一种面向移动终端的人脸识别支付系统和方法
【专利说明】
【技术领域】
[0001]本发明属于生物特征识别认证领域，具体涉及一种面向移动终端的人脸识别支付系统和方法。
【【背景技术】】
[0002]随着电子商务的普及，通过数字化系统进行支付的方式受到越来越多消费者和商家的青睐。消费者进行支付时无需使用现金，商家也无需进行找零，简化了交易过程。
[0003]但是现有技术所公开的数字化支付系统都需要消费者持有实体的身份认证工具，例如:进行刷卡消费时，消费者需要提供银行卡，使用网上银行进行支付时，消费者需要提供U盾或其它客户证书。这些实体认证工具容易丢失，而且使用过程较为繁琐。因此需要一种更安全、更便捷的支付手段。
[0004]相对其他的支付方式，生物识别支付具有无法比拟的优势。人脸识别与指纹识别、掌纹识别、视网膜识别、骨骼识别、心跳识别等都属于人体生物特征识别技术，都是随着光电技术、微计算机技术、图像处理技术与模式识别等技术的快速发展应运而生的。而人脸识别支付因身份验证平台安全可靠，以及不易遗忘、防伪性能好、不易伪造或被盗、随身“携带”和随时随地可用等特点，备受业界推崇。
[0005]人脸识别支付方式作为现有的现金支付和刷卡支付的补充，能缓解现金支付存在的现金易丢失、被盗、找零时间长等问题，以及刷卡支付存在的繁琐刷卡、输入密码、签名步骤的问题。随着电子商务的普及，通过生物识别技术进行支付的方式受到越来越多消费者和商家的青睐。消费者进行支付时无需使用现金，商家也无需进行找零，简化了交易过程。人脸识别支付的成功应用，既能解决了客户现金支付和刷卡支付存在的种种不便，方便交易行为；同时是人脸识别技术在互联网金融领域的应用尝试，对未来互联网金融安全认证简易化将产生巨大的促进作用。
[0006]如何将人脸识别技术与数字化、网络化系统整合用于支付，进一步简化支付过程和身份认证工具的持有环节，已经成为当今科研的热点和难点。另外如何提高人脸识别的准确率，降低误识别率，以达到人脸支付的需求，也是目前的支付领域技术难点。
【
【发明内容】
】
[0007]本发明所要解决的技术问题在于提供一种面向移动终端的人脸识别支付系统和方法，实现了便捷注册功能，满足支付功能的快速低误识别率的大规模人脸识别算法，支付平台的简易性，可以广泛应用在各种在线支付终端。
[0008]本发明是这样实现的:
[0009]—种面向移动终端的人脸识别支付系统，包括人脸支付注册模块、人脸识别模块、终端在线人脸支付模块；
[0010]所述人脸支付注册模块，采用微信公众号进行注册，通过微信客户端向微信公众平台发送人脸图片，微信公众平台把人脸图像发送到所述人脸识别模块进行预建模，所述人脸识别模块把预建模结果返回给微信公众平台，建模通过后，微信公众平台把用户随后输入的注册信息发送到所述终端在线人脸支付模块进行人工判断，微信公众平台根据用户注册返回结果进行下一步处理，如果人工审核通过，则向所述人脸识别模块发送人脸注册请求；如果人工审核不通过，则向所述人脸识别模块发送人脸注册取消命令，并把预建模的东西清除，同时提示用户重新注册；
[0011]所述终端在线人脸支付模块，通过终端向所述人脸识别模块传送人脸图像进行结果识别，摄像头获取到图像后并向所述人脸识别模块进行验证识别请求，首先是人脸判断，所述人脸识别模块对上传的图像进行人脸检测，认定为人脸后则进入下一步的人脸识别，否则继续接受新图像的识别请求，人脸识别获取的比对结果返回给终端，进行人工验证。
[0012]进一步地，所述人脸识别模块，采用级联式分类器方法，两类分类器分别为基于不同关键区域的特征点图匹配模型的粗分类器和精细化的深度人工神经网络模型；首先，在多模态大规模样本训练过程中分别训练出人脸不同关键区域特征点的图匹配模型，人脸关键区域包括左眼区域、右眼区域、鼻子三角区域、嘴巴区域四个区域的特征点图匹配模型，左眼区域、右眼区域各包括四个关键特征点、鼻子三角区域包括三个特征点，嘴巴区域包括四个特征点，各个区域的特征点形成拓扑结构，这些拓扑结构来表征这些区域的图模型，各个特征点便是这些拓扑结构的节点，这些节点点主要通过尺度不变特征变换匹配算法和节点点位置关系进行提取和筛选；然后，对每一个每个节点邻域进行精细化特征提取，每一个节点都包含40个Gabor小波系数，包括相位和幅度，这些系数合起来称为一个Jet，这些小波系数是原始图像和一组具有5个频率、8个方向的Gabor小波卷积得到的，这样每一个区域的图模型就像被贴了标签一样，其中的点被Jets标定，边被点之间的距离标定，这就形成了左眼、右眼、鼻子三角区域和嘴巴的四个关键区域的特征点图模型；新样本依次提取这四个区域的图匹配模型，然后采用弹性区域的方法进行匹配，计算测试人脸和现有数据库中人脸不同关键区域特征图之间的相似度，这部分是粗筛过程，设定合理的阈值，把这四个关键区域匹配度达到该阈值的所有人脸保留下来，进入下一轮精细化筛选；在精细化筛选过程中，采用深度人工神经网络模型作为二级分类器，人工神经网络模型通过学习深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，通过构建很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，该二级匹配过程由粗到细，快速排除掉大部分不可能样本，并采用高性能算法进行最终匹配。
[0013]进一步地，所述人脸识别模块，还包括建模集群、数据同步、比对集群、负载均衡、日志系统功能。
[0014]一种面向移动终端的人脸识别支付方法，包括如下步骤:
[0015]采用微信公众号进行注册，通过微信客户端向微信公众平台发送人脸图片，微信公众平台把人脸图像发送到人脸识别模块进行预建模，人脸识别模块把预建模结果返回给微信公众平台，建模通过后，微信公众平台把用户随后输入的注册信息发送到终端在线人脸支付模块进行人工判断，微信公众平台根据用户注册返回结果进行下一步处理，如果人工审核通过，则向人脸识别模块发送人脸注册请求；如果人工审核不通过，则向人脸识别模块发送人脸注册取消命令，并把预建模的东西清除，同时提示用户重新注册；
[0016]通过终端向人脸识别模块传送人脸图像进行结果识别，摄像头获取到图像后并向人脸识别模块进行验证识别请求，首先是人脸判断，人脸识别模块对上传的图像进行人脸检测，认定为人脸后则进入下一步的人脸识别，否则继续接受新图像的识别请求，人脸识别获取的比对结果返回给终端，进行人工验证。
[0017]所述人脸识别模块，采用级联式分类器方法，两类分类器分别为基于不同关键区域的特征点图匹配模型的粗分类器和精细化的深度人工神经网络模型；首先，在多模态大规模样本训练过程中分别训练出人脸不同关键区域特征点的图匹配模型，人脸关键区域包括左眼区域、右眼区域、鼻子三角区域、嘴巴区域四个区域的特征点图匹配模型，左眼区域、右眼区域各包括四个关键特征点、鼻子三角区域包括三个特征点，嘴巴区域包括四个特征点，各个区域的特征点形成拓扑结构，这些拓扑结构来表征这些区域的图模型，各个特征点便是这些拓扑结构的节点，这些节点点主要通过尺度不变特征变换匹配算法和节点点位置关系进行提取和筛选；然后，对每一个每个节点邻域进行精细化特征提取，每一个节点都包含40个Gabor小波系数，包括相位和幅度，这些系数合起来称为一个Jet，这些小波系数是原始图像和一组具有5个频率、8个方向的Gabor小波卷积得到的，这样每一个区域的图模型就像被贴了标签一样，其中的点被Jets标定，边被点之间的距离标定，这就形成了左眼、右眼、鼻子三角区域和嘴巴的四个关键区域的特征点图模型；新样本依次提取这四个区域的图匹配模型，然后采用弹性区域的方法进行匹配，计算测试人脸和现有数据库中人脸不同关键区域特征图之间的