毫秒级大数据算法让生物识别取代密码

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

十一出行哪里车最多?哪里好停车?出门没带钱包和手机,怎么消费?在生物识别大数据应用方面,这些都可以依据海量视频摘要检索技术、虹膜识别技术、行人多特征检索技术、步态轨迹识别技术等当下最火的人工智能技术一一解决。可以说,以后人们外出可以不用带手机、银行卡。只要眨眨眼,刷个虹膜,世界就会向你敞开大门。

海量视频分分钟检索出“目标”

9月19日,齐鲁软件园F1座,刚驻进半年的中科唯实(济南)科技有限公司内,几十台电脑一字排开,电脑屏幕上是高新区各个路口自动存储的视频。“性别、年龄段、外套上装、头发长度有没有拎包、戴没戴帽子都是我们要收集的行人多特征数据。”中科唯实项目经理韩伟告诉记者,通过收集数据进行分析,让大数据技术模拟人脑进行解释数据,进行识别,从而应用在安防等多个行业。“数据本身没价值,挖掘数据中的模式才有价值。”中科院院士谭铁牛曾这样表示。据了解,中科唯实的核心技术智能视频分析技术,就来源于谭铁牛团队的中科院自动化研究所。

在海量视频数据条件下,依靠人力对庞大的视频数据进行筛查,找出犯罪嫌疑人如同大海捞针。韩伟介绍,当年震动全国的“周克华”持枪抢劫杀人案,整个城市的警力用了1个月的时间,看了80万个小时的监控视频,终于找到了犯罪嫌疑人。“如果使用海量视频摘要检索技术,不到一周的时间就能检索出来。”据韩伟介绍,这项技术已经在济南的一些单位使用了。

人脸、指纹识别已经out了,虹膜正in

据韩伟介绍,在对行人多特征分析检索的过程中,人脸识别是一个重要识别对象。但在企业、公司、银行等机构的安防中,人脸、指纹识别已经被黑客攻破。通过鉴定虹膜进行身份识别的虹膜识别技术正实际应用到人物识别与身份鉴定中,目前已经大量普及。据了解,目前公安部正与中科院自动化所合作建立全国重点人员虹膜库,帮助公安机关精准布防。

记者了解到,三星Note7手机已经将虹膜识别应用到手机解锁技术上,即将发布的华为Mate9也将内置虹膜识别功能。韩伟表示,就在近期,济南一家投资公司就订购了中科唯实的虹膜识别技术和机器,“与人脸、指纹相比较,人的虹膜是唯一的,并且具有天然的活体检测优势。”人在出生七个月之后,虹膜基本稳定,并且虹膜识别具有活体特性,可确保系统不被录像、图片、义眼等攻击。“这种优势也让许多公司用在涉密信息的安防上。”

  步态轨迹识别让走路姿态锁定你身份

“不止是虹膜能够识别,人的走路姿势也能通过大数据进行识别。”记者在中科唯实的演示实验室看到,通过一台三维身高相机将记者的身高,体型、步态等数据特征传感到电脑上,利用步态能量图进行识别。“步态识别在特定的安防场景可快速地对远距离行人目标的身份进行准确判断。”韩伟表示。

在电影《碟中谍5》中就有对步态分析技术的现实应用,《碟中谍5》中,黑客班吉得知必须穿越一套“步态分析系统”时,班吉彻底绝望了。也就是说,连特工们,都无法直接攻破“步态分析”技术。目前,中科院自动化研究所正在建设全球规模最大的步态数据库。

但可以期待的是,随着时间推移,步态识别系统将如指纹识别、虹膜识别一样,在海量数据被分析、应用的过程中,逐渐取代密码。有业内人士认为,密码就像钥匙一样,钥匙会丢,密码会被偷,但生物特征完全被盗用很难,一个人的面孔、指纹可能被盗,但步态、虹膜、指纹完全被盗的可能性几乎没有,这些生物特征组成的信息聚合起来进行毫秒级的大数据算法,再应用到生活中,就是我们未来的日常。


本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
6天前
|
机器学习/深度学习 算法
扩散模型=进化算法!生物学大佬用数学揭示本质
在机器学习与生物学交叉领域,Tufts和Harvard大学研究人员揭示了扩散模型与进化算法的深刻联系。研究表明,扩散模型本质上是一种进化算法,通过逐步去噪生成数据点,类似于进化中的变异和选择机制。这一发现不仅在理论上具有重要意义,还提出了扩散进化方法,能够高效识别多解、处理高维复杂参数空间,并显著减少计算步骤,为图像生成、视频合成及神经网络优化等应用带来广泛潜力。论文地址:https://arxiv.org/pdf/2410.02543。
31 21
|
10天前
|
机器学习/深度学习 存储 算法
解锁文件共享软件背后基于 Python 的二叉搜索树算法密码
文件共享软件在数字化时代扮演着连接全球用户、促进知识与数据交流的重要角色。二叉搜索树作为一种高效的数据结构,通过有序存储和快速检索文件,极大提升了文件共享平台的性能。它依据文件名或时间戳等关键属性排序,支持高效插入、删除和查找操作,显著优化用户体验。本文还展示了用Python实现的简单二叉搜索树代码,帮助理解其工作原理,并展望了该算法在分布式计算和机器学习领域的未来应用前景。
|
12天前
|
存储 算法 Java
解锁“分享文件”高效密码:探秘 Java 二叉搜索树算法
在信息爆炸的时代,文件分享至关重要。二叉搜索树(BST)以其高效的查找性能,为文件分享优化提供了新路径。本文聚焦Java环境下BST的应用,介绍其基础结构、实现示例及进阶优化。BST通过有序节点快速定位文件,结合自平衡树、多线程和权限管理,大幅提升文件分享效率与安全性。代码示例展示了文件插入与查找的基本操作,适用于大规模并发场景,确保分享过程流畅高效。掌握BST算法,助力文件分享创新发展。
|
25天前
|
存储 人工智能 算法
解锁分布式文件分享的 Java 一致性哈希算法密码
在数字化时代,文件分享成为信息传播与协同办公的关键环节。本文深入探讨基于Java的一致性哈希算法,该算法通过引入虚拟节点和环形哈希空间,解决了传统哈希算法在分布式存储中的“哈希雪崩”问题,确保文件分配稳定高效。文章还展示了Java实现代码,并展望了其在未来文件分享技术中的应用前景,如结合AI优化节点布局和区块链增强数据安全。
|
27天前
|
JavaScript 算法 安全
深度剖析:共享文件怎么设置密码和权限的 Node.js 进阶算法
在数字化时代,共享文件的安全性至关重要。本文聚焦Node.js环境,介绍如何通过JavaScript对象字面量构建数据结构管理文件安全信息,包括使用`bcryptjs`库加密密码和权限校验算法,确保高效且安全的文件共享。通过实例代码展示加密与权限验证过程,帮助各行业实现严格的信息资产管理与协作。
|
3月前
|
缓存 算法 大数据
大数据查询优化算法
【10月更文挑战第26天】
171 1
|
3月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
3月前
|
机器学习/深度学习 数据采集 算法
大数据中缺失值处理使用算法处理
【10月更文挑战第21天】
168 3
|
4月前
|
存储 分布式计算 算法
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
98 0
|
4月前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
142 3