大数据时代人脸识别在商业银行中应用

成都弱电公司讯：

在当前利率市场化、互联网金融蓬勃发展、经济新常态三大因素形成共振的历史转折点上，我国商业银行经营模式面临着全新的变革。如何在精细化经营经管的基础上为客户提供更优质、更平安的服务体验，成为各商业银行竞争的焦点。近年来，云计算、物联网和人工智能技术变革式发展，相关应用百花齐放，对“大数据”资源的整合利用与智能化发展成为了商业银行提高“内力”的修炼法门。人脸信息有着不可复制、不可盗取、简便直观等长处，是大数据时代各商业银行应储备和发掘价值的重要战略资源。而随着技术变革和应用的普及，建设大规模、分布式人脸数据库及辨认系统的成本不断降低，辨认的精度不断提高。可以预见，人脸辨认技术在商业银行领域的潜在价值将被不断发掘提升，在保障服务平安性、节约客户时间、提升客户体验、整合与挖掘数据资源等方面具备广泛的应用前景。

人脸辨认技术概述

人脸辨认技术是以身份检索或校验为目标，通过从给定的静态或动态图像中提取人脸信息等手段，与数据库中已知身份人脸进行匹配的过程。由于受到光照、表情、遮挡、朝向等干扰因素的影响，与另外基于身份证、虹膜、掌纹、指纹等技术手段相比，人脸辨认技术的准确率相对较低，但其采集方式最为友好：无须当事人配合，甚至在其意识不到的情况下，就完成了对人脸信息的采集与辨认。因此，人脸辨认技术在过去的四十多年中一直是人工智能领域的热点研究课题，至今已逐渐走向成熟，已经应用于反恐、安防、成都门禁等领域，近年来开始向教育、金融等领域推广。

根据应用场景的分歧，人脸辨认可分为针对二维图像的人脸辨认、针对监控视频的人脸辨认、针对近红外、热红外成像或素描等的多模态人脸辨认和针对深度信息的三维人脸辨认等。对于上述各种数据输入类型，均有来自学术界、业界的研究人员提出了基于分歧假设、分歧模型、分歧学科背景的人脸辨认处理方法。经归纳，这些方法有类似的处理步骤，主要包括以下几类：一是人脸检测。解决“有几张脸、脸在哪”的问题，即从图片或视频中检测并确定人脸的位置，并将其分离。二是人脸跟踪(针对视频人脸)。解决辨认人脸“从哪来、到哪去”的问题，对检测到的每一张脸在视频各帧中进行跟踪，如出现遮挡应在遮挡结束后恢复跟踪，好比两张人脸交错而过应不出现混淆。三是人脸规范化。解决“鼻子、眼睛、嘴巴位置对得上”的问题，具体操作包括预处理、归一化、人脸标定等。四是人脸辨认。即解决“这个人是谁”(检索)、“这个人是不是某客户”(校验)的问题。

在建立人脸数据库及辨认系统时，需要对人脸数据进行练习并建模，假如数据库动态更新还将涉及到在线学习等内容；辨认人脸时，要把须辨认的人脸与数据库中已有的人脸进行对比，判断二者相似程度，并按预先设定的尺度进行检索或校验。人脸辨认有多种方法，如：基于几何特征、基于子空间映射降维、基于模板、基于模型、基于神经网络等方法。

当前，基于“深度学习”的方法在一些算法竞赛中取得了很高的辨认准确率，并迅速在业界投入应用。深度学习并不特指某一个算法，而是SparseCoding、RBM、深信度网络等技术方法的总称。作为一类基于神经网络的方法，根据认知心理学，其主要思想是模拟人类大脑神经的信号传递。与传统神经网络模型2～3层练习层分歧，深度学习的练习层数可达8～9层。因此在2006年该思想被提出之初，海量的练习数据和很高的计算复杂度超出了当时硬件的承受能力。但由于计算机硬件性能的提升，深度学习算法在准确率方面的优势迅速凸显。目前，谷歌、微软、百度等公司都成立了专门的部门对深度学习技术进行研究开发，市场上也涌现出一批基于深度学习的人脸辨认团队。目前，基于深度学习的方法已经成为人脸辨认技术领域的重要发展趋势和方向。

此外，一些人脸分析技术也随着人脸辨认技术的发展得到了普及和优化，包括对表情、年龄、性别等属性的判别，使基于这些属性信息的数据挖掘聚类、分类等大数据分析应用成为可能。人脸辨认技术在实际应用中，还可以考虑与另外技术或辅助手段相结合，如结合深度信息实现活体检测，判断是真人还是照片等。

人脸辨认技术在商业银行的应用

人脸辨认技术当前主要应用于公共平安领域，如：辨认追踪恐怖分子、布控犯罪率高发地区、机场安检、司机驾照验证、成都视频监控等。然而，人脸辨认技术在商业银行同样存在着巨大的发展空间。未来，商业银行可以从平安防控和业务推动两方面着手，对人脸辨认技术在银行落地进行全面部署和实施。