成都弱电工程公司

成都监控|成都监控安装|监控工程|成都监控公司|成都监控维护|成都网络布线|成都监控设备安装公司|

185-0822-7772

最新公告:
  • 成都弱电工程公司
  • 成都监控安装
  • 成都周界报警
  • 成都综合布线

弱电工程服务项目

联系我们

  • 成都浩鸿伟业科技有限公司
    地址:成都市武侯区晋沙街16号解甲园1栋3单元1201号
    电话:185-0822-7772
    邮箱:ibfs@qq.com
     

成都弱电工程相关案例

  当前位置:

你真的相信银行刷脸取款是安全的吗?

阅览次数:506 次  发布日期: -0001-11-30

成都弱电公司讯:

这几天有条新闻引起了我的关注,《招行推出ATM‘刷脸’取款业务》的新闻大意讲的是招商银行已将“刷脸”技术正式应用在ATM取款上,在其ATM机内部安装的人脸辨认系统可以自动抓拍取款人现场照片,然后与银行的可信照片源库进行比对,验证通过后,让取款人输入手机号再次进行核对,就可以进行取款,取款再也不用银行卡啦。

从今年3月份,阿里巴巴董事局主席马云在德国参加活动时,通过刷脸技术为嘉宾从淘宝上购买礼物开始,刷脸支付开始进入公众的视线。紧接着比常规支付系统相对更保守的银行领域,也开始引入人脸辨认技术。到目前为止,并不仅仅是招商银行,正式在业务环节运用人脸辨认技术的还包括微众银行、江苏银行、浙商银行、平安银行、成都银行;华夏银行、浦发银行、成都银行等也已成立团队研究该业务。

各路银行大佬,互联网大佬的争相看好,让各路媒体又开始打了鸡血似的大肆鼓吹刷脸支付的前景远大。然而却在近日却被一条娱乐新闻打了脸,略显尴尬。

据人民法院报法治客户端报道,著名演员赵薇的老公黄有龙当前被人告上法庭,说是有人买了他的房子却迟迟无法入住,要求黄有龙腾退房产。一调查发现,这房子并不是黄有龙卖掉的,而是被他的司机给卖掉的。

那么问题来了,司机为什么能卖掉黄有龙的房子呢?原来是黄有龙司机冒充黄有龙到公证处,骗过了公证处的人脸辨认系统办理了委托公证证明,将黄有龙的房子给卖了,所以引发了这起乌龙。

刷脸取款的平安性

作为一个穷人,小编对于钱是非常谨慎的,任何有风险使得小编面临经济损失的人或事,小编一贯敬而远之。现在可好,2条新闻往小编面前一放,再加上小编最近对生物辨认技术很是感兴趣,所以就想着好好掰扯掰扯刷脸取款的平安问题。我们先讨论一下人脸辨认技术的准确率问题,主要从误识率、拒识率2个方向进行研究。

误识率

误识指的是原本不是本人,但是系统却将他认成是本人了。大家假如感兴趣的话,稍加百度便可知道人脸辨认真的算是误识率是比较高的一种生物辨认技术了。我们先来直观感受一下,化妆、很相似的双胞胎、整容等等都会对人脸辨认造成一定程度的影响。据我们的生活经验判断,对于很相似的双胞胎、化妆前后的人、整容过的人站在我们面前,作为人类的我们也很难准确判断,往往会认错。人是利用视觉、听觉、嗅觉、触觉等五感进行综合判断的,自然是要强过仅仅通过视觉判断的人脸辨认系统,那人脸辨认系统的误识率就可想而知了,肯定不会太低。正如慧聪安防网顾问向良璧先生所说“机器智能在绝大多数领域强不过人的智能,也许机器在记忆、计算能力上可能有一定的优势,但综合分析和判断能力目前肯定是不如人的。”

直观感受过后,我们来看看数据。关于人脸辨认的辨认率,目前实验室中给出的最好数据是香港中文大学教授汤晓鸥团队的人脸辨认技术,其团队最主要的研究成果是GaussianFace、DeepID、DeepID2等人脸辨认技术,在全球最具权威的人脸辨认数据库LFW(LabeledFacesintheWild)的实验中多次打破记录。截至去年7月份,汤晓鸥团队研发的三个人脸辨认算法占据了LFW辨认率的前三名,最高达到了99.15%的辨认率。99.15%是实验室的数据,在实际应用中要打折扣的。即使是实验室数据的误识率也几乎达到1%,也即人脸辨认系统在每100次辨认中总要错误辨认1次。这样的数据一拿出来,就让小编有点心肝颤了。

不过在刁难完人脸辨认之后,小编要来给刷脸取款来平反了。其实虽然说人脸辨认的误识率相对于诸如虹膜辨认200万分之一的误识来说,真是有点不够好看,但即便如此,对于熟悉取款业务平安性的人也不必太过杞人忧天,因为人脸辨认并不是刷脸取款的唯一的身份验证方式,以招行为例,在取款人经过系统的身份认证之后,取款人还需要输入手机号码和取款密码才能取款。一个人总不至于同时被人脸辨认系统误识、又同时遗失手机号码和取款密码吧?即使有这概率也微乎其微了。同时,为了保证万一真的发生这种难得一遇的小概率事件,使用户不蒙受过多的财产损失,银行在取款限额上作了限定,单日取款不能超过3000块。当然,这也从一定程度上反映了银行对此项业务的不自信。

拒识率

拒识指的是原本是某人,但是系统却认为不是本人。刷脸取款应用,相对误识来说,拒识率过高可就严重多了。我们知道刷脸取款在某种程度上,其实是用人脸辨认替代了银行卡,我们可以通过人脸辨认进行身份认证,而不需要通过插卡来进行取款。也就是说,虽然我们可以通过三重平安保证来保障我们最终的取款平安,但是我们一旦被拒识了就白瞎了。想象一下,假如系统认不出来我们是本人,那么我根本连进入取款程序的资格都没有,记得手机号码和银行密码也没用。当然这是小编根据搜集到的资料自己猜测的,或许目前推出此业务的银行已经推出了相对应的解决手段,但是小编没有看到。

那人脸辨认的拒识率表现怎么样呢?据腾讯优图负责人黄飞跃博士说,很相似的双胞胎、天气光线、裁剪部位的分歧,都会对辨认产生一定的影响。人脸辨认的图像采集是通过前端摄像头进行的,一旦光线不好或者摄像头像素不高便会对图像的采集造成非常大的影响;同时人脸辨认的辨认机制是首先通过拍摄人的各种分歧的情绪、角度等照片形成数据库,然后在辨认的时候通过摄像头采集,与数据库中的图像进行对比,形成配对。所以分歧的剪裁部位和像素同样会对人脸辨认造成较大影响。小编目前没有找到人脸辨认技术具体的拒识率数据,但是就上文提到的这些情景来说,人脸辨认的拒识率也不会太低。

因而,对于刷脸取款的平安性和方便性问题,可以一句话总结,人脸辨认技术虽然不是万无一失的生物辨认技术,由于一项技术在推广过程中需要通过实用不断改进,刷脸取款业务我们还是可以积极拥抱的。

辨认速度

仅仅谈技术的时候,技术的先进程度可能是我们唯一关注的内容。但当一项技术投入实际使用,我们更需要关注的或许是使用体验了。针对刷脸取款,小编我个人最担心的是辨认速度。想象一下小编我站在ATM机前面准备取款,结果我照片拍了半天后看着辨认系统一直在那儿转圈圈,半天辨认不出来,我真的是会抓狂。经过多方资料搜集发现这并不是小编我杞人忧天。

在达到接近甚至超过人脸辨认准确率的前提下,每一张人脸能被辨认其数据可小于1KB,这算是相当小的数据了。但是,数据量小的人脸特征随着人员数量增长也会变成大数据。曾有人对分歧规模的人脸数据库做了计算:1000万人脸的数据量可达到10GB,3亿人脸的数据量就是300GB,且经研究发现,针对一个大小为1000万的人脸库的查重,若采用暴力对比法查,需要对比50万亿次。这样一来,人脸辨认的对比速度马上就会降下来。由于有一定的保密性,费了九牛二虎之力,小编查到了工商银行的储户数据,工商银行有509万家公司客户和4.65亿个人客户,那么另外的大银行储户数据可能略小于工行的数据,但是至少都是亿级别的。在如此巨大的数据量面前,刷脸取款的辨认速度不得不说是个令人担忧的事情啊。当然随着算法的提升,辨认技术和芯片功能的进一步完善和提高,辨认速度的问题的解决只是时日问题。

在线客服1

在线客服2

在线服务3

售后服务