无感支付，就是没有感觉，或者说没多少感觉的情况下让支付环节完全秒化(1-2秒可以看作是无感的一个标准)，不作为一个独立的环节出现，没有为支付而出现的专门操作动作。锐融天下通过在支付行业多年深耕经验，所以在无感支付领域有着领先于行业的技术。本文，我们从支付场景开始，带你了解这类便捷应用背后的技术原理，领略AI技术如何优雅的为无感支付做着支撑。
一、无感支付应用场景
1、停车缴费
车辆行驶到闸机口，车主无需将车停下，只需稍稍放缓车速，闸机扫描装置便能自动识别车牌号码，立即抬杆，车主顺势通过，然后微信支付宝自动扣费。
2、刷脸购物
无人超市，是可以自带刷脸识别功能的，并统一默认为支付宝，消费者进入商场那一刻，即完成识别过程。将支付环节的识别，融合在进门与出门的识别功能上。让消费者不掏手机不扫码，出门直接扣款，则真正意义上实现了无感支付。
3、指纹支付
和输入密码支付相比，指纹支付肯定来得更加方便。特别是在线下进行移动支付的时候，后面一堆人攘攘熙熙地排着队，前面的人还在慢吞吞输密码，这甚至能让一些赶时间的人火冒三丈。这时候，一摸就能支付的指纹支付，就能大大节省时间。
4、声纹支付
美国运通卡的用户可以查看自己的余额，获取各种折扣和优惠，还能支付帐单，甚至收听最新的账户信息。美国运通卡用户只需要对Echo音箱说：“我的美国运通账户余额是多少。”这个语音助手就会提供相应的信息。
二、锐融天下无感支付关键技术
以上无感支付场景中，为用户带来便利的背后，是车牌识别、人体生物识别技术融合进入支付流程。以生物识别技术为例，其实现原理为：通过对生物特征进行取样，提取其唯一的特征并且转化成数字代码，并进一步将这些代码组合而成的特征模板。人们同识别系统交互进行身份认证时，识别系统获取其特征并与数据可中的特征模板进行比对，以确定是否匹配，从而决定接受或拒绝该人。
无感支付，同时又是以机器学习为核心的多种技术的应用成果，主要包括：
1、模式识别=机器学习
模式识别又常称作模式分类，其原理和算法完全等同于机器学习。从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类(Supervised Classification)和无监督的分类(Unsupervised Classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。
2、计算机视觉=图像处理+机器学习
图像处理技术用于将图像处理为适合进入机器学习模型中的输入，机器学习则负责从图像中识别出相关的模式。计算机视觉相关的应用非常的多，例如百度识图、手写字符识别、车牌识别等等应用。随着机器学习的新领域深度学习的发展，大大促进了计算机图像识别的效果，因此未来计算机视觉界的发展前景不可估量。
3、声纹识别=声音提取+机器学习
提取并选择对说话人的声纹具有可分性强、稳定性高等特性的声学或语言特征。声纹识别系统是一个典型的模式识别的框架，为了让计算机认识一个用户的身份，需要目标用户首先提供一段训练语音，这段语音经过特征提取和模型训练等一系列操作，会被映射为用户的声纹模型。在验证阶段，一个身份未知的语音也会经过一系列的操作被映射为测试特征，测试特征会与目标模型进行某种相似度的计算后得到一个置信度的得分，这个得分通常会与我们人工设定的期望值进行比较，高于这个期望值，我们认为测试语音对应的身份与目标用户身份匹配，通过验证;反之则拒绝掉测试身份。
三、核心算法
以上无感支付所依托的机器学习的主流算法包括：回归算法、神经网络、支持向量机等。
1、回归算法---机器学习基础算法
机器学习中的回归算法的本质是通过对样本数据的收集，给出假设的函数模型，而此函数包含未知参数，机器学习的过程就是解方程或者找到最优解，当验证通过后，从而可以用该函数去预测测试新数据。其中，最常用也是最基础的回归算法，是线性回归。
线性回归(Linear Regression)，用来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，其表达形式为y = w'x+e，e为误差服从均值为0的正态分布，其中只有一个自变量的情况称为简单回归，多个自变量的情况叫多元回归。
给定学习所用的数据集合为：
可采用线性模型：
求解得到：
2、神经网络---广泛应用于车牌识别
神经网络算法模拟了人脑的计算模型。在该模型中，神经元接收来自n个其他神经元传递的输入信号，通过带权重的连接进行传播，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理输入信号，产生该神经元输出。
可采用Sigmoid函数作为激活函数g(x)：
我们使用向量和矩阵来表示层次中的变量。a(1)，a(2)，z是网络中传输的向量数据。W(1)和W(2)是网络的矩阵参数。
g(w(1) * a(1) = a(2);
g(w(2) * a(2) =z;
理论证明，两层神经网络可以无限逼近任意连续函数。也就是说，面对复杂的非线性分类任务，两层(带一个隐藏层)神经网络可以分类的很好。
神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权”以及每个功能神经元的阈值。
机器学习模型训练的目的，就是使得参数尽可能的与真实的模型逼近。具体做法是这样的。首先给所有参数赋上随机值。我们使用这些随机生成的参数值，来预测训练数据中的样本。样本的预测目标为yp，真实目标为y。那么，定义一个值loss，计算公式如下：
loss = (yp - y)^2
这个值称之为损失(loss)，我们的目标就是使对所有训练数据的损失和尽可能的小。
一般来说解决这个优化问题使用的是梯度下降算法。梯度下降算法每次计算参数在当前的梯度，然后让参数向着梯度的反方向前进一段距离，不断重复，直到梯度接近零时截止。
3、支持向量机SVM--广泛应用于生物识别
支持向量机(support vector machines)是一种二分类模型，它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题来求解。由简至繁的模型包括：
· 当训练样本线性可分时，通过硬间隔最大化，学习一个线性可分支持向量机;
· 当训练样本近似线性可分时，通过软间隔最大化，学习一个线性支持向量机;
· 当训练样本线性不可分时，通过核技巧和软间隔最大化，学习一个非线性支持向量机;
图1. 样本数据线性可分
图2. 学习得到线性分割的向量
通过最小二乘或梯度法对以下目标函数求解可得w，b，获得用于线性分割的向量;
我们会经常遇到线性不可分的样例，此时，我们的常用做法是把样例特征映射到高维空间中去(如下图)：
图3. 将低维空间映射到高维空间
线性不可分映射到高维空间，可能会导致维度过大无法计算。但通过引入核函数，将特征量从低维向高维转换，核函数先在低维上进行计算，而将分类效果表现在高维上，避免了直接在高维空间中的复杂计算。
四、应用中存在的困难与潜在的风险
无感支付技术具有使用便捷的优点，同时风险与之并存：如生物特征的生物身份识别技术存在着一旦被盗用将无法吊销的风险。同时,互联网银行业务发展的技术障碍也未解决，无论人脸识别，指纹等多重生物识别技术有多成熟，只要是网络远程传输方式都能够被黑客截取复制。
就目前来看，虽然关注度高，但由于生物识别技术的尚不成熟，其在支付领域的运用暂时还难以大规模的推广使用，还面临着政策和宣传不到位等诸多因素的困扰，如何理性、务实的直面存在的问题困难，加强对该项技术的投入和监督，是金融科技业在未来一个时期内应重点解决的问题。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
