成都弱電公司訊：

這幾天有條新聞引起了我的關注，《招行推出ATM‘刷臉’取款業務》的新聞大意講的是招商銀行已將“刷臉”技術正式應用在ATM取款上，在其ATM機內部安裝的人臉辨認系統可以自動抓拍取款人現場照片，然后與銀行的可信照片源庫進行比對，驗證通過后，讓取款人輸入手機號再次進行核對，就可以進行取款，取款再也不用銀行卡啦。

從今年3月份，阿里巴巴董事局主席馬云在德國參加活動時，通過刷臉技術為嘉賓從淘寶上購買禮物開始，刷臉支付開始進入公眾的視線。緊接著比常規支付系統相對更保守的銀行領域，也開始引入人臉辨認技術。到目前為止，并不僅僅是招商銀行，正式在業務環節運用人臉辨認技術的還包括微眾銀行、江蘇銀行、浙商銀行、平安銀行、成都銀行；華夏銀行、浦發銀行、成都銀行等也已成立團隊研究該業務。

各路銀行大佬，互聯網大佬的爭相看好，讓各路媒體又開始打了雞血似的大肆鼓吹刷臉支付的前景遠大。然而卻在近日卻被一條娛樂新聞打了臉，略顯尷尬。

據人民法院報法治客戶端報道，著名演員趙薇的老公黃有龍當前被人告上法庭，說是有人買了他的房子卻遲遲無法入住，要求黃有龍騰退房產。一調查發現，這房子并不是黃有龍賣掉的，而是被他的司機給賣掉的。

那么問題來了，司機為什么能賣掉黃有龍的房子呢？原來是黃有龍司機冒充黃有龍到公證處，騙過了公證處的人臉辨認系統辦理了委托公證證明，將黃有龍的房子給賣了，所以引發了這起烏龍。

刷臉取款的平安性

作為一個窮人，小編對于錢是非常謹慎的，任何有風險使得小編面臨經濟損失的人或事，小編一貫敬而遠之。現在可好，2條新聞往小編面前一放，再加上小編最近對生物辨認技術很是感興趣，所以就想著好好掰扯掰扯刷臉取款的平安問題。我們先討論一下人臉辨認技術的準確率問題，主要從誤識率、拒識率2個方向進行研究。

誤識率

誤識指的是原本不是本人，但是系統卻將他認成是本人了。大家假如感興趣的話，稍加百度便可知道人臉辨認真的算是誤識率是比較高的一種生物辨認技術了。我們先來直觀感受一下，化妝、很相似的雙胞胎、整容等等都會對人臉辨認造成一定程度的影響。據我們的生活經驗判斷，對于很相似的雙胞胎、化妝前后的人、整容過的人站在我們面前，作為人類的我們也很難準確判斷，往往會認錯。人是利用視覺、聽覺、嗅覺、觸覺等五感進行綜合判斷的，自然是要強過僅僅通過視覺判斷的人臉辨認系統，那人臉辨認系統的誤識率就可想而知了，肯定不會太低。正如慧聰安防網顧問向良璧先生所說“機器智能在絕大多數領域強不過人的智能，也許機器在記憶、計算能力上可能有一定的優勢，但綜合分析和判斷能力目前肯定是不如人的。”

直觀感受過后，我們來看看數據。關于人臉辨認的辨認率，目前實驗室中給出的最好數據是香港中文大學教授湯曉鷗團隊的人臉辨認技術，其團隊最主要的研究成果是GaussianFace、DeepID、DeepID2等人臉辨認技術，在全球最具權威的人臉辨認數據庫LFW（LabeledFacesintheWild）的實驗中多次打破記錄。截至去年7月份，湯曉鷗團隊研發的三個人臉辨認算法占據了LFW辨認率的前三名，最高達到了99.15%的辨認率。99.15%是實驗室的數據，在實際應用中要打折扣的。即使是實驗室數據的誤識率也幾乎達到1%，也即人臉辨認系統在每100次辨認中總要錯誤辨認1次。這樣的數據一拿出來，就讓小編有點心肝顫了。

不過在刁難完人臉辨認之后，小編要來給刷臉取款來平反了。其實雖然說人臉辨認的誤識率相對于諸如虹膜辨認200萬分之一的誤識來說，真是有點不夠好看，但即便如此，對于熟悉取款業務平安性的人也不必太過杞人憂天，因為人臉辨認并不是刷臉取款的唯一的身份驗證方式，以招行為例，在取款人經過系統的身份認證之后，取款人還需要輸入手機號碼和取款密碼才能取款。一個人總不至于同時被人臉辨認系統誤識、又同時遺失手機號碼和取款密碼吧？即使有這概率也微乎其微了。同時，為了保證萬一真的發生這種難得一遇的小概率事件，使用戶不蒙受過多的財產損失，銀行在取款限額上作了限定，單日取款不能超過3000塊。當然，這也從一定程度上反映了銀行對此項業務的不自信。

拒識率

拒識指的是原本是某人，但是系統卻認為不是本人。刷臉取款應用，相對誤識來說，拒識率過高可就嚴重多了。我們知道刷臉取款在某種程度上，其實是用人臉辨認替代了銀行卡，我們可以通過人臉辨認進行身份認證，而不需要通過插卡來進行取款。也就是說，雖然我們可以通過三重平安保證來保障我們最終的取款平安，但是我們一旦被拒識了就白瞎了。想象一下，假如系統認不出來我們是本人，那么我根本連進入取款程序的資格都沒有，記得手機號碼和銀行密碼也沒用。當然這是小編根據搜集到的資料自己猜測的，或許目前推出此業務的銀行已經推出了相對應的解決手段，但是小編沒有看到。

那人臉辨認的拒識率表現怎么樣呢？據騰訊優圖負責人黃飛躍博士說，很相似的雙胞胎、天氣光線、裁剪部位的分歧，都會對辨認產生一定的影響。人臉辨認的圖像采集是通過前端攝像頭進行的，一旦光線不好或者攝像頭像素不高便會對圖像的采集造成非常大的影響；同時人臉辨認的辨認機制是首先通過拍攝人的各種分歧的情緒、角度等照片形成數據庫，然后在辨認的時候通過攝像頭采集，與數據庫中的圖像進行對比，形成配對。所以分歧的剪裁部位和像素同樣會對人臉辨認造成較大影響。小編目前沒有找到人臉辨認技術具體的拒識率數據，但是就上文提到的這些情景來說，人臉辨認的拒識率也不會太低。

因而，對于刷臉取款的平安性和方便性問題，可以一句話總結，人臉辨認技術雖然不是萬無一失的生物辨認技術，由于一項技術在推廣過程中需要通過實用不斷改進，刷臉取款業務我們還是可以積極擁抱的。

辨認速度

僅僅談技術的時候，技術的先進程度可能是我們唯一關注的內容。但當一項技術投入實際使用，我們更需要關注的或許是使用體驗了。針對刷臉取款，小編我個人最擔心的是辨認速度。想象一下小編我站在ATM機前面準備取款，結果我照片拍了半天后看著辨認系統一直在那兒轉圈圈，半天辨認不出來，我真的是會抓狂。經過多方資料搜集發現這并不是小編我杞人憂天。

在達到接近甚至超過人臉辨認準確率的前提下，每一張人臉能被辨認其數據可小于1KB，這算是相當小的數據了。但是，數據量小的人臉特征隨著人員數量增長也會變成大數據。曾有人對分歧規模的人臉數據庫做了計算：1000萬人臉的數據量可達到10GB，3億人臉的數據量就是300GB，且經研究發現，針對一個大小為1000萬的人臉庫的查重，若采用暴力對比法查，需要對比50萬億次。這樣一來，人臉辨認的對比速度馬上就會降下來。由于有一定的保密性，費了九牛二虎之力，小編查到了工商銀行的儲戶數據，工商銀行有509萬家公司客戶和4.65億個人客戶，那么另外的大銀行儲戶數據可能略小于工行的數據，但是至少都是億級別的。在如此巨大的數據量面前，刷臉取款的辨認速度不得不說是個令人擔憂的事情啊。當然隨著算法的提升，辨認技術和芯片功能的進一步完善和提高，辨認速度的問題的解決只是時日問題。