基于人工智能的人脸识别技术在支付场景下的应用及隐患思考

作为人工智能中人脸识别的技术之一,人脸识别是对人的面部特征与信息进行采集,对显示的面部影像,首先检测在拍摄镜头中是否有人脸,若检测到人脸,则进一步给出脸的位置、形状和各个面部器官的坐标、形状等信息。处理器提取信息后,将其与已知的面部特征进行对比,从而识别用户的身份。它包括人脸检测、人脸跟踪、人脸对比三项主要内容。用户通过电子设备的摄像头拍摄自己的面部影像,使设备预先记录下了本人的面部信息。然后再通过摄像头对采集的影像进行比对进而开放设备。人脸识别技术赋予计算机系统根据人的面部特征识别人物的身份能力,该技术具有重要的研究和应用价值,在公共安全,信息安全金融等方面有广阔前景,文中主要围绕人工智能情况下,人脸识别在支付场景下的应用以及存在安全问题引发思考。

APCS-MLR结合PMF模型解析厦门杏林湾近郊流域沉积物金属来源

城市化、工业化和农业集约化的快速发展,导致排入近郊流域水体中的金属不断增多.为了及时阻断污染源头,制定有针对性的风险缓解措施,准确识别和量化复杂环境内沉积物中金属的污染来源显得尤其重要.对厦门杏林湾近郊流域水系表层沉积物中14个金属元素(Cd、Cu、Sr、Zn、U、Pb、Th、Ni、Be、Co、Cr、Rb、V和Mo)含量进行分析测定.综合运用相关性分析、聚类分析、绝对主成分-多元线性回归(APCS-MLR)和正定矩阵因子分解法(PMF)等多种方法,识别和定量解析污染源及贡献.近郊流域水系沉积物中大部分金属元素含量超过厦门市C层土壤环境背景值,各金属在不同区域(许溪、苎溪、后溪和杏林湾)分布存在差异,平水期和丰水期的苎溪区域样点的表层沉积物中,变异系数大的Cr、Cu、Zn、Mo和Cd元素含量比其他区域的含量高,其中,Cu和Cd污染较为严重;丰水期的整体区域沉积物中金属的富集程度相比于平水期有所下降,Cu和Cd在两个时期均为显著富集;相关性分析、聚类分析和主成分分析表明,杏林湾近郊流域水系表层沉积物中金属污染来源较为复杂.Ni、Cu、Zn和Pb主要来源于采矿活动;Be、Rb、Th和U均由自然源控制;Mo和Cr主要来源于工业活动;Co、V和Sr以海源为主;Cd以农业生产影响为主.APCS-MLR和PMF模型分析结果表明,水系表层沉积物中金属来源分为5种,人类活动排放的贡献率达到52.57%,其中采矿活动、工业生产和农业活动的贡献率分别为17.72%、19.09%和15.77%;自然输入的贡献率为47.43%,其中自然源和海源的贡献率分别为16.73%和30.7%.