一種面向移動終端的人臉識別支付系統和方法
【專利說明】
【技術領域】
[0001]本發明屬于生物特征識別認證領域,具體涉及一種面向移動終端的人臉識別支付系統和方法。
【【背景技術】】
[0002]隨著電子商務的普及,通過數字化系統進行支付的方式受到越來越多消費者和商家的青睞。消費者進行支付時無需使用現金,商家也無需進行找零,簡化了交易過程。
[0003]但是現有技術所公開的數字化支付系統都需要消費者持有實體的身份認證工具,例如:進行刷卡消費時,消費者需要提供銀行卡,使用網上銀行進行支付時,消費者需要提供U盾或其它客戶證書。這些實體認證工具容易丟失,而且使用過程較為繁瑣。因此需要一種更安全、更便捷的支付手段。
[0004]相對其他的支付方式,生物識別支付具有無法比擬的優勢。人臉識別與指紋識別、掌紋識別、視網膜識別、骨骼識別、心跳識別等都屬于人體生物特征識別技術,都是隨著光電技術、微計算機技術、圖像處理技術與模式識別等技術的快速發展應運而生的。而人臉識別支付因身份驗證平臺安全可靠,以及不易遺忘、防偽性能好、不易偽造或被盜、隨身“攜帶”和隨時隨地可用等特點,備受業界推崇。
[0005]人臉識別支付方式作為現有的現金支付和刷卡支付的補充,能緩解現金支付存在的現金易丟失、被盜、找零時間長等問題,以及刷卡支付存在的繁瑣刷卡、輸入密碼、簽名步驟的問題。隨著電子商務的普及,通過生物識別技術進行支付的方式受到越來越多消費者和商家的青睞。消費者進行支付時無需使用現金,商家也無需進行找零,簡化了交易過程。人臉識別支付的成功應用,既能解決了客戶現金支付和刷卡支付存在的種種不便,方便交易行為;同時是人臉識別技術在互聯網金融領域的應用嘗試,對未來互聯網金融安全認證簡易化將產生巨大的促進作用。
[0006]如何將人臉識別技術與數字化、網絡化系統整合用于支付,進一步簡化支付過程和身份認證工具的持有環節,已經成為當今科研的熱點和難點。另外如何提高人臉識別的準確率,降低誤識別率,以達到人臉支付的需求,也是目前的支付領域技術難點。
【
【發明內容】
】
[0007]本發明所要解決的技術問題在于提供一種面向移動終端的人臉識別支付系統和方法,實現了便捷注冊功能,滿足支付功能的快速低誤識別率的大規模人臉識別算法,支付平臺的簡易性,可以廣泛應用在各種在線支付終端。
[0008]本發明是這樣實現的:
[0009]—種面向移動終端的人臉識別支付系統,包括人臉支付注冊模塊、人臉識別模塊、終端在線人臉支付模塊;
[0010]所述人臉支付注冊模塊,采用微信公眾號進行注冊,通過微信客戶端向微信公眾平臺發送人臉圖片,微信公眾平臺把人臉圖像發送到所述人臉識別模塊進行預建模,所述人臉識別模塊把預建模結果返回給微信公眾平臺,建模通過后,微信公眾平臺把用戶隨后輸入的注冊信息發送到所述終端在線人臉支付模塊進行人工判斷,微信公眾平臺根據用戶注冊返回結果進行下一步處理,如果人工審核通過,則向所述人臉識別模塊發送人臉注冊請求;如果人工審核不通過,則向所述人臉識別模塊發送人臉注冊取消命令,并把預建模的東西清除,同時提示用戶重新注冊;
[0011]所述終端在線人臉支付模塊,通過終端向所述人臉識別模塊傳送人臉圖像進行結果識別,攝像頭獲取到圖像后并向所述人臉識別模塊進行驗證識別請求,首先是人臉判斷,所述人臉識別模塊對上傳的圖像進行人臉檢測,認定為人臉后則進入下一步的人臉識別,否則繼續接受新圖像的識別請求,人臉識別獲取的比對結果返回給終端,進行人工驗證。
[0012]進一步地,所述人臉識別模塊,采用級聯式分類器方法,兩類分類器分別為基于不同關鍵區域的特征點圖匹配模型的粗分類器和精細化的深度人工神經網絡模型;首先,在多模態大規模樣本訓練過程中分別訓練出人臉不同關鍵區域特征點的圖匹配模型,人臉關鍵區域包括左眼區域、右眼區域、鼻子三角區域、嘴巴區域四個區域的特征點圖匹配模型,左眼區域、右眼區域各包括四個關鍵特征點、鼻子三角區域包括三個特征點,嘴巴區域包括四個特征點,各個區域的特征點形成拓撲結構,這些拓撲結構來表征這些區域的圖模型,各個特征點便是這些拓撲結構的節點,這些節點點主要通過尺度不變特征變換匹配算法和節點點位置關系進行提取和篩選;然后,對每一個每個節點鄰域進行精細化特征提取,每一個節點都包含40個Gabor小波系數,包括相位和幅度,這些系數合起來稱為一個Jet,這些小波系數是原始圖像和一組具有5個頻率、8個方向的Gabor小波卷積得到的,這樣每一個區域的圖模型就像被貼了標簽一樣,其中的點被Jets標定,邊被點之間的距離標定,這就形成了左眼、右眼、鼻子三角區域和嘴巴的四個關鍵區域的特征點圖模型;新樣本依次提取這四個區域的圖匹配模型,然后采用彈性區域的方法進行匹配,計算測試人臉和現有數據庫中人臉不同關鍵區域特征圖之間的相似度,這部分是粗篩過程,設定合理的閾值,把這四個關鍵區域匹配度達到該閾值的所有人臉保留下來,進入下一輪精細化篩選;在精細化篩選過程中,采用深度人工神經網絡模型作為二級分類器,人工神經網絡模型通過學習深層非線性網絡結構,實現復雜函數逼近,表征輸入數據分布式表示,通過構建很多隱層的機器學習模型和海量的訓練數據,來學習更有用的特征,該二級匹配過程由粗到細,快速排除掉大部分不可能樣本,并采用高性能算法進行最終匹配。
[0013]進一步地,所述人臉識別模塊,還包括建模集群、數據同步、比對集群、負載均衡、日志系統功能。
[0014]一種面向移動終端的人臉識別支付方法,包括如下步驟:
[0015]采用微信公眾號進行注冊,通過微信客戶端向微信公眾平臺發送人臉圖片,微信公眾平臺把人臉圖像發送到人臉識別模塊進行預建模,人臉識別模塊把預建模結果返回給微信公眾平臺,建模通過后,微信公眾平臺把用戶隨后輸入的注冊信息發送到終端在線人臉支付模塊進行人工判斷,微信公眾平臺根據用戶注冊返回結果進行下一步處理,如果人工審核通過,則向人臉識別模塊發送人臉注冊請求;如果人工審核不通過,則向人臉識別模塊發送人臉注冊取消命令,并把預建模的東西清除,同時提示用戶重新注冊;
[0016]通過終端向人臉識別模塊傳送人臉圖像進行結果識別,攝像頭獲取到圖像后并向人臉識別模塊進行驗證識別請求,首先是人臉判斷,人臉識別模塊對上傳的圖像進行人臉檢測,認定為人臉后則進入下一步的人臉識別,否則繼續接受新圖像的識別請求,人臉識別獲取的比對結果返回給終端,進行人工驗證。
[0017]所述人臉識別模塊,采用級聯式分類器方法,兩類分類器分別為基于不同關鍵區域的特征點圖匹配模型的粗分類器和精細化的深度人工神經網絡模型;首先,在多模態大規模樣本訓練過程中分別訓練出人臉不同關鍵區域特征點的圖匹配模型,人臉關鍵區域包括左眼區域、右眼區域、鼻子三角區域、嘴巴區域四個區域的特征點圖匹配模型,左眼區域、右眼區域各包括四個關鍵特征點、鼻子三角區域包括三個特征點,嘴巴區域包括四個特征點,各個區域的特征點形成拓撲結構,這些拓撲結構來表征這些區域的圖模型,各個特征點便是這些拓撲結構的節點,這些節點點主要通過尺度不變特征變換匹配算法和節點點位置關系進行提取和篩選;然后,對每一個每個節點鄰域進行精細化特征提取,每一個節點都包含40個Gabor小波系數,包括相位和幅度,這些系數合起來稱為一個Jet,這些小波系數是原始圖像和一組具有5個頻率、8個方向的Gabor小波卷積得到的,這樣每一個區域的圖模型就像被貼了標簽一樣,其中的點被Jets標定,邊被點之間的距離標定,這就形成了左眼、右眼、鼻子三角區域和嘴巴的四個關鍵區域的特征點圖模型;新樣本依次提取這四個區域的圖匹配模型,然后采用彈性區域的方法進行匹配,計算測試人臉和現有數據庫中人臉不同關鍵區域特征圖之間的