰、具体、自愿。
- 处理是履行法律义务或保护数据主体切身利益所必需的。
- 处理是在数据主体明确公开其个人信息的情况下进行的。
对于智能门锁而言，最直接的合规路径是获取用户的明确同意。在首次录入人脸时，必须通过 App 或门锁屏幕向用户展示：收集哪些数据、用途是什么、存储在哪里、保留多久、如何删除。同时，GDPR 要求实施数据最小化原则——只收集实现功能所必需的最少数据，且不得用于其他目的。
4.3.2 中国《个人信息保护法》相关要求
《个人信息保护法》第 28 条将人脸信息列为敏感个人信息，处理敏感个人信息需要满足更严格的条件：
- 单独同意：不能与其他授权事项捆绑，必须单独弹窗或单独勾选。
- 特定目的和充分必要性：门锁厂商不能以“提升用户体验”为由收集人脸数据用于其他分析。
- 告知处理方式：需明确告知保存期限、处理规则和安全措施。
- 本地化存储要求：人脸特征数据原则上应在境内存储，且不得非法向境外传输。
4.4 案例拆解：某品牌智能门锁的合规存储方案
以下是一个典型的智能门锁人脸特征存储方案设计案例，帮助你理解理论如何落地。
背景与约束：某中高端智能门锁产品，采用 256D 特征向量，目标存储 20 个用户的人脸特征。硬件平台为 Arm Cortex-M7 主控 + 独立安全芯片（SE）。产品需要满足中国个保法和欧盟 GDPR 双合规要求。
初始目标：在保证识别速度（解锁时间 < 1s）的前提下，实现人脸特征的安全存储与合规管理。
关键设计决策：
- 特征存储格式：将 256D float32 特征量化为 int8 格式，存储大小从 1KB 降至 256B，20 个用户总计 5KB，可完全存储在 SE 内部 Flash 中。
- 加密方案：SE 内部生成 AES-256 密钥，特征数据使用 AES-GCM 模式加密后存储。密钥永不出 SE，即使攻击者读取 Flash 也只能获得密文。
- 访问控制：主控通过安全通道（如 SPI + 双向认证）向 SE 发起比对请求，SE 在内部完成解密和比对，仅返回比对结果（匹配/不匹配），不返回特征明文。
- 合规流程：首次录入时，门锁屏幕显示《人脸信息处理告知书》，用户点击“同意”后，门锁生成一条不可篡改的同意记录（含时间戳和用户 ID），存储在 SE 中。用户可通过 App 随时撤回同意并删除特征。
结果对比：采用该方案后，单次比对耗时约 350ms（含图像采集和特征提取），满足 <1s 要求。存储占用仅 5KB，SE 资源充足。合规审计时，可提供完整的同意记录和删除日志。
风险与代价：int8 量化导致 FAR 从 0.01% 上升至 0.03%，但通过适当调整阈值（从 0.65 降至 0.62），FRR 保持在可接受范围。SE 芯片成本增加约 3~5 元人民币，但换来了合规性和安全性。
复盘经验：特征量化是降低存储和计算开销的有效手段，但必须经过充分测试验证精度损失。合规不是事后补救，而是需要在产品定义阶段就纳入设计。
4.5 常见误区与总结复盘
在智能门锁人脸特征存储的工程实践中，以下误区需要特别警惕：
- 误区一：认为特征向量不是个人信息。事实上，特征向量可以唯一识别自然人，属于法律定义的个人信息/生物识别数据，必须按敏感数据对待。
- 误区二：将特征数据加密后存储在普通 Flash 中即可。如果加密密钥也存储在同一个 Flash 中，攻击者可通过读取密钥解密数据。必须使用独立安全芯片或 TEE 保护密钥。
- 误区三：为了追求精度使用 512D 特征。在低算力 MCU 上，512D 特征比对可能导致解锁延迟超过 2 秒，严重影响用户体验。应根据硬件能力选择合适维度。
- 误区四：忽略同意记录的留存。合规审计时，如果无法证明用户曾明确同意，产品可能面临下架或罚款风险。同意记录本身也需要防篡改。
- 误区五：认为本地存储就不需要合规。即使数据不出设备，只要涉及收集和处理个人信息，就必须遵守个保法和 GDPR 的相关规定。