雷锋网按：本文内容来自云从科技创始人、中国科学院百人计划周曦博士在硬创公开课的分享。在未改变原意的基础上进行了编辑整理。
明明可以靠脸吃饭”这句话不再只是一个网络段子，随着人脸识别技术的普及，不光可以靠“刷脸”支付吃喝玩乐的花费，现在连银行办业务都可以“刷脸”了。
最近两年，国内各家中小银行和四大行地方分行已经陆续将人脸识别技术用于日常业务，前几日，四大行中的农行更是首先在全国范围应用人脸识别技术。
但是，银行业务光凭“刷脸”真的靠谱吗？本期公开课特意邀请到云从科技创始人、图像识别领域权威周曦博士为大家答疑解惑。目前云从科技是人脸识别技术在银行业的第一大供应商，包括农行总行、建行、中国银行多地分行及数十个中小银行均采用云从科技产品。
周曦，云从科技创始人，中国科学院百人计划，上海交通大学博士生导师，现任中国科学院重庆绿色智能技术研究院信息所副所长 、智能多媒体技术研究中心主任。曾在国际顶级会议、杂志上发表 60 余篇文章，被引用上千次。
本硕就读于中科大，模式识别方向，随后赴美国伊利诺伊大学（UIUC）跟随四院院士（美国工程院、中国工程院、中国科学院、台湾中研院院士） 、“计算机视觉之父”Thomas.S.Huang 度过博士、博士后生涯，从事计算机视觉研究。
在美国的期间，周曦先后在 IBM TJ Watson 研究院、 Microsoft 西雅图总部研究院、NEC 美国加州研究院工作学习。
直播环节
1、 云从科技近日中标农业银行人脸识别项目，为何银行会开始大规模使用人脸识别技术呢？主要用在哪些业务上呢？
答：人脸识别技术在过去一年以来，平均 6 - 8 个月，识别率就会提升一个数量级，测试结果表明，人证合一对比，人眼的识别率平均为 72.5%，而机器识别率普遍已经超过 99.5%，相对机器识别会更准确。同时，机器不会疲劳，能节约人力成本，适合远程业务办理。
银行的 11 个不同部门有 46 种不同的需求，主要涉及的业务有：有远程开户、支付、柜台对比、VIP 迎宾、智能机具、智能金库等。
2、银行在选择人脸识别技术时，重点考虑哪些技术指标，对你们提出过哪些具体要求？
答：银行一般会重点考虑两个技术指标和一个性能指标。
两个技术指标分别是：
正确接受率，也叫通过率。主要考量两张人脸照片为同一个人时，系统判断成功并予以通过的概率，越大越好；
错误接受率，也叫误识率。主要考量两张人脸照片不是同一个人时，系统错误的判断为同一人的概率，越小越好。
一个性能指标是：
比对速度，即两张人脸图片比对所花的时间。
总的来说，银行一般会要求将误识率控制到万分之一以下，通过率必须达到 90% 以上，比对速度控制到 1 秒以内。
3、有人说虹膜识别技术安全性更高，银行为什么不选择呢？
答：生物识别方法的确有很多种，虹膜也是其中一种。但是人脸相对于其他生物特征识别在应用上有显著的优点：
首先，人脸识别使用方便，可非配合，不需接触，没有侵犯性，容易接受。
其次，人脸识别简单直观，符合我们人类的识别习惯，交互性好，方便人工处理。
还有，人脸识别设备通用，使用通用设备，摄像头、PC机、手机、平板。
最后，人脸识别不宜仿冒，有活体识别功能，难以通过照片等简单手段欺骗系统。
4、通过“远程人脸识别 + 身份证件核实”的方式进行身份验证似乎有望成为银行的标配，那么身份证照片和本人差别很大怎么办？
答：中国公民身份证一般办证时间都在 10 年以内，成年人脸的变化较大的经过统计，一般在 5% 左右。经过计算机人脸识别与人的对比，变化较小的 95% 的人与身份证照人脸进行比对，计算机识别率 99.5%，人眼识别率 91% 左右。而差别很大的，计算机识别率 78%，人脸识别率降到 20%。
所以，计算机还是比人眼的准确率要高很多。一般差别很大计算机判断错误的，可以通过目前已有的密码或者人工核查其它身份信息等手段解决。
5、 不用带卡就可以从 ATM 机上“刷脸”取款的确方便，但如何保证安全性呢？
答：我们可以将人的脸理解成银行卡，ATM 机通过人脸识别比对可以将对应的银行卡关联起来，用户还是要输入密码来进行取款。
另外，系统还会通过活体识别技术判断“刷脸”取款的是否为真实人脸，对于拿图片和视频进行冒充他人的情况予以杜绝。
6、目前的人脸识别技术可以区分双胞胎吗？技术上怎么保证不会误判？
答：恩，很多人问过这个问题，在银行也遇到过很多次。
人眼看双胞胎可能没有差别，但计算机可以对人脸及其细节进行归纳和抽象，得到最为本质的人脸特征进行比对，从而比人有更强的区分双胞胎的能力。
但是，在实际应用中，由于有些场景摄像头拍摄的人脸并不足够清晰，而且受环境影响，计算机目前也无法做到 100% 的准确。
7、云从最近在双创周展示了“1秒刷脸支付”，但近日也爆出最新木马Acecard 可以刷用户照片盗取权限进行恶意操作，怎么从技术上防止这类问题？
答：银行对于安全的要求是非常极致的。我们的方法是对人脸采集系统采集的人脸，均用云从研究的图片加密方式对人脸图片进行了隐式的水印加密处理。
云从的人脸识别系统后端进行识别时，会判断人脸图片是否为云从采集并且加密的人脸图片。且这种加密方式需要的加密模板和加密参数很复杂，一般无法破解。
8、很多成果在 LFW 人脸数据集上的准确率都停留在 99.5% 左右，是不是很难再有突破了？
答：LFW 就像一套始终固定不变的考题，需要有一定的人脸识别算法功底才能够做到 99% 以上，因为这套考题本身的标准答案有错误，即使做全对，官方统计识别率也就 99.77%。一般的做到 99.5%以后，就表明了有基本的人脸识别算法能力，再去花大代价去提高到 99.77% 对实际应用并无多大帮助。
目前人脸识别算法的突破都集中在实际场景中人脸照片受角度、光线等复杂环境影响下，如何提高识别率。
9、您认为哪些机器学习的方法可能会在人脸识别中有比较好的发展？ 为什么？
答： 目前人脸识别最好的方法，还是基于多层神经网络的深度学习算法，而且已经被各大公司所应用。
因为深度学习基于类人脑的神经传导模型，通过足够多的数据进行训练，其模型复杂度和非线性程度比普通算法好很多，所以可以自动的将人脸图片的人脸本质特征进行抽象，高效的解决人脸识别因角度、光照、年龄等问题带来的难点。而且可以增量学习，就像一个小孩儿一样，辨识能力随着数据的增长会逐步提高。
10、云从有一个技术叫做双层异构深度神经网络，它有哪些出众的特性？
答：为了将两张照片映射到同一特征空间中进行比较，在异构深度神经网络基础上，我们提出了双层异构深度神经网络模型。此模型中每层都是一个深度网络（分别以两张照片为输入），在训练时采用二分类损失函数并对两个网络中对应权值的差异性进行正则化，可实现不同图像空间到相同特征空间的映射。在特征空间中，相同身份人脸图像的类内差异变小，而不同身份人脸图像的类间差异变大，从而增强了特征的判别性。
以人证合一为例：人的证件照要和现场的抓拍照或者普通照片上的人脸进行比对，我们不能直接拿来比对，这样因为年龄、光照等各种信息影响，识别不准。我们应该将证件照送到深度神经网络的一层，现场照送到深度神经网络的另一层，两张照片通过两层不同的网相互交换信息（年龄差距、角度差距、光照影响等），逐渐的去掉这些对人脸识别不利的因素，将两张人脸照片映射到同一个可比的空间再进行比较。
举个例子，要比较山东的苹果和川西的苹果哪个好吃，最好把它们都运到同一个地方，由同一个人来品尝，给出最佳答案。
11、在很多实际应用中，人脸识别的准确率并不高，目前还有哪些困难和挑战需要解决？
答：人脸识别是一个比较复杂的系统，由很多的人脸处理模块组成。包括人脸检测、关键点检测、人脸规整、特征提取、比对识别五个大的步骤。
其中人脸检测、关键点检测与人脸规整为人脸预处理流程，将一张图片中的人脸提取并处理成规范的人脸以便后期处理。特征提取为核心模块，是对人脸图片进行深层描述并提升识别效果的主要模块。而每个模块又由很多小的算法单元，每个模块每个单元算法必须都做到最好，组合起来的识别效果与精度才能够高。
自由问答环节
1、现在声纹识别已经比较成熟 ，关键是没有一个权威的声纹库 ，现在金融机构自行搭建一个内部的库意义大吗？
答：一般这种评测库都是研究机构建立，金融机构不会去建立这个库，个人认为目前意义不大。
2、目前国内很多人脸识别公司的核心算法在一定情况下依赖香港中文大学汤晓鸥教授的算法，而不去自己独立做，这会对整个人脸识别的发展产生什么影响？
人脸识别还处于飞速发展期，使用其他厂商的算法会不利于后期发展，对于市场的影响，不做评价。
3、我是机器学习的初学者，请问人脸识别技术，除了机器学习的知识外，还需要掌握哪些方面的技术呢？
答：计算机图像处理与模式识别的基本知识还是需要的。
4、如果通过人脸扫描 3D 重建后易容可以骗过算法吗，另外深度学习算法有一个缺点体就是加一些噪点就会使识别率大大下降有什么解决办法吗，用对抗式神经网络？
答：3D 重建需要的算法与设备都比较复杂，不是简单能够实现。可以通过图片预处理去噪，还可以通过有噪点的大数据进行训练来解决。
5、据我了解，基于单目可见光摄像头的活体识别技术目前还不成熟，这会限制远程开户业务的应用，请问这方面您怎么看？
答：目前可以采用基于动作的活体检测判断。
想要随时随地跟大牛嘉宾交流吗？想要第一时间掌握公开课信息吗？想要找到志同道合的小伙伴吗？
欢迎扫描下方二维码，关注 AI 科技评论公众号。
正在生成分享图...
nebula