刷脸支付做代理贴牌系统是否靠谱

用户身份识别是一切金融业务开展的前提和基础，互联网金融由于其非面对面的特性，在身份识别上也比传统金融业务更具挑战。如何精准而快速地识别“你是你”成为互联网金融必须跨过的**道门槛。在安全可靠和用户体验方面，生物识别技术发挥了传统核身手段所无法比拟的优越性，正受到越来越多金融机构和金融科技公司的青睐。
在这一领域，中国已走在世界**——今年 2 月 21 日，蚂蚁金服“刷脸”支付被评为世界*《麻省理工科技评论》（MIT Technology Review）2017 年****突破性技术。但是作为新兴事物，生物识别也引发了人们对于风险的担忧，尤其是将其应用于金融领域，更是提出了挑战。
如何确保金融级的精准度？如何在非面对面情况下确保生物特征来自于真人？如何保护用户生物特征不被泄露？能否回答这三个问题，决定了生物识别技术对金融究竟是机遇还是挑战。
刷脸支付商务合作咨询+V:SHELTH92 tell:18705917992
深度学习打通生物识别“任督二脉”
追溯生物识别的起源，它与计算机几乎同时诞生于上世纪中叶。以人脸识别为例，早在上世纪60 年代就已有相关算法研究。而后随着计算机技术和光学成像技术的快速发展，人脸识别技术愈发成熟——从人脸局部特征识别到全局特征提取，再到基于二维和三维模板做人脸建模的识别模型。
而近年来得益于深度学习的迅速发展，我们可以基于神经网络让机器模拟出人类大脑的学习过程，并通过卷积神经网络模型和海量的图片数据进行训练。这对于生物识别的成效显而易见，从以前的70%、80%的准确率提升至近两年的99.6%甚至99.7%，具备商用条件。
深度学习到底有什么作用呢？试想下，我们用肉眼识别“你是谁”的过程中（更精确的说是“你长得像我认识的那谁谁”的甄别过程）存在哪些困难？一是人脸的角度、光线、表情、年龄、化妆、遮挡、照片质量等会影响我们的判断；二是随着我们“交际圈”的扩大（即数据库样本增大），两个不同人长得像的概率会快速上升。
这两点对于从前不会思考的计算机而言是致命的，而深度学习则让计算机更聪明，能自己克服这些困难。
举例来说，我们的算法起初对于眼镜的识别，特别是黑框眼镜有很大几率识别不准确。但是当数据集累积到海量不同的镜框后，机器就能学习出到底什么样的镜框有什么样的影响，以及他们之间细微的差异，甚至我们后来还可以模拟出各种各样的镜框，如此可以确保对戴眼镜的人脸具有较高的识别率。
众所周知，通过深度学习，Alphago的棋技飞速提升，在短期内追赶世界**棋手。而生物识别领域，也借助深度学习的帮助打通“任督二脉”，未来将不断逼近**的准确率。
交叉验证方式进一步提升识别率，即使是双胞胎也“判若两人”
在金融等对误识别率容忍较低的领域中，单一识别要素即使精准度再高仍然会有漏网之鱼，因此需要结合多因子综合验证。
例如在同卵双胞胎这一较较端的场合，使用人脸识别单一验证要素将难以胜任，这也是在线下面对面的业务办理中所难以克服的问题。而运用眼纹识别技术则完全可以克服这一点。
眼纹识别，又称为眼静脉识别，让用户*额外硬件设备，只需普通智能手机摄像头并在可见光环境下采集用户眼白上的血管纹理特征，就可精确区分不同用户，实验证明当用户的眼纹模板积累足够时，深度学习技术让眼纹识别准确率接近虹膜级别的准确率（大于99.99%）和亚秒级识别速度。
除此之外，其他生理特征识别（如指纹）和行为特征识别（如击键，即使用键盘时的按键力度和频度）也是参与交叉验证的生物特征。每增加一道特征因子，错误识别的概率就将大幅缩小，如此可确保生物识别在精确度上达到金融级的要求。刷脸支付商务合作咨询+V:SHELTH92 tell:18705917992