金融安防｜智能视频分析技术在银行安全风险管理中的应用

党的十八大以来，以习近平同志为核心的党中央高度重视发展数字经济，出台了一系列重大政策，构建了从顶层设计、战略规划到具体措施的政策支持体系，推动我国数字经济发展取得显著成就，为经济社会高质量发展注入了强劲动力。

当前，数字经济发展迅猛、辐射广泛、影响深远，数字化正在深刻改变人们的生产和生活方式。银行业数字经济时代，既要“抢抓先机”，更要“行稳致远”，银行在注重创新金融服务场景、开拓业务发展模式的同时，还应考虑银行中后台智能化转型发展，在新的安全威胁和日趋严格的精细化监管要求下，银行必须不断提升安全运营管理水平、强化全面风险管控能力，充分确保业务运营和发展的时效性、合规性、可控性和安全性。

交通银行河北省分行 朱宏涛

银行业数字化转型概述

数字化转型给银行业带来了新机遇，银行应结合行业特点和自身情况制定数字化发展战略、搭建信息基础设施平台、完善数据信息管理策略，应利用先进信息技术、建设智能化运营管理平台，通过数字化转型提升竞争力，为客户提供更优质的金融服务，同时提升银行运营效率、降低成本预算、确保风险可控。

当前，银行数字化转型主要侧重以下三方面内容。

一是数字化转型可实现业务流程的优化和效率的提升，对金融产品和服务进行方便、高效、个性化推广。如利用大数据分析客户群体，了解客户多样性需求，提供定制化产品和服务，提升精准营销能力。

二是数字化转型可以拓展银行的业务范围和场景建设。银行可利用移动互联网和虚拟现实（Virtual Reality，简称VR）技术，开展线上线下业务融合，提升业务和渠道的覆盖度，消除时间或空间对业务开展的制约。

三是数字化转型实现银行中后台智能化风险控制管理，特别是利用数据挖掘和人工智能技术，建立及时有效的风险评估和动态监测机制，增强风险防控预警能力，从而有效防范化解金融风险，牢牢守住不发生系统性风险的底线。

银行作为经营“风险”的行业，其运营与内控管理要求往往较其他行业更为严格。安全风险控制作为银行业务能力提升和稳健高质量发展的重要辅助环节，是银行数字化转型的核心。通过将大数据、人工智能、云计算、移动互联网等前沿技术与银行风险控制业务管理流程相结合，分析数据信息，得出风险等级并预判风险变化趋势，实现银行风控流程和内容的线上化和智能化。进而全面提升银行风险控制能力，并消除各类风险和安全隐患。

展开全文

基于人工智能的视频识别分析技术

人工智能（AI）是研究和开发用于模拟、延伸或扩展人类智能的一门技术科学。通俗地讲就是通过计算机来模拟人类大脑的思维方式，从而做出相应的判断和操作。最终使其具备一定的逻辑思维和认知能力，实现模拟“人”的效果，能做到“像人一样思考、像人一样判断、像人一样行动”。该领域研究包括机器学习、语言识别、图像识别、自然语言处理等方面。

视频识别分析技术作为当前人工智能研究的一个分支，是通过对视频数据信息的目标进行监测、识别和跟踪，分析出视频中人或物的状态和行为，并对其结果进行分类管理和操作。

视频识别分析技术的优越性如下。

自动化识别：能够自动化识别和分类不同目标行为，节省人力和时间成本，提高工作效率。

实时监控：可以实时监控场景中的不同状态和行为，及时发现和预警异常情况，提高时效性。

高精度识别：计算机视觉分析算法可对不同行为进行高精度识别，提高准确性。

数据分析：对海量数据信息进行分析，对管理决策和风险评估提供数据支持和判断依据。

智能识别分析技术的发展使视频监控逐步实现从被动式的事后取证向事前预警和事中处置转变，提升风险预警和应急处置联动能力。同时降低监控值班人员工作强度，解决人员视觉疲劳、注意力分散、存在主观判定、效率低下、预警周期长等问题，真正实现视频监控系统的数字智能化应用。

智能视频分析技术在银行运营安全管理中的应用分析

AI视频分析系统一般由目标监测、目标跟踪及行为分析三部分构成。深度学习是视频识别分析的主流方法，它是通过建立多层次网络模拟人类大脑神经结构提取数据特征，总结数据规律的一类算法总称。该技术利用深度神经网络提取人员语义特征，完成人员异常行为模型的自适应构建，再对异常行为进行监测。基于深度学习的目标监测算法健壮性更强，泛化能力也更强，更容易应用于实际场景。

按照识别分析目标的特点，可分为以下4种分析方法。

一是对象分析是通过目标监测和跟踪技术，进而对目标进行结构化的识别、定义和统计。

二是属性分析是对目标的属性如大小、状态、颜色、位置等描述性信息进行识别、测量和计算分析。

三是行为分析是目标在特定场景内产生的动作行为的描述性信息，应用在具有时序性特征的异常行为监测上。如打架、摔倒、规范操作等。

四是事件分析是把对象、属性、行为等元素综合化的概念。它利用AI视频识别技术对业务流程进行整体导向分析。如视频内容检索，语义视觉定位等功能。

当前AI视频分析系统应用主要有以下3种部署方式。

一是本地计算。将AI算法嵌入到摄像机中，由前端摄像机实现对异常情况的智能分析监测，该方式适用于较固定的场所。如占用消防通道、区域内禁止堆放杂物、电动车禁止进入电梯、仓库物品保管、非法闯入等静态场景。

二是边缘计算。边缘计算的部署模式最为常见，它是一个在社区或园区内部署“边缘盒子”的设备，监控视频信息接入该设备，“边缘盒子”内置的AI算法会对视频信息进行智能分析。如监测施工人员未戴安全帽、工作期间抽烟、长时间使用手机、空缺岗、人员违规操作等动态行为。

三是云端计算。为便于集中管理和无限扩展，将AI视频分析设备部署在云端，该方式适合大型项目。如将分散各地的工地、园区、银行网点的视频信息通过云服务汇聚到集团总部的AI算法服务器上进行集中处理，该方式对后台服务器的算力以及网络带宽要求较高。

项目应根据实际视频通道数、图像质量、网络带宽、功能要求、算力性能、预算成本等因素，选择合适的部署方式。边缘计算由于部署实施较容易，对网络带宽要求较小，实施的费用成本较低，是当前主流使用的部署方式。

以下为某银行机构采用第二种部署方式的系统整体架构图（如图1所示）。

图1 系统整体架构图

系统整体流程简单描述如下：具备AI视频分析功能的“边缘盒子”放置在基层营业网点的设备间，“边缘盒子”旁路读取网点网络硬盘录像机（NVR）采集的前端视频信息。“边缘盒子”对视频信息按照设定的算法和策略进行计算分析，得到的结果通过网络设备传送到部署在上级行的智能综合管理平台。平台具有接收、转发、存档取证、基础管理等信息处理能力，最后通过各类终端设备将信息显示给用户。

“边缘盒子”具备对监控视频中的人、物、状态和动作的识别监测，通过监测和提取视频中的对象，基于经过训练的深度神经网络识别它们，按照既定的规则和特定算法对动作行为进行分析，然后对每个对象进行分类，以启用智能搜索、过滤、警报、数据聚合和可视化等分析功能。深度学习算法可提高监测精度和分类能力，进而识别异常可疑行为和事件，解决了传统视频监控频繁误报和时效滞后等缺点。

以银行的安全合规、内控操作风险管理为例，智能视频识别分析系统可作为监测识别的场景有：值班睡觉或脱岗、长时间玩手机、非法侵入、客户异常装扮、客户摔倒或打斗、消防通道占用、烟火监测、联动门出入管理、柜员合规操作、款箱交接/清点、金库/日间库现金管理、柜面交易、印章管理等。

使用场景和安全防范的要求不同，采用的AI算法也不同。有些利用视频截取图片的前后实时对比技术，确认物品摆放位置。如灭火器被挪动位置，杂物摆放占用逃生通道等情况。不宜安装烟感温感的场所采用烟雾火焰监测算法利用视频监控及时发现火灾隐患。有些利用人脸识别技术确认戴口罩、帽子，遮挡面部的异装打扮客户，提前做好异常情况预警处理。有些场景为通过人数统计异常发出预警信息，如ATM防护舱或进入现金区联动门内一般情况为1人，对于监测到多于1人的情况发出预警信息。类似的还有双人值班管理等情况。利用人体骨骼关键点分析算法对人员摔倒、打斗、长时间操作手机等行为动作进行识别预警。

智能管理平台是整个系统的中枢，它的核心功能是适配和调度各类软硬件资源，增强各模块和应用的协调联动能力，提升系统的可扩展性和操作性。智能综合管理平台具备多格式视频接入和分发、远程监控、视频回放、数据共享/统计、算法下发、系统升级、告警推送、工单处置、设备/配置/系统/业务/综合管理等功能。智能管理平台实行模块化管理，针对不同的应用场景，可灵活定制，且多层次开放方便集成。实现对整个系统中视频数据的采集、挖掘和分析，以及数据处理结果的可视化呈现进行全流程管理。

未来发展和趋势展望

随着AI技术的快速发展，视频识别分析技术将向“更好，更稳，更精准”的方向发展。未来基于视频的复杂场景下人体行为分析将是研究和应用的热点。分析过程主要通过神经网络的设计和实现、深度学习模型的训练和调整、目标动作的监测、跟踪和识别等多重方法相结合。这其中包括算法的优化、算力的提升、业务流程的部署等问题。还包括如何解决外部环境对视频监控信息质量的影响，如视频采集时光线的强弱、飞入物的干扰、异常振动，识别对象变化速度不稳定、行为持续时间难以确定、边缘服务器负载过重等问题，以及系统整体稳定性和成本控制等情况。如何实现视频监控、识别分析、平台管理的有效统一，从而构建一个低成本、强扩展性、安装方便、操作灵活的高效应用系统，将是未来需要进一步研究和努力的方向。

（此文刊发于《金融电子化》2025年1月下半月刊）