（人脸识别最新）人脸识别最新中文参考文献

今天道尔智控就给我们广大朋友来聊聊人脸识别最新,以下10个关于人脸识别最新中文参考文献的观点希望能帮助到您找到想要的答案。

人脸识别概念股一览

热心用户提供：【以七为书】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案科大讯飞（002030）科大讯飞联合香港中文大学汤晓鸥教授团队，共同推出世界领先的人脸识别技术，提供人脸验证、人脸检测、人脸关键点检测等功能，识别率高达99%。核心技术源自于学术界最新的深度学习方法及其相关研究，结合大量公开和独有的训练数据集，在超级计算机上学习并提取照片特征，实现高效准确的标定和识别，致力于提供便捷准确的人脸识别技术，为移动设备交互、摄像头应用等不同场景提供强有力的技术支持。此项技术可用于手机/电脑解锁、人员考勤、身份验证等各个领域。全球领先的准确率在目前公开的LWF测试中，人脸验证可达到世界第一的99.15%准确率，比肉眼更精准！

汉王科技（002362）

2006年，汉王科技率先在高速DSP平台上成功实现了嵌入式人脸识别算法，从而将人脸识别的应用领域，从PC平台扩展到更广阔的嵌入式平台，奠定了坚实的基础。2008年，结合国内外人脸识别市场的发展趋势，汉王科技充分发挥自己在模式识别领域的技术和市场领导者优势，陆续推出一系列人脸识别技术及其产品，突破国外技术垄断，正式拉开了国内人脸识别产业化的序幕。目前汉王科技最主要的人脸识别产品是"人脸通"系列产品，正在规划中的人脸产品主要是联机面部仪、人脸识别模块。目前汉王的人脸识别产品已经广泛运用于金融、军事、校园等各种场所公司产品成功应用与天安门城楼人脸识别安检系统。

欧比特（300053）5.25亿元收购铂亚信息，后者主要产品包括人脸库系统、人脸识别门禁系统、人脸识别实时布控系统等解决方案，公司在已建的省级人脸数据库市场占有率约为50%。

川大智胜（002253）2013年9月，科学技术部网站发布了《国家重大仪器设备开发专项2013年度拟立项项目公示》的通告，公司申请的“高速高精度结构光三维测量仪器开发与应用”，已列入拟立项项目清单，公示期为七日。该项目申请国家专项经费4450万元、同时公司按1:1比例配套自筹经费。2013年8月上证报讯，公司2013年开始投入开发三维人脸识别技术，明年有望完成一些重要的实验和示范项目的建设，公司的组织架构上将设立单独的“图形图像事业部”，下设“全景互动系统部”和“三维测量部”，加大三维人脸识别应用方面投入的迹象明显。

航天信息（600271）

公司承担了国家“十五”科技攻关项目中的人脸识别技术课题，在分析、吸收国外先进人脸识别技术的基础上，联合清华大学智能图文信息处理研究室，成功研发出了独有自主知识产权的人像比对识别技术和综合应用系统。

高新兴（300098）

智能分析平台中具有核心自主知识产权的人脸识别智能分析系统，该机可实现人脸自动抓拍、细节特征提取功能、抓拍照片自动筛选，内含有质量判断算法，对跟踪过程中抓拍的人脸照片进行筛选，选取质量最高的面部图像进行记录。

赛为智能（300044）

人脸识别技术研究、复杂环境下多姿态人体检测，人脸识别产品已验收，主要用于交通领域安防系统。

汉鼎股份（300300）

人脸识别技术智慧建筑和智慧公共安全领域已有应用等。

上海普天（600680）上海普天邮通科技股份有限公司展示了“刷脸检票系统”。该公司的刷脸检票系统有望在年中实现量产，首批客户覆盖影院等。最近在万达影院已经成功地开通运行了互联网支付和检票系统。据透露，影院及楼宇刷脸系统的毛利率高达50%。

佳都科技（600728）公司通过掌握生物智能识别核心技术，借助公安部公民生物数据库，创新的人脸识别技术，为具有实名制鉴权需求的客户提供远程云鉴权服务，在行业应用中颠覆了传统商业模式，如人脸验证、接入控制、金融等；此外，还拓展新的鉴权应用场景，如安全/安保、智能商业、互联网应用、人工智能等。

以上就是道尔智控小编分享贡献者：（以七为书）分析的关于“人脸识别概念股一览”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，下面继续叙说下文用户【无敌mm队】贡献的“汉王a11考勤机怎么用”的一些相关疑问做出分析与解答，如果能找到你的答案，可以关注本站。

汉王a11考勤机怎么用

本文贡献者：【无敌mm队】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案l 技术参数

1) 用户容量：150人脸用户

2) 记录容量：10万条

3) 硬件平台：1GHz 高速处理器，内置DSP加速

4) 摄像头：专用高通光量红外摄像头

5) 验证方式：人脸识别、工号人脸识别

6) 光线适应性：室内，无阳光直射

7) 验证：<1秒

8) 拒识率：<1%

9) 误识率：<0.001%

10) 按键：4*4触摸按键

11) 显示：2.8英寸TFT彩屏，6万5千色高彩，240*320分辨率

12) 语音：语音合成，报中文姓名

13) 通信方式：U盘

14) 电源：12V DC，工作电流1A

15) 使用距离：人脸距反光镜30－80 cm，照镜寻眼配合

16) 使用温度：0℃－40℃

17) 使用湿度：20% - 80%

18) 尺寸：210mm(H)*82mm(W)*40.8mm(T)

19) 安装方式：壁挂式，桌面式选配CE01支架，建议高度镜头距地面1150mm-1200mm，依使用人群平均高度而定。

以上就是道尔智控小编解答贡献者：（无敌mm队）分析的关于“汉王a11考勤机怎么用”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，下面继续祥解下文用户【并非良人】解答的“中国人脸识别技术全球第一”的一些相关疑点做出分析与解答，如果能找到你的答案，可以关注本站。

中国人脸识别技术全球第一

热心用户提供：【并非良人】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案如果数据没有注水的话，这个绝对是突破性的成果。lfw上超过人脸意味着在人脸识别80%的应用环境下机器的性能可以超过人脸。而06年的结果只意味着在身份证比对、小型办公场所签到等极少应用下机器的性能超过人脸。

1.2006年全面超过人脸时的条件是实验室内部拍摄条件、正面姿态、正面光照。这种条件下的人脸识别错误率的进展大约是每3年下降10倍。FRVT2012中期结果中最好的单位(不出意外应该是日本的NEC公司)的错误率已经达到了我们06年系统的1%左右。而我手上的系统相比06年大约提升了十几倍，目前在中期结果中排名6-7名。

2.lfw数据库直接是从雅虎网上抓的照片。难度在业界属于顶尖。该库09年公布后至今没有难度更大的静态照片库出现。难度相当但数据量更大的库倒是有两三个。我们06年的系统跑lfw也就70+的水平。而我们实验室的最高水平(也是国内除face++外的最高水平)大约是92左右。大概相当于2012年底的state-of-the-art。

3.2014年的三个逆天结果，deepface的97.25%、face++的97.27%、gaussianface的98.52%，前两者都用了deep learning。第一个训练数据400万。第二个算法细节不明，但deeplearning向来吃样本，想来训练库也是百万量级。唯有gaussianface的训练库仅2万余。

4.arxiv和CVPR等顶会完全不矛盾。先发上来只是为了不让别人抢先。估计未来的顶刊顶会上很快会出现这个结果。

5.算法细节太过技术，难以在这里深入浅出，就不多介绍了。只提一篇paper。Blei的latent dirichlet allocation，2003年的jmlr，引用量近万。本文对人脸的贡献方式大概相当于lda对文档分类的贡献方式，懂行的人自然知道这句话的分量。

以上就是道尔智控小编解答(并非良人)分析关于“中国人脸识别技术全球第一”的答案，接下来继续为你详解用户（一向肩并）回答“人脸识别硬件厂家排名”的一些相关解答，希望能解决你的问题！

人脸识别硬件厂家排名

热心用户提供：【一向肩并】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案人脸识别厂家排名是：face++，商汤，依图、、旷视科技、中科院深圳先进技术研究院、VisionLabs。推荐：face++。

Face++大规模人脸搜索技术可实现亿级人脸的快速检索。基于人脸搜索技术，可以实现真正的互联网人脸搜索引擎，并广泛应用于社交搜索、逃犯追缉等应用场景中。

Face++人脸检测与追踪技术提供快速、高准确率的人像检测功能。能够支持图片与实时视频流，支持多种人脸姿态，并能应对复杂的光照情况。

我们提供的实时人脸检测与追踪技术，可以令相机应用更好的捕捉到人脸区域，优化测光与对焦；同时，还可以使用人脸追踪技术进行游戏交互，提供全新的体感游戏体验。

2017 年10月31日，旷视科技Face++公司完成了C轮4.6亿美元融资。在本轮的融资中，由中国国有资本风险投资基金（简称“国风投”）领投，蚂蚁金服、富士康集团联合领投，这一数字也打破了国际范围内人脸识别领域的融资纪录。

本轮融资由C1、C2两轮构成，同时引入包括中俄战略投资基金、阳光保险集团、SK集团等新的重要投资者，腾达资本作为本轮融资独家财务顾问。

以上就是道尔智控小编解疑贡献者：（一向肩并）贡献的关于“人脸识别硬件厂家排名”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，下面继续浅析下文用户【满地伤菊花】回答的“人脸识别门禁系统不好使”的一些相关问题做出分析与解答，如果能找到你的答案，可以关注本站。

人脸识别门禁系统不好使

热心用户提供：【满地伤菊花】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案一、硬件检测方法

电源/CPU检测：通电人脸识别门禁系统，查看门禁电源指示灯/CPU指示灯是否处于正常工作的状态。

出门开关检测： 系统处于通电状态，操作出门开关，查看继电器指示灯和是否有“喀嚓”的响动声。

通讯网络检测： 进行通讯操作时，查看TCP控制器的Tx灯和Rx灯，Tx灯闪烁表示通讯正常，Rx灯常亮表示网路接线没问题。

门禁识别器检测：刷脸时，站立至摄像头前，门禁机是否正常显示人像；如果是人脸识别+人证核验的门禁考勤一体机，我们在刷卡/证时，卡片指示灯/语音播报是否正常。

二、软件检测方法

实时监控门禁设备：开启系统后台和人脸识别门禁机的实时监控功能，通过系统后台实时监控对应的门禁设备指示灯是否正常工作。

分布检测方法：启动门禁系统管理平台，进入系统后台选择对应需要检测的门禁设备，相应的门禁控制器进行检测，如有故障系统后台会提示相关故障。

捷易科技人脸识别集成专业安全认证模块，采用先进的人脸识别技术，实现登记流程电子化，提升前台工作效率；支持受访者发送邀请/访客主动登记/自动来客提醒；一键生成访客数据报表，加强企业入口安全管理；可定制化系统界面，展示品牌个性化。

上文就是道尔智控小编解疑贡献者：（满地伤菊花）回答的关于“人脸识别门禁系统不好使”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，接下来继续探讨下文用户【别碰我女人-】分享的“caffe模型训练”的一些相关疑问做出分析与解答，如果能找到你的答案，可以关注本站。

caffe模型训练

本文贡献者：【别碰我女人-】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案在信息化的今天，安全问题已经成为了与每个人切身相关的问题。特别是对于个人身份信息来说，诸多垃圾短信和骚扰电话的出现也说明了信息安全对于我们自身的重要性。近日，香港中文大学教授汤晓鸥、王晓刚及其研究团队宣布，他们研发的DeepID人脸识别技术的准确率超过99%，比肉眼识别更加精准。我们有幸对汤晓鸥教授进行了书面采访，请他谈谈科研经历与行业发展。

据悉，汤晓鸥教授领导的计算机视觉研究组 (mmlab.ie.cuhk.edu.hk) 开发了一个名为DeepID的深度学习模型， 在LFW (Labeled Faces in the Wild)数据库上获得了99.15%的识别率，这也是有史以来首次超过99%的LFW识别率。

在此之前，，Facebook发布了另一套基于深度学习的人脸识别算法DeepFace，在LFW上取得了97.35%的识别率。本次汤晓鸥教授的研究团队发布的DeepID在实验数据的应用数量上只有20万，但是错误率更低。

在谈到人脸识别领域的时候，汤晓鸥教授表示从学术上来讲，人脸识别技术起到了一个标杆的作用，对于其他研究有着深度的借鉴意义。他同时表示，从2000年从事人脸识别技术研发开始，已经有了10多年的科研经验，除了人脸识别之外，包括检测、定位、表情、姿态等相关技术也有涉及。

汤晓鸥教授还特别谈到了DeepID的主要内容——deep learning，这是一种模仿人大脑的学习过程，是一项比较开创性的工作。DeepID的识别率要高于人眼，意味着替代人类做更可靠的工作，很多靠人工识别图像的工作可以由机器承担。

在谈到NVIDIA的加速作用时，汤晓鸥教授表示——用了NVIDIA Tesla K40以后，GPU可以将计算时间提高几十到上百倍，大大缩短模型生成过程的时间。就现有项目里的实际情况，原来30天的计算量，现在10个小时就可以完成。NVIDIA给了我们很多支持，我们要做成世界第一，最后我们也实现了。

在谈到DeepID人脸识别技术的市场化时，汤晓鸥教授认为它将有助于提升智慧城市的实现。不过他也谈到目前该项技术还仅限于小众范围应用，大规模的普及还需要市场的检验。

以上就是道尔智控小编解答(别碰我女人-)解答关于“caffe模型训练”的答案，接下来继续为你详解用户（枯卷卡带）解答“人脸渐变算法”的一些相关解答，希望能解决你的问题！

人脸渐变算法

热心用户提供：【枯卷卡带】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案这个很难办到，不过可以通过判断关键点的特点进行判断，但是准确率不高

前言

很多人都认为人脸识别是一项非常难以实现的工作，看到名字就害怕，然后心怀忐忑到网上一搜，看到网上N页的教程立马就放弃了。这些人里包括曾经的我自己。其实如果如果你不是非要深究其中的原理，只是要实现这一工作的话，人脸识别也没那么难。今天我们就来看看如何在40行代码以内简单地实现人脸识别。

一点区分

对于大部分人来说，区分人脸检测和人脸识别完全不是问题。但是网上有很多教程有无无意地把人脸检测说成是人脸识别，误导群众，造成一些人认为二者是相同的。其实，人脸检测解决的问题是确定一张图上有木有人脸，而人脸识别解决的问题是这个脸是谁的。可以说人脸检测是是人识别的前期工作。今天我们要做的是人脸识别。

所用工具

Anaconda 2——Python 2

Dlib

scikit-image

Dlib

对于今天要用到的主要工具，还是有必要多说几句的。Dlib是基于现代C++的一个跨平台通用的框架，作者非常勤奋，一直在保持更新。Dlib内容涵盖机器学习、图像处理、数值算法、数据压缩等等，涉猎甚广。更重要的是，Dlib的文档非常完善，例子非常丰富。就像很多库一样，Dlib也提供了Python的接口，安装非常简单，用pip只需要一句即可：

pip install dlib

上面需要用到的scikit-image同样只是需要这么一句：

pip install scikit-image

注：如果用pip install dlib安装失败的话，那安装起来就比较麻烦了。错误提示很详细，按照错误提示一步步走就行了。

人脸识别

之所以用Dlib来实现人脸识别，是因为它已经替我们做好了绝大部分的工作，我们只需要去调用就行了。Dlib里面有人脸检测器，有训练好的人脸关键点检测器，也有训练好的人脸识别模型。今天我们主要目的是实现，而不是深究原理。感兴趣的同学可以到官网查看源码以及实现的参考文献。今天的例子既然代码不超过40行，其实是没啥难度的。有难度的东西都在源码和论文里。

首先先通过文件树看一下今天需要用到的东西：

准备了六个候选人的图片放在candidate-faces文件夹中，然后需要识别的人脸图片test.jpg。我们的工作就是要检测到test.jpg中的人脸，然后判断她到底是候选人中的谁。另外的girl-face-rec.py是我们的python脚本。shape_predictor_68_face_landmarks.dat是已经训练好的人脸关键点检测器。dlib_face_recognition_resnet_model_v1.dat是训练好的ResNet人脸识别模型。ResNet是何凯明在微软的时候提出的深度残差网络，获得了 ImageNet 2015 冠军，通过让网络对残差进行学习，在深度和精度上做到了比

CNN 更加强大。

1. 前期准备

shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat都可以在这里找到。

然后准备几个人的人脸图片作为候选人脸，最好是正脸。放到candidate-faces文件夹中。

本文这里准备的是六张图片，如下：

她们分别是

然后准备四张需要识别的人脸图像，其实一张就够了，这里只是要看看不同的情况：

可以看到前两张和候选文件中的本人看起来还是差别不小的，第三张是候选人中的原图，第四张图片微微侧脸，而且右侧有阴影。

2.识别流程

数据准备完毕，接下来就是代码了。识别的大致流程是这样的：

3.代码

代码不做过多解释，因为已经注释的非常完善了。以下是girl-face-rec.py

# -*- coding: UTF-8 -*-

import sys,os,dlib,glob,numpy

from skimage import io

if len(sys.argv) != 5:

print "请检查参数是否正确"

exit()

# 1.人脸关键点检测器

predictor_path = sys.argv[1]

# 2.人脸识别模型

face_rec_model_path = sys.argv[2]

# 3.候选人脸文件夹

faces_folder_path = sys.argv[3]

# 4.需识别的人脸

img_path = sys.argv[4]

# 1.加载正脸检测器

detector = dlib.get_frontal_face_detector()

# 2.加载人脸关键点检测器

sp = dlib.shape_predictor(predictor_path)

# 3. 加载人脸识别模型

facerec = dlib.face_recognition_model_v1(face_rec_model_path)

# win = dlib.image_window()

# 候选人脸描述子list

descriptors = []

# 对文件夹下的每一个人脸进行:

# 1.人脸检测

# 2.关键点检测

# 3.描述子提取

for f in glob.glob(os.path.join(faces_folder_path, "*.jpg")):

print("Processing file: {}".format(f))

img = io.imread(f)

#win.clear_overlay()

#win.set_image(img)

# 1.人脸检测

dets = detector(img, 1)

print("Number of faces detected: {}".format(len(dets)))

for k, d in enumerate(dets):

# 2.关键点检测

shape = sp(img, d)

# 画出人脸区域和和关键点

# win.clear_overlay()

# win.add_overlay(d)

# win.add_overlay(shape)

# 3.描述子提取，128D向量

face_descriptor = facerec.compute_face_descriptor(img, shape)

# 转换为numpy array

v = numpy.array(face_descriptor)

descriptors.append(v)

# 对需识别人脸进行同样处理

# 提取描述子，不再注释

img = io.imread(img_path)

dets = detector(img, 1)

dist = []

for k, d in enumerate(dets):

shape = sp(img, d)

face_descriptor = facerec.compute_face_descriptor(img, shape)

d_test = numpy.array(face_descriptor)

# 计算欧式距离

for i in descriptors:

dist_ = numpy.linalg.norm(i-d_test)

dist.append(dist_)

# 候选人名单

candidate = ['Unknown1','Unknown2','Shishi','Unknown4','Bingbing','Feifei']

# 候选人和距离组成一个dict

c_d = dict(zip(candidate,dist))

cd_sorted = sorted(c_d.iteritems(), key=lambda d:d[1])

print "\n The person is: ",cd_sorted[0][0]

dlib.hit_enter_to_continue()

4.运行结果

我们在.py所在的文件夹下打开命令行，运行如下命令

python girl-face-rec.py 1.dat 2.dat ./candidate-faecs test1.jpg

由于shape_predictor_68_face_landmarks.dat和dlib_face_recognition_resnet_model_v1.dat名字实在太长，所以我把它们重命名为1.dat和2.dat。

运行结果如下：

The person is Bingbing。

记忆力不好的同学可以翻上去看看test1.jpg是谁的图片。有兴趣的话可以把四张测试图片都运行下试试。

这里需要说明的是，前三张图输出结果都是非常理想的。但是第四张测试图片的输出结果是候选人4。对比一下两张图片可以很容易发现混淆的原因。

机器毕竟不是人，机器的智能还需要人来提升。

有兴趣的同学可以继续深入研究如何提升识别的准确率。比如每个人的候选图片用多张，然后对比和每个人距离的平均值之类的。全凭自己了。

以上就是道尔智控小编解答(枯卷卡带)分析关于“人脸渐变算法”的答案，接下来继续为你详解用户（美色）分析“人脸识别是什么样的时候才会触发”的一些相关解答，希望能解决你的问题！

人脸识别是什么样的时候才会触发

热心用户提供：【美色】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案将整个脸框放在取景框中

人脸识别[1]技术是指利用分析比较的计算机技术识别人脸。人脸识别是一项热门的计算机技术研究领域，其中包括人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度等技术。人脸识别技术属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。2014年3月，香港中文大学信息工程系主任、中国科学院深圳先进技术研究院副院长汤晓鸥领军的团队发布研究成果，基于原创的人脸识别算法，准确率达到98.52%，首次超越人眼识别能力（97.53%）。[2]2019年8月17日，北京互联网法院发布《互联网技术司法应用白皮书》，该《白皮书》阐述了十大典型技术应用，其中包括人脸识别技术

以上就是道尔智控小编解疑贡献者：（美色）回答的关于“人脸识别是什么样的时候才会触发”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，接下来继续讨论下文用户【郝白易】分享的“怎么用照片人脸识别手机”的一些相关问题做出分析与解答，如果能找到你的答案，可以关注本站。

怎么用照片人脸识别手机

热心用户提供：【郝白易】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案能区分真人和照片的技术，这个研究领域叫做liveness detection，中文叫做“活体取证”。

因为现在社交网络、电子成像产品很发达，人们可以很方便获取他人的人脸照片，进而来欺骗人脸识别系统，所以区分系统前的人脸是真的人脸，还是照片/视频/三维面具，就变得非常重要。

对于照片欺骗，主要是根据分辨率(翻拍的照片分辨率比直接从真人上采集的照片在质量、分辨率上有差别)、三维信息、眼动等来区分。对于视频欺骗，根据三维信息、光线等来区分。对于三维面具欺骗，这方面的研究还很少（实际欺骗场景也相对较少）。

就我个人看法，计算机算法是可以区分照片和真人的。但是人脸活体取证在实际应用中，还有很大局限性。现在的算法基本还是基于实验室数据，离实用还有一段距离。

另外指纹、虹膜等也面临这个问题。

云+社区3周年庆广告

2017年12月，云+社区对外发布，从最开始的技术博客到现在拥有多个社区产品。未来，我们一起乘风破浪，创造无限可能。

人脸识别

人脸识别接入是否需要申请 需要申请 您可登录 人脸识别控制台 单击立即开通即可使用无需等待人工审核 人脸识别可以在哪些国家和地区使用人脸识别目前在中国可以正常访问 其他国家也可调用接口访问 但访问较慢人脸识别的访问是多少 通常在 左右 具体响应时间也与照片大小以及网络环境有关如何鉴权 签名 或出现.

人脸识别门禁考勤

腾讯云人脸识别门禁考勤解决方案，基于优图人脸识别技术解决门禁闸机、楼宇访客、考勤签到等场景对无感进出的需求，可为合作伙伴提供快速集成sdkapp的一体.进行人脸识别并得到识别结果 支持离线 在线人脸搜索切换 适用对象客户有专门的软件团队进行开发 客户 有较多的业务流程人脸识别只应用于其中部分功能 方案.

人脸识别版本相关

不同版本区别是什么？ 腾讯云神图·人脸识别目前共有3个版本，分别为1.0、2.0和3.0。 2.0和3.0为当前开放的版本，可正常使用。 1.0版本目前仅支持老客户.是否可以继续使用人脸识别旧版本？ 人脸识别1.0版本已从2019年6月21日起停止维护，如果您用的还是1.0版本的服务，为了不影响您业务的正常开展，建议您尽快.

金融云人脸识别

人脸验证：能判断一张给定的人脸图片，他与某个人脸是否是同一个人以及相似程度。 人脸识别：检测给定的人脸图片，并从数据库中检索他的身份信息并返回。 活体检测：可以有效拒绝人脸核身过程中出现的照片、视频、人头模型的攻击，以保证人脸核身验证过程是真人参与。 ocr 识别：拍摄并识别证件，提取证件上的信息.

以上就是道尔智控小编解答(郝白易)贡献关于“怎么用照片人脸识别手机”的答案，接下来继续为你详解用户（於你肩膀）分析“wps参考文献编号后怎么对齐”的一些相关解答，希望能解决你的问题！

wps参考文献编号后怎么对齐

热心用户提供：【於你肩膀】 ，解答(人脸识别最新)的问题，欢迎阅读！

最佳答案‍

摘要： 住宿业是受共享经济影响相对较早也较深的产业之一。近年来，以共享型住宿为代表的非标准化住宿业蓬勃发展，我国共享住宿行业竞争格局已见雏形。

与此同时，我国共享住宿还存在着虚假房源、信用审核不严格、刷单及恶评、市场信用信息共享不足等问题，亟须建立共享住宿的信用体系，推动我国共享住宿规范、可持续、健康发展。

区块链借助密码学、共识算法和分布式存储技术，组合出一种新的数据共享方式，通过数据的公开透明、去中心化、不可篡改和集体维护等措施，降低整个系统的信息不对称性，从而促成新的信任机制。区块链技术的发展为共享住宿信用体系的构建提供了一种新的思路。

针对共享住宿存在的信用问题，结合区块链技术的特点和发展现状，重构共享住宿交易双方的信任机制，解决共享住宿的信用缺失痛点，建立共享住宿信用体系的框架和实现路径。

关键词： 共享住宿；信用体系；区块链；智能合约

引言

共享住宿属于共享经济的一种形式，是指房源所有者或经营者通过共享住宿平台发布房源相关信息，以暂时转让房源的使用权，租客可通过共享住宿平台进行搜索，与房东或者平台进行沟通并实现租住交易，共享住宿平台则从中获取中介费或佣金。

在移动互联网时代，共享住宿深刻改变着人们的生活。以小猪短租、途家为代表的共享住宿平台快速发展，给人们的生活提供诸多便利和深刻体验。

国家信息中心发布的《中国共享住宿发展报告2020》显示，2019年我国共享住宿市场规模约225亿元，同比增长36.4%，共享住宿收入占全国住宿业客房收入的比重达7.3%；共享住宿参与者人数约2亿人，同比增长53.8%，其中服务提供者约618万人，2016—2019年共享住宿用户普及率由5%提高到9.7%［1］。

目前，我国共享住宿市场持续快速成长，共享房源数量、房客数量大幅提升，共享住宿行业已初具规模，业务创新不断涌现，安全保障措施日益完善，国际化步伐加快，市场整体处于快速上升阶段。预计未来三年，我国共享住宿市场规模将继续保持相对较高的增长。

不过，共享住宿市场目前仍然处于发展初期，很多方面还不够成熟，同时，我国社会信用体系和信用机制尚不健全，各类短租风险也随之而来，信用体系不完善成为共享住宿发展的掣肘［2］。

尽管非标准化的服务符合共享民宿的个性化体验，却也在安全监管领域敲响了警钟［3］。在发达国家，不仅有完善的征信体系为创新的商业模式提供支持，而且人们有强烈的信用意识，但是在国内，实名社交网络的缺失使得基于社交网络建立信用体系变得比较困难。

同时，征信数据在各个平台相互割裂的现状也削弱了其约束力。不过，也有一些短租平台在探索建立信用体系和信用机制，比如小猪飞猪合作接入支付宝的芝麻信用分，通过芝麻信用分数的高低给予租客不同的便利［4］。

途家除平台自建的数据库信用体系外，还引入了携程、芝麻信用等第三方数据。近年来，区块链技术得到了广泛的关注，2019年10月24日，中央政治局就区块链技术发展现状和趋势进行集体学习，确定将区块链作为核心技术自主创新的重要突破口。

区块链技术在各行各业开始应用，区块链与产业的结合开始加速，并赋能实体经济。区块链技术拥有点对点传输、分布式记账、智能合约、追踪溯源等核心技术，具有信息不可篡改、自然增信的特点［5］，与共享住宿面临的信用问题有着天然的结合点。在去中心化的区块链网络上，通过信息共享的方式链接闲置的房源和租客，可以增加闲置房源的利用率。

本文旨在研究基于区块链技术建立我国共享住宿的信用体系，以期从技术的角度建立共享住宿信用，为我国共享住宿规范、可持续、健康发展提供借鉴。

一、共享住宿信用体系存在的问题

共享住宿具有价格低、设施全、特色明显等优点，吸引很多租客愿意选择这种方式住宿。共享住宿的概念在国内已经逐步开始普及，但运行模式和管理制度并不完善，共享住宿作为一种新模式，不同于传统经济模式最主要的一点就是基于互联网平台的线上交易［6］。

交易个体在彼此不认识的情况下发生交易，这就需要有强大的信用中介作为中间人。然而现实中这样的信用中介并不存在或者并不可靠，信用体系不完善成为制约共享住宿发展的障碍。

在无信用监管或者弱信用监管的情况下，根据交易成本理论，房东和租客会因为信息不对称导致信任成本增加，而且供需双方的失信成本较低，双方都会为实现利益最大化产生机会主义行为，在博弈中选择自认为能实现自身利益最大化的决策。共享住宿信用体系存在的问题具体表现在以下四个方面。

（一）虚假房源

从住房租赁市场看，市场参与者良莠不齐，虚假宣传、过度宣传、以次充好现象普遍存在。

一是一些租房平台上的房源图片与实际严重不符，平台上传的照片经过美化处理后严重失真，而房客在第一次入住的时候大都是通过平台查看房源信息，这样就导致了信息不对称。

二是共享住宿特别是一些民宿的卫生问题严重，床上用品没有经过严格消毒或者没有更换，房间打扫也不干净；另外，还有前几年一直曝光的一些共享住宿房间甲醛超标，有人入住后才发现是新装修房间，危害租客身体健康等。

三是共享民宿居住安全也存在隐患，有些普通民房的消防设施不健全，房间门锁也不够安全，还有些房间属于隔断房，一房多租，而且质量堪忧，也不利于保护租客的隐私。这些现象既有平台失信问题，也有房东失信问题。

（二）信用审核不严格

一是平台对房源和房东资质审核不严。

多数平台准入门槛较低，提供的房源多为民居。想申请成为“民宿”很简单，只需提供房东身份证、房产证或租赁合同，保证房客可以拎包入住即可，并不需要特种行业许可证或市场营业执照等，房源上平台的时候也不实地查看。这样无证经营的“民宿”，一旦发生意外或者纠纷，消费者权益将无从保障，维权过程就变得非常复杂。

二是对入住旅客的信用审核不严。

租客在宾馆办理入住的时候，通常都会进行身份识别以及人脸识别，租客的基本信息与公安联网，如果租客有嫌疑，公安机关很快就会识别，如果租客被列为失信被执行人名单，在入住星级宾馆时，宾馆系统与“全国法院失信被执行人名单信息公布与查询”平台联网，这样租客就没法办理入住。

通过这种入住前的信用审核就把之前失信的租客排除。共享住宿很多房间是民宿改造，特别是长租公寓，一套房里面一人一个卧室，厨房卫生间大都是共用，租客在办理入住的时候，平台也不严格审核入住人的信用记录，或者是没有条件审核，缺少信用信息；有的是和支付宝合作，根据芝麻信用分判断租客的信用情况，但芝麻信用反映的信用记录与租房信用以及生活中的其他信用记录不太一样，很多信用记录没有记录在芝麻信用分中，这样就会产生信用风险，甚至法律风险。

（三）刷单及恶评

自从有了网购以后，伴随而来的就是刷单和恶评。刷单主要是商家为了提高搜索排名、销量及好评以吸引顾客，刷单现象在电商平台普遍存在。租客在共享住宿平台上搜索住房时，会出现好评率排序，在价格的情况下都会关注这个重要指标。

无论是B2C模式还是C2C模式，都会存在刷单行为。市场上一部分商家刷单会引发所有人刷单，因为不刷单的话排名和销量就会被甩在最后，不容易搜索到和关注到。当租客根据好评率在网上下单，办理入住后，就感觉与真实情况严重不符，有上当受骗的感觉。恶评分为租客恶评和竞争对手恶评。

租客入住后感觉体验较差可能会给恶评；租客为了索要房东或平台的一些补偿，也会故意给出恶评。竞争对手给恶评大多是为了诋毁同行，用不正当的手段进行竞争，而这种恶评想要抓住证据也比较困难。当房东或者平台遇到恶评的情况下，通常都会选择“花钱消灾”的方式删除评论。

（四）市场信用信息共享不足

目前，我国共享住宿行业诚信自律作用有待加强，行业信用信息共享机制尚未建立，市场信用信息共享严重不足，特别是信息孤岛和信息滥用问题突出，线上线下发展不平衡，市场主体信用信息交换共享不充分，对于共享住宿的参与者尚未发挥很好的信用风险控制作用。

第三方信用服务机构在共享住宿行业的数据积累很不充分，尚未与共享住宿行业形成完整的产业链和生态体系。虽然部分平台企业有芝麻信用背书，但其覆盖范围还比较小，尚未形成一套人人交互、人物交互下的信用信息共享体系。共享住宿平台企业内部信用机制建设，信用信息如何使用、如何流动，如何与第三方信用服务机构互通等，基本都还处在自然发展阶段。

我国住宿数据共享机制不完善，房客与房东只能依靠平台自行积累的信用评价数据或简单的认证体系，对房东、房源或房客进行筛选。部分平台企业对于房客与房东的实名认证、背景核实、资质审核等信用尽职审查工作把控不严，导致房客与房东权益保护存在风险和漏洞。

二、基于区块链技术的共享住宿信用体系的基本框架

共享经济是一种具有高度契约精神的经济形式［7］。共享住宿的发展是建立在房东与房客之间高度信任以及具备充分保障的基础之上的，共享住宿信用体系为共享住宿经济活动中的信用行为和信用关系提供了制度安排，既是共享住宿信用行为和信用关系的规范和保障，也是约束共享住宿信用行为和信用关系的运行规则［8］。

随着共享住宿新业态日益普及，其双向信息沟通、交易手段灵活和高度在线化等特点，给社会带来了巨大的经济效益，打破地域的限制，将市场交易的范围扩展到前所未有的广度，不但远远超越了熟人社会的范围，更在传统经济形式的市场范围上进一步扩大；同时新经济的智能化和虚拟性发展趋势使得交易双方流动性变大，在买卖双方素未谋面的情况下也能发生交易，产品或服务的交付不需要买卖双方再见面确认。

这些因素加深了共享住宿的信息不对称程度，对相应的市场信用体系提出了更高的要求，即需要为消费者提供实时的、公开可查的、弱中心化的、完整客观的信用信息和电子化、可编程化的信用规则，以帮助消费者作出明智的消费决策。

针对共享住宿存在的信用问题及租客最关注的一些问题，利用区块链技术的数据可追溯、不可篡改、智能合约自动执行、币天销毁等技术加以解决。我们将共享住宿信用体系基本架构分为5层，从下到上依次是：数据层、网络层、共识层、激励层、智能合约层（如图1所示）。

数据层主要解决共享住宿信用体系包含哪些数据信息（基础数据信息和交易数据信息）和数据信息加密算法等问题；网络层使用P2P网络，其每个节点以区块链的形式全量存储着全部交易记录；共识层主要解决“拜占庭将军问题”和工作量证明机制、“双花问题”、51%攻击等；激励层包括发行机制、分配机制，激励的来源为交易费；智能合约层通过合约的代码部署和规则设定，实现合约的自动执行。

本文建立的共享住宿信用体系技术架构为联盟链，基于联盟链的平台并不要求每个部门都将自己的数据全部公开，而更像是一个联盟，每个节点有自己的职责和权限，当一个部门提出对某个人或者某件事进行审核时，其他部门只需要反映这个人或者这件事的数据结果。

共享住宿平台通过联盟链的形式将房源、租客和房东信息、房屋经营数据等信息上链，最大程度确保房源、参与者等相关信息真实有效，而且信息可验证。

同时引入智能合约，自动执行租房合同条款，使得交易自动化、智能化，在完成可信交易的基础上简化租房流程，提高用户体验。

三、共享住宿信用体系建立流程

共享住宿信用体系包括数据的采集、账本的设计、智能合约的嵌入、信用的评价四个方面。其中账本的设计解决信息的不可篡改、可追溯问题，智能合约的嵌入体现着区块链的效率。

（一）共享住宿数据采集

共享住宿企业（平台）将有助于共享住宿信用体系的信息依法提供给主管部门共享。共享住宿企业应注重自身数据的积累、管理和运用，按照主管部门的要求报送工作数据，依法向主管部门提供信用信息。

同时在相关信息的报送和管理中，应保护共享住宿所有参与者和相关方的隐私和商业秘密。共享住宿企业还可自愿共享企业内部形成的部分或全部风险提示、红黑名单。

主管部门根据各相关部门建设公共信用体系的需要，在各部门职责范围内组织相关信息的共享。主管部门也可牵头汇集和交换各部门掌握的共享经济主体基本信息和信用信息。共享住宿平台需要采集的数据包括基础信息和交易信息，基础信息包括房东、租客、房源信息，交易信息包括租房记录、房屋经营情况、信用评价记录、投诉记录等信息。

数据来源主要有两个渠道：

一部分是有关机构的数据，涉及公安、法院、信用中国等政府部门；

另一部分是平台自己收集和交易积累的数据。

（二）共享住宿信用记录的分布式账本设计

分布式账本是一种在网络成员之间共享、复制和同步的数据库。网络参与者通过共识原则来制约和协商对账本中的记录更新，省去第三方机构的参与。

分布式账本通过时间戳和密码签名来记录数据，账本中的每条记录都有一个时间戳和唯一的密码签名，这使得账本成为网络中所有交易的可审计历史记录。当前，共享经济所获取的数据仅供内部使用，数据孤岛现象严重，信用体系建设不完善，中心化的数据库使得信用信息容易被篡改。

本文根据区块链技术的特点，建立一个由平台、房东、租客、政府有关部门、行业协会等共同维护的一个分布式账本，实现一点上链，多点共享。将房产证、装修合同等上链，不仅可验证信息的安全性，而且通过区块链技术在平台共享信息的同时，保护出租方个人信息隐私（如图2所示）

共享住宿信用记录由平台、租客、房东、政府机构共同维护，通过联盟链将这些参与方共同“链接”起来，实现信息共享。账本由区块头和区块体构成，每个区块头中通过merkle根关联了区块链中众多的交易事物，而每个区块之间通过区块头哈希值以时间顺序串联起来。针对“虚假房源”的特点，通过将信用中国网、公安网、个人消费数据等多重信息进行验证，重建房东与租客的信任关系，杜绝一切造假行为。

以代币或者现金的形式激励第三方（义工、拍客等）上传房源信息，激励租客分享租住体验。另外，房东主动公开房屋经营数据并上链，比如用电数据，由于是真实信息，可以以此作为供应链和融资的凭证。

（三）共享住宿交易智能合约设计

智能合约概念最早可以追溯到1995年，由密码学家尼克·萨博提出，他将智能合约定义为“一套以数字形式定义的承诺，包括合约参与方可以在上面执行这些承诺的协议”［9］。

智能合约被部署在分布式账本中，完全由代码定义执行，所有的合约内容数字化，最大限度地减少人为干预。智能合约的使用包括编译合约、创建合约、部署合约、调用合约、监听合约（时有时无）、解除合约等6个步骤，共享住宿编译合约和创建合约一般都是标准化的。

共享住宿的智能合约（包括租房合同、贷款合同等）由房东、平台、租客三方商定，合约规定了各方的权利和义务，合约内容包括费用条款、交易规则和附属条款［10］。

费用条款包括价格、押金、优惠条件、支付方式等；交易规则规定了付款时间、损坏物品如何赔偿、消费者权益受损如何补偿等；附属条款是除费用条款和交易规则之外的其他需要补充的内容。

签订后的智能合约通过P2P网络扩散到每个节点中去，待各个节点确认无误后存入区块链中。当入住结束后，系统会根据合约内容自动执行合约。

假设租客通过共享住宿平台租了一个月的公寓，约定每周付款一次（可用加密货币进行支付），付款后，租客将会收到一份按智能合约的代码规定的数字收据，租客和业主分别使用代表其身份的电子密匙，在房屋租赁合约上签名，该合约立即生效，并能在区块链上流通。

智能合约会跟踪租客是否收到了“数字密钥”，如果租客未在指定日期之前获得此密钥，智能合约会自动退款，待租客入住满一周后，智能合约会自动扣除一周的房租。智能合约的触发是根据合同中预先设置的条件，条件满足后自动执行。

智能合约会定期检查自动机状态，逐条遍历每个合约内包含的状态机、事务以及触发条件，将条件满足的事务推送到待验证的队列中，等待共识；未满足触发条件的事务将继续存放在区块链上，比如入住后，租客不小心打碎茶杯，租客可以把这一事件上传到链上，智能合约会自动从押金中扣款，如果茶杯带有传感器，不用租客上传，会被自动扣款赔偿。

事务执行成功后，智能合约自带的状态机会判断所属合约的状态，当合约包括的所有事务都按顺序执行完毕后，状态机会将合约的状态标记为完成，并从最新的区块中移除该合约。

比如当租客完成退房后，门锁密码这一状态就自动标记为完成，密码自动失效，租房合约自动失效。在整个合同执行过程中，所有参与者、第三方机构都可以通过区块链查看合同执行情况。智能合约与新一代信息技术联合使用，运行效果最佳。比如结合VR和AR等前沿技术，可以最大程度地呈现房屋实际情况。

通过GPS定位技术可以实时监测房间物品的位置和状态，通过人脸识别技术，会自动识别租客身份，验证信息，若发现身份造假，信息将同步传到整个网络中。区块链技术记录信息的不可篡改特性，使得造假者无处遁形。

共享住宿房屋中如果安装配套物联网门锁、智能门禁、智能电表、智能水表、智能空调等智能硬件，当合同生效后，租客会自动收到门锁密码，开门后，水表、电表自动工作，退房后，这些设备自动停止工作。物联网和区块链结合后会在未来产生巨大能量，且能实现跨行业的巨大转变。

（四）共享住宿信用评价体系设计

现有的一些共享住宿平台内部都建立了统一的评价指标体系和评价标准。采用科学合理的评价体系，对共享住宿参与者的信用等级进行综合评价；采用明确的评价标示，按“A、B、C、D”或“守信、警示、失信、严重失信”等进行分类，并将信用评价结果用于平台运作和管理。应鼓励共享住宿平台之间的信用评价结果互联互通，共同监督和维护共享住宿信用。

但是这种评价有个不好的地方就是容易造假，容易刷单，而且也容易被竞争对手恶评。在电商平台交易中，这种现象很难杜绝。

而基于区块链的信用评价可以让造假失去意义，通过把币天销毁引入交易的信用评价，就会得到比较公正的评价结果，而且评价数据上链，任何机构和个人都无法修改链上数据。同时，区块链的校验机制奖励提供正确信息的人，激励参与者继续提供正确的信息，处罚提供虚假数据的人，甚至可以将假数据提供者的信用水平下调。对于公正评价的会有奖励，所以大家都可能会作出公正的评价。

币天销毁信用评价的原理区块链中，币天销毁等于每笔交易的金额乘以这笔交易的币在账上未使用的时间（天数）［11］，在一次信用评价中，销毁的币天越多，信用评价的权重就越大。

1.将时间长度引入信用评价中，这样对于短时间内高频操作就会从技术上进行限制，而且这种方法比从制度上限制更有效。比如房东为了提高房间的搜索排名和好评率，会邀请亲朋好友或者雇佣大量刷单员进行刷单，先让刷单员支付，然后在从另一个账户返还给刷单员，这样就虚构了多次交易，每次交易都给“好评”，自然而然就提高了信用，也误导了消费者。

现在如果把一切评价记录上链，刷单员在第一次评价的时候，由于资金在账户中的时间比较长，信用评价（币天销毁）权重比较高，而在第二次评价的时候，由于和第一次间隔时间比较短，所以信用分就比较低，因为时间是按照“天”计算，同一账户一天之内的多次交易只有第一次信用评价有效，后面的就都是0了。

对于恶评也一样，除第一次有可能有效外，后面的评价也是0了；如果第一次恶评经过多方验证是错误的，最终也会认定为无效。这样从技术上就解决了刷单和恶评的行为。而且这种行为一经查实，会记录在区块链中，参与者的信用会受到影响。

2.信用评价结果运用将币天销毁引入信用评价中，通过数学的方式赋予交易以成本，使得信用评价结果真实地反映参与者的真实信用。主管部门和共享住宿平台可以根据评价结果牵头制定共享住宿红黑名单，并据此展开联合激励与惩戒。

首先，建立和规范共享住宿领域守信主体“红名单”制度，加大对“红名单”主体推介力度，在公共服务、市场交易、社会管理等方面给予一定便利；鼓励共享住宿平台对“红名单”共享住宿参与者在搜索排序、信用积分等方面给予倾斜，强化正面激励引导；推动金融机构加大对列入“红名单”共享住宿企业的支持力度。

其次，建立共享住宿领域失信主体“黑名单”制度，加大对“黑名单”企业的监管力度，提高对“黑名单”企业的检查频次，依法对“黑名单”企业有关失信人员实施不得担任企业法定代表人、负责人、董事、监事、高级管理人员等职务，限制经营或融资授信、取消财政补助或政策支持等联合惩戒措施；支持共享住宿平台按照有关管理规定，对“黑名单”共享住宿参与者实施限制接入、降低信用等级、查封电子账户、公开曝光等惩戒措施。

四、结论

本文根据共享住宿中存在的信用问题，引入区块链技术，将房东、平台、租客、监管机构等“连接”起来，实现信息共享、共同记账，重构社会信任，有望解决“真人、真房、真住”的问题。房屋信息、租房合同等信息上链，保证上链信息不被篡改和可追溯；智能合约的推广，可以大幅提高租房效率，而且还可以避免恶意行为对合约正常执行的干扰；币天销毁引入信用评价中，从技术上杜绝刷单和恶评，使得评价结果真实有效。

需要指出的是，区块链作为一种新兴技术，优势明显，潜力巨大，而且已经在各个行业或产业开始布局和应用，但是这并不能说明区块链就很完美。与所有新技术一样，区块链不可避免地存在漏洞以及面临法律和制度方面的挑战。

最明显的问题就是智能合约是不是法律意义上的合约？是不是合法？还有区块链技术保证了链上的信息真实、透明化运作，但是上链之前信息的真实性如何保证？这一系列问题只依靠区块链单一技术是解决不了的，还需要物联网、大数据、人工智能等技术，以及社会制度的约束。

另外，就目前而言，各行各业真正懂区块链技术的人并不多，在共享住宿领域，相关人员的知识水平有限，对区块链的认识和掌握程度直接影响到共享住宿信用体系的建立。

如何有效地利用区块链技术，用科技增强信任，与实体经济融合发展，这是区块链应用更健康和更可持续发展的方向。

参考文献：

［1］国家信息中心网.中国共享住宿发展报告2020［DB/OL］.（2020-07-23）［2020-11-01］.http：//.

［2］赵平.哪些监管难题阻碍共享经济发展［J］.人民论坛，2019（7）：76-77.

［3］姚瑶.中国共享民宿的制度规制路径探析［J］.行政管理改革，2018（10）：47-51.

［4］李立威.分享经济中多层信任的构建机制研究：基于Airbn和小猪短租的案例分析［J］.电子政务，2019（2）：96-102.

［5］孙善勇，张玉清.区块链技术［J］.首都师范大学学报（自然科学版），2020（2）：81-84.

［6］高璇.我国共享经济发展难题及其应对策略研究［J］.中州学刊，2018（9）：31-35.

［7］阳镇，许英杰.共享经济背景下的可持续性消费：范式变迁与推进路径［J］.社会科学，2019（7）：43-54.

［8］牛阮霞，何砚.共享住宿中的信任研究综述：基于房东、房客的视角［J］.管理现代化，2020（3）：112-117.

［9］PillaiM，AdaviP.IntelligentContractManagement［J］.InternationalJournalofScientificandResearchPublications，2013（1）：1395-1398.

［10］高锡荣，石颖.基于区块链技术的共享经济信用约束机制研究［J］.征信，2020（7）：26-32.

［11］长侠，韩锋，杨涛，等.区块链：从数字货币到信用社会［M］.北京：中信出版社，2018，4.

源点注：本文来自于《征信》，作者：戴明锋 商务部、韩家平 国际贸易经济合作研究院。

作者丨戴明锋、韩家平

排版丨许淼

欢迎分享到朋友圈

转载请注明来源

最近很多读者都在看

你的在看与点赞

我都认真的当成喜欢

本文关于[人脸识别最新]的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。