成都弱電公司訊：

在當前利率市場化、互聯網金融蓬勃發展、經濟新常態三大因素形成共振的歷史轉折點上，我國商業銀行經營模式面臨著全新的變革。如何在精細化經營經管的基礎上為客戶提供更優質、更平安的服務體驗，成為各商業銀行競爭的焦點。近年來，云計算、物聯網和人工智能技術變革式發展，相關應用百花齊放，對“大數據”資源的整合利用與智能化發展成為了商業銀行提高“內力”的修煉法門。人臉信息有著不可復制、不可盜取、簡便直觀等長處，是大數據時代各商業銀行應儲備和發掘價值的重要戰略資源。而隨著技術變革和應用的普及，建設大規模、分布式人臉數據庫及辨認系統的成本不斷降低，辨認的精度不斷提高。可以預見，人臉辨認技術在商業銀行領域的潛在價值將被不斷發掘提升，在保障服務平安性、節約客戶時間、提升客戶體驗、整合與挖掘數據資源等方面具備廣泛的應用前景。

人臉辨認技術概述

人臉辨認技術是以身份檢索或校驗為目標，通過從給定的靜態或動態圖像中提取人臉信息等手段，與數據庫中已知身份人臉進行匹配的過程。由于受到光照、表情、遮擋、朝向等干擾因素的影響，與另外基于身份證、虹膜、掌紋、指紋等技術手段相比，人臉辨認技術的準確率相對較低，但其采集方式最為友好：無須當事人配合，甚至在其意識不到的情況下，就完成了對人臉信息的采集與辨認。因此，人臉辨認技術在過去的四十多年中一直是人工智能領域的熱點研究課題，至今已逐漸走向成熟，已經應用于反恐、安防、成都門禁等領域，近年來開始向教育、金融等領域推廣。

根據應用場景的分歧，人臉辨認可分為針對二維圖像的人臉辨認、針對監控視頻的人臉辨認、針對近紅外、熱紅外成像或素描等的多模態人臉辨認和針對深度信息的三維人臉辨認等。對于上述各種數據輸入類型，均有來自學術界、業界的研究人員提出了基于分歧假設、分歧模型、分歧學科背景的人臉辨認處理方法。經歸納，這些方法有類似的處理步驟，主要包括以下幾類：一是人臉檢測。解決“有幾張臉、臉在哪”的問題，即從圖片或視頻中檢測并確定人臉的位置，并將其分離。二是人臉跟蹤(針對視頻人臉)。解決辨認人臉“從哪來、到哪去”的問題，對檢測到的每一張臉在視頻各幀中進行跟蹤，如出現遮擋應在遮擋結束后恢復跟蹤，好比兩張人臉交錯而過應不出現混淆。三是人臉規范化。解決“鼻子、眼睛、嘴巴位置對得上”的問題，具體操作包括預處理、歸一化、人臉標定等。四是人臉辨認。即解決“這個人是誰”(檢索)、“這個人是不是某客戶”(校驗)的問題。

在建立人臉數據庫及辨認系統時，需要對人臉數據進行練習并建模，假如數據庫動態更新還將涉及到在線學習等內容；辨認人臉時，要把須辨認的人臉與數據庫中已有的人臉進行對比，判斷二者相似程度，并按預先設定的尺度進行檢索或校驗。人臉辨認有多種方法，如：基于幾何特征、基于子空間映射降維、基于模板、基于模型、基于神經網絡等方法。

當前，基于“深度學習”的方法在一些算法競賽中取得了很高的辨認準確率，并迅速在業界投入應用。深度學習并不特指某一個算法，而是SparseCoding、RBM、深信度網絡等技術方法的總稱。作為一類基于神經網絡的方法，根據認知心理學，其主要思想是模擬人類大腦神經的信號傳遞。與傳統神經網絡模型2～3層練習層分歧，深度學習的練習層數可達8～9層。因此在2006年該思想被提出之初，海量的練習數據和很高的計算復雜度超出了當時硬件的承受能力。但由于計算機硬件性能的提升，深度學習算法在準確率方面的優勢迅速凸顯。目前，谷歌、微軟、百度等公司都成立了專門的部門對深度學習技術進行研究開發，市場上也涌現出一批基于深度學習的人臉辨認團隊。目前，基于深度學習的方法已經成為人臉辨認技術領域的重要發展趨勢和方向。

此外，一些人臉分析技術也隨著人臉辨認技術的發展得到了普及和優化，包括對表情、年齡、性別等屬性的判別，使基于這些屬性信息的數據挖掘聚類、分類等大數據分析應用成為可能。人臉辨認技術在實際應用中，還可以考慮與另外技術或輔助手段相結合，如結合深度信息實現活體檢測，判斷是真人還是照片等。

人臉辨認技術在商業銀行的應用

人臉辨認技術當前主要應用于公共平安領域，如：辨認追蹤恐怖分子、布控犯罪率高發地區、機場安檢、司機駕照驗證、成都視頻監控等。然而，人臉辨認技術在商業銀行同樣存在著巨大的發展空間。未來，商業銀行可以從平安防控和業務推動兩方面著手，對人臉辨認技術在銀行落地進行全面部署和實施。