我的商務中心 | 修改資料 | 退出登錄
通行證: 立即注冊
首頁 » 學院 » 分析評論 » 中科院專家山世光:刷臉支付還不成熟,普及刷臉尚需時日
支付圈公眾微信平臺號:paycircle | 超級QQ群:210331756
123456
123456

中科院專家山世光:刷臉支付還不成熟,普及刷臉尚需時日


【發布日期】:2015-07-06  【來源】:財新網  【作者】:張宇哲

      【PayCircle支付圈核心提示】2015年以來,騰訊、阿里等多個IT巨頭及上市公司紛紛加碼布局人臉識別產業,并希望將人臉支付技術的應用延伸到金融業務領域。
QQ__20150505154926.thumb_hl
   2015年以來,騰訊、阿里等多個IT巨頭及上市公司紛紛加碼布局人臉識別產業,并希望將人臉支付技術的應用延伸到金融業務領域。
  今年3月,阿里巴巴集團董事局主席馬云在德國參加活動時,曾演示螞蟻金服的Smile to Pay掃臉技術。這項支付認證技術由螞蟻金服與Face++ Financial合作研發,在購物后的支付認證階段通過掃臉取代傳統密碼。這意味著,未來可以實現“刷臉支付”。支付寶宣稱,Face++Financial人臉識別技術在國際權威人臉識別數據庫LFW國際公開測試集中達到99.5%準確率,同時,還能運用“交互式指令+連續性判定+3D判定”的技術。
  近日最新消息是,騰訊的優圖團隊向LFW提交了在無限制條件下人臉驗證測試中的最新成績是,99.65%。這一結果打破了之前Facebook,Face++、Google等團隊創造的紀錄。
  此前騰訊旗下的財付通曾表示,已與中國公安部所屬的全國公民身份證號碼查詢服務中心達成人像比對服務的戰略合作。騰訊與微眾銀行正在對金融、證券等業務進行人臉識別的應用進行嘗試。財新也同時獲悉,阿里、騰訊已計劃把刷臉支付技術在年內進行市場應用。
  6月28日,在北京國際財源中心,由“未來論壇”聯合舉辦的,題為《計算機視覺:從刷臉到認萬物”主題講座上,中國科學院計算技術研究所研究員山世光博士詳細介紹了人臉識別技術在國內外的發展史,并澄清了外界對人臉識別技術的誤區。他表示,“必須說明的是,盡管現有人臉識別技術在LFW等人臉數據庫上的準確率已經達到99.5%,但這不等于人臉識別技術在所有應用場景下都已經成熟了。總體上人臉識別在金融、安防等場景中的很多應用尚不成熟,還有很長的路要走。”
  他以馬云在德國展示刷臉支付的圖片展示為例,“從圖片展示看,系統界面中央有一個頭肩輪廓,從技術角度來講,其實是為了讓刷臉的人盡可能配合的把自己的臉放在這個區域里面去,以保證識別的成功率;從某種意義上,已經說明這個技術還沒有成熟到可以隨便照一下,就可以成功識別出來的水平”。
  他極其強調人臉識別技術的科學評價問題。他說,“某些公司宣傳自己的人臉識別系統的識別率達到了99%,其實單純看識別率這個指標的高低并無太大的意義。”山世光指出,即使一套識別系統性能很差,人們也可以造出一個人臉數據庫,保證該系統在這個庫上的識別率高達99%,“如果不指明測試用人臉數據庫的規模(包括人數和圖像量)、拍照環境(如光照變化)、測試庫中圖片的質量(如分辨率和噪聲指標)、以及拍照時的人臉姿態和表情變化等情況,單純看識別率指標的高低,是沒有意義的”。
  更為重要的是,評價一個識別系統的好壞,除識別率指標外,還必須同時考慮誤識率或虛警率等其他指標,就是把不是張三的人錯誤識別為張三的概率。
  虛警率是指設置低而產生的錯報,多用于目標人監控場景,當目標人沒有出現而報警就是虛警。在人臉識別等生物識別技術中,是將現場人臉采樣和數據庫中已注冊人臉的相似度比較,判斷結果依靠閥值的設定;閾值設置低虛警率就高,設置高虛警率就低。
  山世光亦樂觀地表示,隨著技術進步,預計五年之后,刷臉支付可能會成為一種比較普遍的支付方式。
  山世光主要從事計算機視覺、模式識別和機器學習等相關研究工作,特別是與人臉識別相關的研究工作。他負責的課題組完成的識別系統多次獲得國內外人臉識別競賽第一名,并成功應用于上海世博會、電子護照照片查驗系統等。
 
  技術優與劣
  “深度學習”是人工智能界當前最為炙手可熱的前沿技術之一,其應用于計算機視覺取得了極大的成功,從而帶來了眾多的產業應用可能。Google在2014年收購的4 家人工智能初創公司均涉及“深度學習”技術,其中的3家則涉及計算機視覺技術。阿里、騰訊的人臉識別技術應用也得益于“深度學習”技術。
  據山世光介紹,“深度學習”是近年來被重新發揚光大的一種多層神經網絡技術,配合結合大數據的研究,將LFW人臉庫上的分類錯誤率從3年前的5%降到了現在的1%。在上個世紀80年代就已被提出,其核心算法的大多數技術模塊當時已經出現,近年來由于大數據的涌現、大機器以及GPU的普及、以及業內對大規模優化算法的持續研究,才使得神經網絡技術獲得了新生,并在圖像分類和識別、語音識別等領域取得了巨大的成功。
  他介紹說,現有人臉識別技術大多遵循這樣的技術流程,即將待識別的人臉照片或視頻,與之前已注冊、存儲在計算機中的已知身份人臉照片或視頻進行匹配,以計算它們的相似度。這類系統的大概流程一般包括:一是在圖像中找到臉的位置(即人臉檢測),二是找面部關鍵特征點,三是提取特征。
  他表示,同一人在拍照或攝像時,由于姿態、表情、光照、年齡等的變化,拍出來的面部圖像在信號層面差別非常大。不同的人在相同的拍攝條件下,拍出來的照片在信號層面反而可能會非常相似。這正是自動人臉識別要解決的關鍵挑戰之處,既能區分不同的人、又兼顧各種采集條件的變量因素,是人臉識別技術中最核心的模塊,也是目前“深度學習”的優勢。
  山世光進一步分析稱,總體上,在采集環境可控、用戶配合的一些特定應用場景下,當前的人臉識別技術已基本成熟,如民用級的考勤和門禁系統,證件照之間的比對查重系統等,其中后者用于護照或身份查重,已經非常有效地遏制了多重身份假證件泛濫的問題。如果某人之前曾辦過護照,現在又試圖以另外一個身份再違法申辦一本新的護照,現有人臉識別比對系統就可以把其之前的護照比對出來,從而阻止其獲得假身份。
  但是,山世光強調,人臉識別在金融、安防等場景中的很多應用尚不成熟。如金融領域的刷臉支付系統,安防領域安全等級高(如銀行金庫)的出入口控制系統、人證一致性驗證系統、黑名單目標人監測報警系統等。以黑名單目標人監測為例,在虛警率萬分之一的條件下,首選正確識別率可能只有30%甚至更低,而對安防用途的人證一致性驗證(即判斷持證人是否為本人)系統而言,在誤識率為千分之一時,拒識率可能達40%或更高。
  他援引今年IEEE FG2015舉行的PaSC測試結果。該測試的任務是對比兩個接近監控場景的視頻片段中出現的是否是同一個人,該場景比上述安防等應用場景還要容易得多。即使如此,這個測試結果表明,在虛警率高達1%的情況下,山博士團隊所開發系統的正確驗證率也只有58%左右,而這已經是此次測試的最好成績。
  “這說明類似場景下的人臉識別問題遠沒有得到很好的解決”。再比如整容和雙胞胎問題,他認為也是沒有得到全面解決的。盡管有些系統在媒體上展示其可以區分幾對雙胞胎,但這并不能代表雙胞胎識別問題解決了。“更科學嚴謹的做法應該是找數百甚至上千對雙胞胎做大量測試,形成詳細的誤識率和識別率ROC曲線報告,方可得出可信的結論”。山世光強調。
 
關鍵詞: 刷臉支付 生物識別
 
[ 學院搜索 ]  [ ]  [ 告訴好友 ]  [ 打印本文 ]  [ 關閉窗口 ]
 
123456
TOP10PayCircle熱點新聞排行榜
  • 排行
  • 文章標題
查看完整榜單>>
查看完整榜單>>
今天彩票出什么号码
收縮