Please note that JavaScript and style sheet are used in this website,
Due to unadaptability of the style sheet with the browser used in your computer, pages may not look as original.
Even in such a case, however, the contents can be used safely.

運用「時空數據交叉側寫」進行金融犯罪分析運用AI的全新技術 實證實驗圓滿成功

將防盜攝影機等蒐集到的龐大資料,瞬間分析之技術

在現代社會中,防盜攝影機在打擊犯罪和事件蒐證上扮演著重要的角色。但每天所收集的影像資料持續增加,對公家機關和企業來說,僅憑人力分析影像相當困難。

 

NEC在2012年注意到這項問題,因此將旗下技術包括:全球最高※1精準度的人臉辨識技術、人工智慧、資料庫等組合運用,開始研究如何更有效率發現可疑人物。2015年,成功研發新技術「時空數據交叉側寫」,能夠從公共設施或群眾聚集地點拍攝的影像資料中,高速搜尋、篩選出「頻繁出現的人物」與「長時間停留的人物」等對象。

 

 

與大型金融機構共同進行,「模擬ATM非法盜領」實證實驗

這項新技術有一項非常強大的特色,本次研發並已實際安裝在軟體中的演算法,不僅能篩選可疑人物的「出現頻率」,針對容易成為犯罪或恐攻目標的多個地點,若這些地點都出現了同樣人物,也能由演算法篩選出具有異常「出現模式」的人物。

 

NEC運用這樣的技術特色,在2016年秋季與大型金融機構共同進行金融犯罪分析的實證實驗。本實驗模擬發生了大規模犯罪情況:某個犯罪集團偽造數百張偽造提款卡,並在短時間內從多台ATM盜領大量現金。在眾多ATM使用者中,本實驗目的是盡速搜尋、篩選出車手(負責由ATM違法提款的人物),協助警察展開調查,將犯罪受害程度降至最低。

 

一般而言,即使蒐集ATM的交易資料進行分析,也無法找出車手。舉例來說,車手只要在不同分行使用多張提款卡,並只提領額度範圍內的金額時,由於與一般交易相同,因此無法加以區別。

 

運用本技術,金融機構只需從現場防盜攝影機等拍攝的ATM使用者臉部影像,以及各分行、各ATM機器的提款紀錄,與出現時間搭配組合分析,就能從中鎖定車手。

 

透過實驗找出的3名嫌犯,與金融機構事先掌握的車手一致

本次實驗的對象,選擇了10間ATM使用者最多的銀行分行。運用NEC人臉辨識技術,將各分行耗時3個月收集、約28萬筆的ATM使用者人臉影像特徵※2加以數位化。NEC分析這些資料後,篩選出短時間內在多間分行頻繁提領現金等異常模式,通知金融機構10位疑似車手的可疑人物。確認的結果,發現金融機構事先掌握的3名車手,都在這10位可疑人物之中。金融機構對於這次的實驗結果給予高度好評,評估未來將本技術正式導入運用。

 

傳統的影像搜尋技術,若不知道可疑人物或通緝犯的長相,就無法進行搜尋。本次實驗證明了運用「時空數據交叉側寫」技術,即使是攝影機首次拍到的人物,只要其出現模式與一般不同,人工智慧軟體就能自動進行篩選,迅速找出可疑人物。

 

今後不僅會將本技術運用於預防犯罪、調查用途上,也可望能用在尋找失蹤孩童等正向用途。本技術也能從消費者的舉止行為、表情來判讀情緒,並掌握店內顧客移動路徑,因此NEC認為也能向企業客戶提出新的用法,將本技術運用在強化顧客應對的行銷領域上。


※1  在美國國家標準與技術研究院(NIST)實施的人臉辨識軟體評比測試中,NEC連續4次奪得辨識精準度第一。
※2      分析ATM使用者與篩選車手時,金融機構提供給NEC的資料並非使用者本身的人臉影像,而是經過數位化後的資料=「人臉特徵量」。此外,金融機構完全未提供帳號資料與提款卡資訊等任何內容。也就是說,NEC只使用人臉特徵量、各分行/機器的提款紀錄以及時間資料,就能篩選、搜尋出可疑人物。

依據類似度分類為樹狀構造,提升大量人臉資料的篩選速度

「時空數據交叉側寫」的技術核心,是依據「人臉的類似度」,將搜尋對象的大量人臉資料分為不同群組,藉此產生樹狀構造的演算法。由於採用此構造,越下層的資料,越能發現高類似度的人臉資料。

 

例如用「具備70%以上類似要素的人物」閾值搜尋時,依據樹狀圖構造搜尋,逐步找出高於此閾值的類似群組,高速執行搜尋與篩選。篩選後就能看出群組大小,並用「最相似人物的前10名」的方式顯示出搜尋結果。

 

展開犯罪調查時,則可利用指定攝影機位置與時段進行搜尋的方式,顯示「曾出現在現場A、B、C的人物共有此2人」的搜尋結果。如果有異常出現模式或舉止的人物,也只要幾秒左右即可篩選出來。此外,軟體內也安裝了另一個演算法,狀況隨時有變化的現場影像,若獲得新的人臉資料,只需與各群組的代表性人臉資料比較,就能瞬間判斷出該資料應歸屬與分類的群組,並即時新增至該群組中。

 

本技術自2016年10月起,以「NeoFace Image data mining」的名稱,已正式上市銷售。(日文版原文發表日期:2017年9月)

藉由類似度,將臉部特徵類似的群組進行分層的「樹狀構造」

研究者簡介

劉健全 ( NEC中央研究所 系統平台研究所 主任/博士(工學) )

中國廣東省人。2006年9月為就讀研究所而赴日。專攻電腦科學,研究高維度數據之近似搜尋。進入NEC後被派任至中央研究所,參與「時空數據交叉側寫」研發專案。提出採用樹狀數據結構等發想,在技術開發上扮演核心角色。除了研發業務之外,擔任法政大學理工學研究科兼任講師,每週講授「知識獲得特論」課程。此外,也擔任「川崎市外籍市民代表會議」第10期代表,並熱心公益參與市民社區大學「川崎爸爸補習班」企畫委員等地區活動。不僅如此,他也擔任了包括IEEE主辦的國際會議「ICSC2018」、「ISM2017」、「ICSC2017」、「BigMM2016」的議程共同主席,電子資訊通訊學會的「數據工學研究會」、「系統數理與應用研究會」各專家委員,以及資訊處理學會的論文期刊編輯委員等,活動範圍廣泛。

董婷婷( NEC中央研究所 系統平台研究所 研究員/博士(資訊科學) )

中國山東省人。2010年為就讀研究所而赴日。專攻社會系統資訊學,研究主題是無法確認位置資訊(高斯分佈)時的查詢與處理。2016年進入NEC後,被派任至中央研究所的系統平台研究所。參與「時空數據交叉側寫」的研發計畫。與大型金融機構共同進行實證實驗時,向同為研究人員的前輩劉健全學習分析手法,將3個月期間數據的解析成果提交給金融機構,由於將異常交易模式的判定條件範圍縮小,因而協助提升了解析成果的正確性。她本人表示:「實際感受到我們所研究的科技,運用ATM交易紀錄等原始數據,就能夠為解決社會課題有所貢獻。」參加公司內的登山社,假日常去攀爬日本各地山岳。從箱根的金時山開始,最近陸續征服了富士山、八岳、谷川岳等名山。

Contact