CN105989470A - 一种手机信用卡储蓄卡的光支付系统的构成方法 - Google Patents

Abstract

本发明属于图像处理领域中的一种手机信用卡储蓄卡的光支付系统的构成方法，是由结算步骤，手机支付认证步骤，手机信用卡储蓄卡支付步骤组成的，其特点是：屏幕显示的3D网屏编码是动态的，可防止不法者复制，手机与收银台之间是通过光的介质进行的，不易被附近隐藏着的不法者接收，具有高度的安全性。而且还具有操作简单，容易掌握，不必添置很多的设备的特点。对手机信用卡储蓄卡的支付系统的普及具有得天独厚的优势。

Description

一种手机信用卡储蓄卡的光支付系统的构成方法

【技术领域】

本发明属于图像处理领域中的一种手机信用卡储蓄卡的光支付系统的构成方法。

【背景技术】

最近，网络购物的第三方支付敲开了金融领域多年来的壁垒，一种新的以网络为中心的金融系统的形成已经势在必行。这里，社会各个方面激烈竞争的核心就是手机支付技术。在中国，最先应用于手机支付的技术就是被公开的通用二维条码。(非专利文献1)

具有NFC(Near Field Communication近距离无线通讯技术)功能的iPhone6的发表，又把人们的注意力集中到了RFID技术的手机电子支付系统。在一些例如购买车票，杂志或零食的方便店里广为应用。在此期间也有大量的专利文献的发表。代表性的专利申请有日本电装公司申请的“支付系统及支付终端”专利(专利文献1)。

【专利文献】

【专利文献1】(特開2014-78074号公告)

【非专利文献1】(微信二维码支付功能使用方法)

(http：//news.mydrivers.com/1/198/198121.htm)

访问时间：2015年1月24日

上述的非专利文献1中记述的方法，曾被国家权威金融机关以二维码不安全而叫停，用二维码进行手机支付的解决方案被封杀。

上述专利文献1中记载的手机支付系统是通过无线通讯进行代码交换的，由于安全问题还没有完全解决，特别是在手机丢失等情况下会使手机合法持有者出现较大的损失，因此这种手机支付方法只适合小额支付。

【发明内容】

本发明的目的是：克服传统技术的不足，提出一个使用3D代码进行信息交互的手机“光”介质支付的系统构成方法。顾客使用手机信用卡或储蓄卡的照相机镜头对准收银台的屏幕上的3D网屏编码图像进行识读，就可将商品结算信息接受到手机端实现手机信用卡储蓄卡的光支付的认证，可以解决个人信息被盗的安全隐患，构成一种操作简单，具有高度的安全性的支付手段。

为了解决上述课题，提出如下技术方案：

一种手机信用卡储蓄卡的光支付系统的构成方法，是由结算步骤，手机支付认证步骤，手机信用卡储蓄卡支付步骤组成的，其特点如下：

在结算步骤里，收银员将顾客所要购买的商品通过扫码机录入到收银台里，收银台的屏幕上显示3D网屏编码图像；

在手机支付认证步骤中，顾客使用手机信用卡或储蓄卡的照相机镜头对准收 银台的屏幕上的3D网屏编码图像进行识读，就可将商品结算信息接受到手机端实现手机信用卡储蓄卡的光支付的认证；

在手机信用卡储蓄卡支付步骤里，顾客通过手机确认自己购买的商品；通过手机选择信用卡或储蓄卡；如果持卡人只有一个信用卡或储蓄卡，可以跳过这一步骤；手机自动的把所持的信用卡的卡号或储蓄卡的卡号以及密码发往给POS机；POS机接受到信用卡的卡号以及密码后由POS机直接同银行交易，或手机方把所支付的金额传送到收银台后，由手机直接同银行进行交易。

而且，所述的3D网屏编码图像是由POS机的屏幕或手机平面显示的具有包括二维电子图像，带有多值灰度值的三维电子图像，以及带有闪烁的多值灰度值的四维电子图像中的一种可显示在屏幕上的电子图像。

而且，所述的3D网屏编码是指包括所有可在屏幕上发射信息的QR二维码，DM二维码，PDF417二维码，汉信码，网屏编码，任意屏幕显示的图像。

而且，所述的3D网屏编码是通过包括可记录信息的代码仅使用2％以下的空间，而把98％以上的空间用于屏幕图像的显示的方法，可记录信息的代码隐藏在屏幕显示图像的某一阶灰度上的方法，利用人眼的运动知觉的视觉特性，设置代码的闪烁在图像显示时间的极短时间内的方法进行信息隐藏的。

而且，所述的3D网屏编码是是利用了时域与空域的统合视觉特性，使屏幕即可已正常显示屏幕图像，又可以让每一符号在时域与空域中埋入信息，又可做到对显示图像的影响最小的方法。

【名词解释】

【概率尺度的距离(Probability Scale Distance)】

设给定的一个具有概率分布的数列的集合为 该集合的中心值为A(G)，中心值为A(G)的概率尺度为M[G，A(G)]，而且由自组织化迭代所算出的以第n-1次的中心值A(G^{（ n-1)})，并且以该中心值为基准的半径M[G^(n-1)，A(G^(n-1))]内存在着k个概率分布的数列g₁，g₂，…g_k的集合为G⁽ⁿ⁾∈g₁(f＝1，2，…，k)，则

【公式1】

A⁽ⁿ⁾＝A((G⁽ⁿ⁾)

M⁽ⁿ⁾＝M[G⁽ⁿ⁾，A(G⁽ⁿ⁾)]

G⁽ⁿ⁾＝G{[A(G^(n-1))，M[G^(n-1)，A(G^(n-1))]]

这里，概率尺度M⁽ⁿ⁾是一个具有多重属性的概率统计的参数。比方说正态分布，指数分布，爱尔朗分布，韦伯分布，三角分布，贝塔分布等等。例如概率尺 度M⁽ⁿ⁾就可以作为正态分布的分散值。

由上述迭代公式1经过若干次迭代所算出的中心值是针对概率分布的数列g₁，g₂，…g_ζ所得到的最为接近母体的估计值，而最终的基准半径值为一概率尺度，以最终的中心值为基准，在概率尺度的范围内的所有的概率分布的数列g₁’，g₂’，…g_k’均可属于概率分布数列g₁，g₂，…g_ζ的真值。

运用上述公式1，4，5以及6的计算方法，可以针对两个概率分布的特征向量之间，得到一个最为接近母体的距离值。为本发明提出的在复杂的手机拍摄环境下将人脸图像变换成一个可认证持卡人身份的ID所能得到一个最为稳定的结果。

【附图说明】

图1是大额商品购物手机支付操作流程示意图

图2是小额商品购物手机支付操作流程示意图

图3是线下购物手机刷脸支付与声纹支付示意图

图4是手机信用卡储蓄卡的“光”支付的示意图

图5是手机储蓄卡的现金存入的示意图

图6是概率尺度距离的自组织处理流程

图7是脸部识别五官位置特征点的设定方法示意图

图8是脸部识别五官尺寸信息的特征值的定义方法示意图

图9是通过人的眼位置与尺寸信息提取特征值的示意图

图10是通过人脸的形状信息提取特征值的示意图

图11是通过人脸的肤色信息提取特征值的示意图

图12是通过人脸频率空间的信息提取特征值的示意图

图13是把人脸的频率空间的信息作为人脸的整体信息的处理方法示意图

图14是对声纹信息进行数值化的处理方法示意图

图15是将人脸的形状信息定义成隶属函数的例子

图16是刷脸或声纹代码自适应学习处理方法的流程图

图17是生命体图像识别的例子之一的示意图

图18是光学识别可能的3D网屏编码的电子图像的示意图

【具体实施方式】

以下结合附图对本发明实施例做进一步详述，但本发明所述的实施例是说明性的，而不是限定性的。

本发明解决其技术问题是采取以下技术方案实现的：根据说明书附图对于发明的实施例进行说明。

图1是大额商品购物手机支付操作流程示意图。

如图1所示：首先在网上选择要购买的商品步骤(a)中，可以直接上网，在诸如淘宝，京东等购物网站上利用这些网站的现有系统，选择所需物品，按照 所使用的网站的要求进行操作。

淘宝，京东等网络购物平台都有自己的协议标准，如何统一标准，让手机支付通用化是一个课题，这个问题不解决将严重影响手机支付无卡化的普及。

按照目前的现状，同微信或支付宝对接可以通过微信或支付宝给出的插件进行对接，但是，这样一来同那个网站对接，就要安装那个网站的插件，非常麻烦，给用户带来不便，本发明提出可提供一个标准的对接插件，各个网站安装这个插件后就可同所有的网站进行对接。

在手机上选择信用卡步骤(b)里，直接在手机端进行使用哪个信用卡，或银行储蓄卡的选择。这里，一台手机可以支持不同的信用卡的支付，结算银行也可以是复数个。如果所持的信用卡只有一个时，这个画面可以默认不必弹出直接进入刷脸认证的画面。

在自动进入刷脸认证的步骤(c)后，手机屏幕弹出一个识别窗，只要将持卡人的脸部对准识别窗，就可进行快速的具有人脸的局部特征与全局特征相融合的手机刷脸认证。为防止不法者通过照片骗取认证，本发明提出采用生命体识别的方法进行刷脸认证。

手机刷脸支付的学习数据是放在自己的手机里的，不用放到服务器上，从手机端只要发出一个代码就可，这样可以使处理的速度更快，个人信息由自己的手机来保护，还可以提高安全性。

在手机支付数据送往银行服务器步骤(d)，将手机支付数据送往银行服务器，完成认证及付款操作。

导入概率尺度的距离的理论的刷脸认证的特点：

可以直接将刷脸图像变换成代码，可以直接作为手机支付的密码，在网络传输上速度快，而且可以将刷脸图像所变换成的代码直接作为手机支付的密码，在系统搭建上无需使原有系统做较多的改变，减少投入成本。

刷脸或声纹支付代码稳定，还具有自适应学习的功能，能使系统性能不断的提高。

刷脸支付具有生命体识别功能，可以防止不法者用照片骗取支付。可以解决支付的信用卡与持卡人的一致性认证，可使手机支付系统具有非常高的安全性。

图2是小额商品购物手机支付操作流程示意图。

如图2所示：在进行线上小额购物时，利用手机声纹支付同样需要3个步骤，首先在网上选择要购买的商品步骤(a)中，同图1所示的大额网络购物相同，需要在网络购物平台上选择所需的商品。在与各大网站对接上本发明提出可提供一个标准的对接插件，各个网站安装这个插件后就可同所有的网站进行对接。在手机上选择信用卡步骤(b)里，也同图1所示的大额网络购物相同，直接在手机端进行使用哪个信用卡，或银行卡的选择。如果所持的信用卡只有一个时，这个画面可以默认不必弹出，直接进入声纹认证的画面。

在自动进入声纹认证的步骤(c)后，手机屏幕弹出一个声纹认证识别提示，持卡人这要对准手机话筒说一句话，例如“同意支付”就可实现具有自适应学习的声纹手机支付的认证，操作方便，认证效果好。选择是否为声纹认证，还是刷脸认证可由客户自己在系统设定菜单中选择。

声纹认证可通过随机的提出一些与持卡人事先登陆的内容有关的提问，让声纹认证者回答，从而识别声纹认证者是否为生命体。

声纹认证的生命体识别还可通过复数次的口令是否处于完全相同状态来实现。

在手机支付数据送往银行服务器步骤(d)，将手机支付数据送往银行服务器，完成认证及付款操作。

导入概率尺度的距离的理论的声纹认证的特点：

可以直接将声纹信息变换成代码，可以直接作为手机支付的密码，在网络传输上速度快，而且可以将声纹信息所变换成的代码直接作为手机支付的密码，在系统搭建上无需使原有系统做较多的改变，减少投入成本。

可以直接将声纹信息变换成代码的手机信用卡储蓄卡的支付系统，其特点是代码稳定，还具有自适应学习的功能，能使系统的识别性能不断的提高。

可以直接将声纹信息变换成代码的手机信用卡储蓄卡的支付系统也具有生命体识别功能，可以防止不法者利用持卡者的录音骗取支付。可以解决支付的信用卡与持卡人的一致性认证，可使手机信用卡储蓄卡的支付系统具有非常高的安全性。

可以直接将声纹信息变换成代码的手机信用卡储蓄卡的支付系统操作简单，不存在个人隐私问题，可以推广到世界各国。

图3线下购物手机刷脸支付与声纹支付示意图。

在进行线下购物时，利用手机刷脸支付或声纹支付同线上购物相同需要3个步骤，如图3所示：

在购物结算步骤中：在超市选择所要购买的商品走到结算台后，由收银员输入各个商品，在POS的屏幕上显示商品价格，持卡人打开手机支付的APP后，通过声波，蓝牙以及WiFi的通信，在持卡人手机的屏幕上显示了购买商品的清单以及价格，持卡人确认商品价格无误，可立即进入选择所要支付的信用卡的步骤。

在选择所要支付的信用卡的步骤中：如果持卡人只有一个信用卡，可以跳过这一步骤。

在持卡人认证步骤中：持卡人面对自己的手机通过脸部的局部特征与整体特征相融合的手机刷脸认证，或具有自适应学习的声纹认证，认证成功后，自动的把所持的信用卡的卡号发往给POS机，POS机接受到信用卡的卡号就可完成手机支付的全过程。这里，认证后手机通过蓝牙或者WiFi直接同收银台的POS进行 通信，将手机信用卡或储蓄卡的卡号以及密码发到POS机中，由POS机收到信息后直接同银行进行交易。还可以让手机直接同收银台通信，手机方把所支付的金额传送到收银台后，由手机直接同银行进行交易。

如果持卡人选择的是手机声纹支付的认证可以在自己的手机上报出自己的支付口令，例如“可以支付”后就可完成手机支付的全过程。

图4是手机信用卡储蓄卡的“光”支付的示意图。

如图4所示：在结算步骤里；收银员将顾客所要购买的商品通过扫码机录入到收银台里，收银台的屏幕上显示光学识别可能的3D网屏编码的电子图像。

在手机支付认证步骤中，顾客使用手机信用卡或储蓄卡的照相机镜头对准收银台的屏幕上的3D网屏编码图像进行识读，就可将商品结算信息接受到手机端，实现手机信用卡储蓄卡的光支付的认证；

在手机信用卡储蓄卡支付步骤里，顾客可以通过手机确认自己购买的商品之后，通过手机选择信用卡或储蓄卡，如果持卡人只有一个信用卡或储蓄卡，可以跳过这一步骤。

手机自动的把所持的信用卡或储蓄卡的卡号发往给POS机，如果需要密码时，可以通过手机的刷脸或声纹认证产生密码，POS机接受到信用卡或储蓄卡的卡号就可完成手机支付的全过程。这里，认证后手机通过蓝牙或者WiFi直接同收银台的POS进行通信，将手机信用卡或储蓄卡的卡号以及密码发到POS机中，由POS机收到信息后直接同银行进行交易。还可以让手机直接同收银台通信，手机方把所支付的金额传送到收银台后，由手机直接同银行进行交易。

如果持卡人选择的是手机声纹支付的认证可以在自己的手机上报出自己的支付口令，例如“可以支付”后就可完成手机支付的全过程。

3D网屏编码图像是由POS机的屏幕或手机平面显示的具有包括二维电子图像，带有多值灰度值的三维电子图像，以及带有闪烁的多值灰度值的四维电子图像中的一种可显示在屏幕上的电子图像。

这里，手机屏幕显示的用3D网屏编码埋入的信息，是动态的，而且是3D的信息，因此不会被不法者复制，同普通的二维码支付相比，具有极高的安全性。

持卡人在进行3D网屏编码的手机“光”支付时，手机与收银台之间是通过光的介质进行的，因为交互的信息不易被附近隐藏着的不法者接收，具有系统及其安全的特点。

再有，持卡人使用3D网屏编码的手机“光”支付功能，可以感到操作简单，容易掌握。

由于3D网屏编码的手机“光”支付系统非常接近于手机二维码的支付系统，因此对于目前使用二维条码进行手机支付的购物网站来说具有容易改造，不必添置很多的设备，具有立杆见影的效果。

识别3D网屏编码无需添置任何设备，对手机信用卡储蓄卡的支付系统的普及具有得天独厚的优势。

图5是手机储蓄卡的现金存入的示意图。

用手机储蓄卡存现金时，有两种方式，一种通过手机的蓝牙或WiFi与ATM机通讯，将手机储蓄卡号通知给ATM，再通过ATM键选择操作内容，就可实现手机存储卡的存现金的交易。

还有一种方式，在ATM上安装一个3D网屏编码识读器，手机选择现金交易功能后，就可在手机的屏幕上显示一个3D网屏编码，将手机放在ATM的3D网屏编码识读器上就可把手机储蓄卡的卡号传送给ATM进行现金的存入交易。在使用手机储蓄卡取现金时，首先进入手机储蓄卡的APP程序，参照上述手机支付的流程，选择储蓄卡的种类，如果储蓄卡只有一个，该步骤跳过直接进入手机刷脸认证，或声纹认证的步骤，通过脸部的局部特征与整体特征相融合的手机刷脸认证，或具有自适应学习的声纹认证，认证成功后就可进入取现金的操作。这里，输入取现金额可以在ATM机上进行，也可在手机端输入取现金额，通过手机与ATM的通信实现手机储蓄卡的取现交易。

图6是概率尺度距离的自组织处理流程。

如图6所示：设给定的一个具有概率分布的数列g₁，g₂，…g₁的集合为G∈g_f(f＝1，2，…，l)，则基于概率尺度的自组织算法由下边4个步骤构成。

步骤1：预处理步骤：M⁽⁰⁾作为初始化概率尺度，A⁽⁰⁾作为自组织的初始中心值，V作为自组织的收敛值，MN作为自组织最大组织次数值，最初n＝0作为自组织的当前次数。

关于M⁽⁰⁾作为初始化概率尺度和A⁽⁰⁾作为自组织的初始中心值的决定方法，无需进行严密的设定。通过人工预测，对于最终的范围，至少有一部分数值是包含在初始化概率尺度M⁽⁰⁾的范围内的。初始化概率尺度M⁽⁰⁾越大，计算的时间就越长，反之太小，有可能得不到正确的结果。

关于V作为收敛值的设定方法，收敛值V越大，就有可能得不到正确的结果。收敛值越小，计算花费的时间越长。正确的设定方法是最终自组织的概率尺度的10％左右。

关于最大自组织次数MN的设定方法，一般是5-10次就足够了。

步骤2：自组织步骤：进行n次自组织处理，把A⁽ⁿ⁾作为自组织中心值，概率尺度M⁽ⁿ⁾作为半径，以中心值A⁽ⁿ⁾为基准，计算半径以内的所有数值g_f(f＝1，2，…，ζ)的平均值V⁽ⁿ⁺¹⁾与分散值S⁽ⁿ⁺¹⁾，V⁽ⁿ⁺¹⁾＝A⁽ⁿ⁺¹⁾，S⁽ⁿ⁺¹⁾＝M⁽ⁿ⁺¹⁾，n＝n+1。

【公式2】

$V^{(n+1)}=\frac{1}{\mathrm{\ζ}}\underset{j=1}{\overset{\mathrm{\ζ}}{\mathrm{\Σ}}}{g}_j$

【公式3】

$S^{(n+1)}=\frac{1}{\mathrm{\ζ}-1}\underset{j=1}{\overset{\mathrm{\ζ}}{\mathrm{\Σ}}}{(g_j-V^{(n+1)})}^2$

步骤3：自组织判别步骤。自组织处理达到最大次数(N≥MN)或者自组织处理收敛(M⁽ⁿ⁾-M⁽ⁿ⁺¹⁾≤V)，如为YES，就不再进行下次的自组织处理，自组织结束跳转到步骤4。如果是NO，就跳转到步骤2继续进行自组织处理。

步骤4：自组织处理结束。

概率尺度M⁽ⁿ⁾是一个具有多重属性的概率统计的参数。比方说正态分布，指数分布，爱尔朗分布，韦伯分布，三角分布，贝塔分布等等。例如概率尺度M⁽ⁿ⁾就可以作为正态分布的分散值。

本发明提出将人脸图像变换成手机支付的认证代码，是通过两种方法实现的，一种是针对人脸的局部信息，生成各个特征值，再将各个特征值构成一个数值化的向量，在通过隶属函数将各个数值化的向量构成特征向量，再由不同人脸的图像构成特征向量空间。

针对人脸的局部信息，生成各个特征值的方法如下：

本发明将脸部的位置信息作为特定持卡人的重要信息，因此针对脸部的位置信息进行如下的定义。

图7是脸部识别五官位置特征点的设定方法示意图。

如图7所示：由脸部的五官的位置可以构成24个以上的特征点(Landmarks)。例如，左眼的左右眼角位置构成了l₁与l₂两个特征点，右眼的左右眼角位置又构成了l₃与l₄两个特征点，左眼与左眼眉毛中心的垂直位置构成了l₅与l₆两个特征点，右眼与右眼眉毛中心的垂直位置又构成了l₇与l₈两个特征点，鼻子两边构成了l₉与l₁₀两个特征点，鼻子两边与两眼的连接线的垂直位置又构成了l₁₁与l₁₂两个特征点，嘴的两边构成了l₁₃与l₁₁两个特征点，嘴的两边与鼻子的中间又构成了l₁₅与l₁₆两个特征点，左眼的左眼角与右眼的右眼角位置构成了l₁₇与l₁₈两个特征点，左眼的左眼角与右眼的右眼角的连接线与脸的额部的垂直又构成了l₁₉与l₂₀两个特征点，嘴的两边的特征点连接线延长之后与脸的两侧相交构成了l₂₁与l₂₂两个特征点，嘴的两边的特征点连接线延长之后与脸的两侧相交所构成的连线与脸额的垂直线又构成了l₂₃与l₂₁两个特征点。

这里，嘴的两边与鼻子的中间构成的l₁₆特征点与鼻子两边与两眼的连接线的 垂直位置构成的l₁₁特征点是重合的，左眼的左眼角与右眼的右眼角位置构成了l₁₇与l₁₈两个特征点，是与l₁与l₄两个特征点重合的，左眼的左眼角与右眼的右眼角与脸的额部构成的l₁₉与l₂₀特征点与鼻子两边与两眼的连接线的垂直位置又构成的l₁₂特征点，以及与嘴的两边的特征点连接线延长之后与脸的两侧相交所构成的连线以及脸额的垂直线构成的l₂₄特征点是重合的，嘴的两边的特征点连接线延长之后与脸的两侧相交所构成的连线与脸额的垂直线又构成的l₂₃特征点与嘴的两边与鼻子的中间又构成的l₁₅特征点重合。

也就是说，l₁与l₁₇是一个左眼的左眼角位置，l₄与l₁₈是一个右眼的右眼角位置，l₁₂与l₁₉是一个两眼的连接线的垂直位置，l₁₁与l₁₆是一个鼻子两边的中心位置，l₁₅与l₂₃是嘴的两边的特征点的中心位置，l₂₀与l₂₄是脸额的特征点的位置，因此实际可描述脸部五官的特征点是18个。

实际上，只要把l₁与l₂两个特征点，l₃与l₄两个特征点，l₆与l₈两个特征点，l₉与l₁₀两个特征点，l₁₃与l₁₁两个特征点，l₂₁与l₂₂两个特征点以及l₂₄特征点，总共13个特征点抽出就可。

可以把l₁与l₂两个特征点所连接的直线，l₃与l₄两个特征点所连接的直线，l₅与l₆两个特征点所连接的直线，l₇与l₈两个特征点所连接的直线，l₉与l₁₀两个特征点所连接的直线，l₁₁与l₁₂两个特征点所连接的直线，l₁₃与l₁₄两个特征点所连接的直线，l₁₅与l₁₆两个特征点所连接的直线，l₁₇与l₁₈两个特征点所连接的直线，l₁₉与l₂₀两个特征点所连接的直线，l₂₁与l₂₂两个特征点所连接的直线，l₂₃与l₂₁两个特征点所连接的直线。本发明将总共12条直线的长度作为描述脸部五官位置的特征信息，即把这12个描述脸部五官位置的特征信息作为12个认证持卡人的特征向量的要素。

作为利用人脸的局部信息生成特征值的方法，本发明还提出将脸部的五官尺寸信息作为特定持卡人的重要信息，因此针对脸部的尺寸信息进行如下的定义。

图8是脸部识别五官尺寸信息的特征值的定义方法示意图。

图8(a)是人眼的尺寸示意图，人眼的大小是判别持卡人特征的重要信息，特别是人眼眼球的大小是判别持卡人的重要特征。如图8(a)所示：(8-1)是人眼的眼球，一般为深色，(8-2)人眼的眼底，一般为浅色。V₁是眼的宽度尺寸，V₂是眼球的直径尺寸。本发明除了上述所示的将眼的宽度尺寸V₁作为认证持卡人的特征向量的1个要素，同时还将眼球的直径尺寸V₂作为认证持卡人的特征向量的其中1个要素。

图8(b)是人嘴的尺寸示意图，人嘴的大小以及厚度是判别持卡人特征的重要信息。如图8(b)所示：(8-3)是人的嘴唇，一般为红色。V₁是嘴的宽度尺寸，V₃是嘴的厚度尺寸。本发明除了上述所示的将嘴的宽度尺寸V₄作为认证持卡人的特征向量的1个要素，同时还将嘴的厚度尺寸V₃作为认证持卡人的特征向量的另 一个要素。

本发明针对持卡人的脸部进行识别是依赖于手机拍照的持卡人的脸部图像为不含亮度信息的彩色图像，在不损失脸部图像色彩信息的基础上实现的将脸部图像变换成可以特定持卡人的代码。因为脸部图像的色彩信息是高效率的对脸部五官位置，五官尺寸信息的抽出提供重要的特征。例如，眼球的颜色，在脸部上最深，眼底颜色在脸部上最浅，嘴唇是红色的等。利用不含亮度信息的色彩信息可以很快而且很准确的将上述五官信息抽出，同时由于没有受手机拍摄环境影响较大的亮度信息，因此识别结果对环境的影响要小。

本发明针对持卡人脸部的识别还利用了脸部五官部位在某一颜色下像素灰度的分布的密度进行五官部位的信息抽出。例如眼球在黑颜色下同其他五官比较其密度最大，眼底在白颜色下同其他五官比较其密度最大。嘴在红颜色下同其他五官比较其密度最大。

本发明利用上述人脸五官图像在某一颜色下，以及在某一灰度值下的像素分布的密度规律，可以导入上述概率尺度自组织的算法，自动的将人脸五官位置信息抽出。因为概率尺度自组织的计算结果，就是得到某一颜色，以及某一灰度值的像素分布的概率值最大化的结果，也就是可以得到在某一颜色，以及在某一灰度值下的像素分布密度值最大化的结果。

例如针对人的眼特征值的识别，首先应从眼球开始比较方便，因为眼球的特点是黑色像素的密度非常大，在眼球附近利用概率自组织的算法可以很方便的提取出人的眼的位置信息以及尺寸信息。

图9是通过人的眼位置与尺寸信息提取特征值的示意图。

导入概率自组织的方法针对人的眼位置与尺寸特征的抽出，与上述图6所示的方法略有不同，图9所示的概率自组织的方法是针对一维数据进行的，这里是针对二维空间的眼球的分布中心以及尺寸计算出的。

如图9(a)所示：作为二维空间数据的概率自组织的方法参照图2给出的算法，最初应在眼球的附近给出最初的中心位置A⁽⁰⁾＝(x₀，y₀)，以及最初的概率尺度M⁽⁰⁾。在找到眼球的位置的附近，最初的中心位置A⁽⁰⁾＝(x₀，y₀)，以及最初的概率尺度M⁽⁰⁾的设定方法是，眼球一定要被包括在以A⁽⁰⁾＝(x₀，y₀)为中心的半径M⁽⁰⁾的范围内，这里，不一定要完全包括眼球的所有部分，即使有一部分被包括也可，因为概率自组织算法可以自动的将被包括的范围，在多次的自组织的计算下自动的移动到密度最高的像素分布的地方。

在这一步骤中，如图6所示：同样还要设定自组织的收敛值V，自组织最大组织次数值MN，自组织的当前次数h＝0。其方法可参照图2即可。

如图9(b)所示：在下面的概率自组织的计算中，A^(h)＝(x₀，y₀)^(h)可参照公式4计算出。

【公式4】

${X_0}^{\left(h\right)}={X_0}^{(h-1)}+\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}(x_i-{X_0}^{(h-1)})I(x_i,y_j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}I(x_i,y_j)}$

${Y_0}^{\left(h\right)}={Y_0}^{(h-1)}+\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}(y_j-{Y_0}^{(h-1)})I(x_i,y_j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}I(x_i,y_j)}$

同样，概率尺度M^(h)＝S^(h)2可参照公式5计算出。

【公式5】

$S^{\left(h\right)2}=\frac{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}[{(x_i-{X_0}^{\left(h\right)})}^2+I{(y_j-{Y_0}^{\left(h\right)})}^2]I(x_i,y_j)}{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}I(x_i,y_j)}$

公式4与公式5只是给出了一个例子，可以参照这两个公式采用其他的类似公式同样可以得到所需的结果，这里就不一一列举了。

进行h次自组织处理，把(x₀，y₀)^(h)作为自组织中心值，概率尺度M^(h)作为半径，计算半径以内的所有眼部的像素I(x_i，y_j)(i＝1，2，…，k，j＝1，2，…，1)的灰度密度分散值S^(h+1)。M^(h+1)＝S^(h+1)，h＝h+1。如图9(b)所示：概率尺度M^(h)＝S^(h)2的半径值在收敛，中心位置A^(h)＝(x₀，y₀)^(h)逐渐移到眼球的中心。

经过n次的概率尺度自组织的计算，在5(c)的步骤中，中心位置A^(h)＝(x₀，y₀)^(h)在眼球的中心位置上停下，概率尺度M^(h)的半径也停在眼球的周围，眼球的尺寸与位置被精确的计算出。

刷脸图像所具有的随机分布的五官位置信息，五官尺寸信息，五官形状信息，五官颜色信息，五官频率信息等，经过类似上述的概率尺度自组织处理，就可得到在概率尺度距离空间中的稳定的刷脸信息，这里就不一一列举了。

图10是通过人脸的形状信息提取特征值的示意图。

人脸的形状信息是区别不同人的重要特征，依附于拍摄环境的不同变化比较小，而且在短时间内不会有很大的变化，也不受发型或化妆后的影响，因此是一个相对稳定的信息。

如图10所示：(a)表示脸型比较瘦的人脸的形状信息，(b)表示脸型比较普通的人脸的形状信息，(c)表示脸型比较胖的人脸的形状信息。每个人的脸型会有不同的差异，利用这些差异信息可以作为区分不同人的特征值。

这里，本发明再提出另一种人脸局部信息的抽取方法，设二维Gabor小波(GWT)的核函数为一个用高斯包络函数约束的平面波：

【公式6】

${\mathrm{\ψ}}_{u,v}\left(z\right)=\frac{{\left|\right|k_{u,v}\left|\right|}^2}{{\mathrm{\σ}}^2}{e}^{(-{\left|\right|k_{u,v}\left|\right|}^2{\left|\right|z\left|\right|}^2/2{\mathrm{\σ}}^2)}[e^{i{\stackrel{\·\·}{k}}_{u,v}z}-e^{-{\mathrm{\σ}}^2/2}]---\left(3\right)$

其中，k_v＝k_max/f^v表示核函数的频率(尺度)，表示核函数的方向。通过设置不同的尺度和方向，可以得到一组Gabor小波核函数。对图像的特征提取是通过多个Gabor小波核函数分别与图像进行卷积操作来完成的。

为了更好地提取局部信息，将Gabor特征按照空间位置进行分块，每一个块内的特征被串接成一个特征向量。这样，对于一幅人脸图像，我们就可以得到多个特征向量，称为局部Gabor特征向量(LGFV)。

上述图8到图10是抽取人脸的局部信息，所得到的结果是每一部位的特征值，将各个部位的特征值构成一组可以反映人脸各个部位的特征的数值化向量，

人脸的整体信息是指其特征向量的每一维都包含了人脸图像上所有部分(甚至所有像素)的信息，因此反映的是人脸的整体属性。这里人脸的肤色信息就是一个具体的特征值。

局部特征的每一维都只对应人脸图像上的一个局部区域，因此侧重于提取人脸的细节特征。本发明将人脸整体信息所得到的特征向量，与局部信息所构成的特征向量融为一体，即可反映人脸的整体粗旷信息，由可反映人脸局部的细微信息。可以更加精确的得到人脸的认证代码。

图11是通过人脸的肤色信息提取特征值的示意图。

人脸的肤色信息是快速的区分不同人的重要信息，如图11所示：(a)表示黄种人的脸部，(b)表示白种人的脸部，(c)表示黑人的脸部。将通过手机摄像机读取到的RGB颜色的人脸图像，进行Lab颜色空间的变换，把亮度信息L去掉，用a和b来表示人脸的图像，用上述概率尺度自组织的算法，分别计算颜色a和b的最大分布密度的灰度值，将这两个灰度值作为人脸的肤色信息并通过隶属函数得到人脸肤色的特征值。

图12是通过人脸频率空间的信息提取特征值的示意图。

如图12所示：1201表示人脸的面部，1202为人脸额头的皱纹，1203为人脸 眼部的眼袋，1204为人嘴两边的法令纹。如图12的1202所示：当额头的皱纹非常密集时，可以通过额头的局部区域的频率特性抽出皱纹的特征。

如图12的1204所示：当皱纹比较清晰，可以通过对皱纹所在的区域的图像进行微分计算，找出皱纹的边线，识别出皱纹的长度。针对皱纹图像的微分计算，也是属于针对皱纹图像进行频率空间的计算。

图13是把人脸的频率空间的信息作为人脸的整体信息的处理方法示意图。

把人脸的频率空间的信息作为人脸的整体信息，它反映人脸的粗糙程度，例如皱纹的多少，脸部的疤痕等等，为使识别结果不会因为脸部的细微部位在图像读取时产生的白噪声，而影响识别的稳定性，这里只取脸部图像所进行的快速傅立叶变换结果的低频部分的系数，作为人脸的频率空间的数值化向量。

如图13所示，把人脸的频率空间的信息作为人脸的整体信息的处理分三个步骤进行的；

第一步骤是读取人脸图像步骤，在这里将人脸的整体图像进行读取，作为人脸的频率空间的信息的处理的对象。

第二步骤是快速傅立叶变换步骤，将上述读取到的人脸图像进行快速的傅立叶变换。

第三步骤是数值化向量的构成步骤，将上述快速傅立叶变换结果的低频端的实数系数与虚数系数构成人脸的频率空间的数值化向量。

本发明利用人脸的五官位置信息，人脸五官的尺寸信息，人脸的频率空间的信息，人脸的形状信息以及人脸的肤色信息，实现对持卡人的认证。但是，在不同的手机拍摄环境下，上述信息在一定范围内会出现随机分布的问题，通过上述的概率尺度自组织算法，可以得到最为接近概率分布母体的期望值与分散值。

为能更加准确的将持卡人的脸部变换成比较稳定的代码，本发明在考虑人脸信息的随机性，并采取最为有效的方法计算出最为接近母体的特征值，同时又导入模糊数学的理论，针对上述求出的人脸的数值化信息通过人为介入的方式，使用基于人为经验所定义的复数个隶属函数(Membership Function)，在0到n数值之间进行数值化，并直接生成具有图像代码性质的特征向量。

图14是对声纹信息进行数值化的处理方法示意图。

一维声纹信息同样可以通过傅立叶变换生成数值化信息。

如图14所示，对声纹信息进行数值化的处理分三个步骤进行的：

第一步骤是读取声纹信号步骤，在这里将声纹信号进行读取，作为声纹认证信息的处理的对象。

第二步骤是快速傅立叶变换步骤，将上述读取到的声纹信号进行快速的傅立叶变换。

第三步骤是数值化向量的构成步骤，将上述快速傅立叶变换结果的低频端的实数系数与虚数系数构成声纹信息的数值化向量。

图15是将人脸的形状信息定义成隶属函数的例子。

如图15(a)所示：由a₁与a₂连接成的直线，由a₂与a₃连接成的直线，以及由a₃与a₁连接成的直线构成的三角形，a’为该三角形除了脸型所占用的区域以外的面积，一般来说当人脸的脸型越瘦，a’的面积就越接近与三角形的面积，当人脸的脸型越胖，a’所剩下的面积就越小。利用这一人为主观的经验，可以构造出如下的隶属函数。设由a₁与a₃连接成的直线为L₁，由a₂与a₃连接成的直线为L₂，则将人脸的形状信息定义成的隶属函数MB₁可由公式7做成：

【公式7】

${\mathrm{MB}}_1=\frac{\frac{1}{2}\left(L_1{L}_2\right)-a^{\′}}{\frac{1}{2}\left(L_1{L}_2\right)}100=100[1-\frac{{2a}^{\′}}{L_1{L}_2}]$

当人脸非常胖时，其面积a’接近于“0”，MB₁接近于100，当人脸非常瘦时，其面积2a’接近于“L₁＊L₂”，MB₁接近于“0”，因此隶属函数MB₁是描述人脸胖瘦的特征函数。

再举一个计算人嘴的宽度的隶属函数的例子，设人嘴通过统计求出的最大宽度为V_max，最小宽度为V_min，如图8(b)所示再设嘴的宽度为V₄，则人嘴的宽度的隶属函数MB₂可由公式8做成：

【公式8】

$\begin{array}{c}{\mathrm{MB}}_2=\frac{(V_{\max }-V_{\min })-(V_4-V_{\min })}{V_{\max }-V_{\min }}100\\ =\frac{V_{\max }-V_4}{V_{\max }-V_{\min }}100\end{array}$

这里设Vmax≠Vmin，公式8给出了当人嘴接近最小宽度时，V₄≈V_min人嘴的宽度的隶属函数MB₂接近于100，当人嘴接近最大宽度时，V₄≈V_max人嘴的宽度的隶属函数MB₂接近于0。因此隶属函数MB₂是描述人嘴宽度的特征函数。

其他人脸的眼角宽度，眼球大小，眼角距离，眼球距离，鼻子大小，鼻子与眼的距离，嘴的宽度，嘴的厚度，嘴与鼻子的距离，脸的宽度，嘴与额头的距离等等反映五官的位置与大小的信息，以及脸的皱纹，脸的肤色，脸的形状等等信息都可参照上述隶属函数的定义方法，将人脸信息变换成0到n的标准数值的特征向量，无论采用什么形式的隶属函数，都将是属于本发明的范围之内。

在这里定义特征向量空间，设将q个不同人的人脸图像按照上述方法，求出q个特征向量，每个特征向量具有p个特征要素的人脸图像特征向量构成公式1的特征向量空间。

设有q个由p个元素组成的向量，可用公式1所示的行列式来表达。

【公式9】

$v_{\mathrm{ij}}=\left(\begin{array}{cccc}{v}_{11}& v_{12}& ...,& v_{1p}\\ v_{21},& v_{22},& ...,& v_{2p}\\ & ...& & \\ v_{q1},& v_{q2},& ...,& v_{\mathrm{qp}}\end{array}\right)$

在计算两个概率分布的向量w_i1，w_i2，…，w_ip与向量v_i1，v_i2，…，v_ip，所对应的各个要素的概率分布的概率尺度的距离时，设向量v_i1，v_i2，…，v_ij，…，v_ip中第j个要素v_ij的概率分布的数列为g_i1，g_i2，…g_{j ζ}，通过公式4算出的最终的中心值A_ij，以及概率尺度M_ij，则

【公式10】

$|w_{\mathrm{ij}}-v_{\mathrm{ij}}|=\left\{\begin{array}{cc}0,& |w_{\mathrm{ij}}-v_{\mathrm{ij}}|\≤M_{\mathrm{ij}}\\ |w_{\mathrm{ij}}-v_{\mathrm{ij}}|,& |w_{\mathrm{ij}}-v_{\mathrm{ij}}|>M_{\mathrm{ij}}\end{array}\right.$

将公式10的结果带入公式11就可得到概率尺度的距离P_i。

【公式11】

$P_i={\left(\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{|w_{\mathrm{ij}}-v_{\mathrm{ij}}|}^2\right)}^{\frac{1}{2}}$

再设持卡人刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}与第i个人脸图像的特征向量V_i1，V_i2，…，V_ip，，对应Ψ个经过若干次识别被登录的学习数据，构成学习数据的矩阵L。

【公式12】

$L=\left(\begin{array}{cccc}{l}_{11}& l_{12}& ...,& l_{1p}\\ l_{21},& l_{22},& ...,& l_{2p}\\ & ...& & \\ l_{\mathrm{\ψ}1},& l_{\mathrm{\ψ}2},& ...,& l_{\mathrm{\ψp}}\end{array}\right)$

按照上述公式1，4以及12，进行概率尺度的自组织计算，可分别得到如下的学习数据矩阵的中心值以及分散值L_AM：

【公式13】

L_AB＝[(A₁，M₁)，(A₂，M₂)，…，(A_p，M_p)]

这里设第Υ次进行手机支付时，持卡人刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}与特征向量空间V_ij中的各个特征向量之间的概率尺度的距离按照公式5，6可得：

【公式14】

$P=\left\{\begin{array}{c}{p}_1\\ p_2\\ ...\\ p_q\end{array}\right\}$

其中最小值p_min所对应的特征向量值V_{Υ 1}，V_{Υ 2}，…，V_{Υ p}为第Υ个人的刷脸图像或声纹信号的代码值。

图16是刷脸或声纹代码自适应学习处理方法的流程图。

持卡人刷脸或声纹认证时所拍摄的人脸图像或声纹信号通过特征信息抽出，隶属函数的计算等得到的持卡人刷脸图像或声纹信号的特征向量，与特征向量空间的各个特征向量进行概率尺度的距离的计算，求出公式14的概率尺度的距离的最小值所对应的特征向量作为持卡人的刷脸或声纹代码。为提高刷脸或声纹支付代码的精度与稳定性，本发明提出一个自适应的刷脸或声纹代码生成方法。

如图16所示，刷脸或声纹代码自适应学习处理方法分3个步骤进行的。

步骤1：自适应的特征向量空间的构成步骤；为了把每次的刷脸或声纹数据作为一次学习的数据，通过大量的统计，保证不断的将最接近概率分布母体的真实的学习数据保留，而把超出偏差的不真实的数据剔除，在真实的特征向量的要素的各个学习数据中进行概率尺度的距离的计算，才能保证通过自适应学习，使刷脸或声纹代码越来越趋于稳定，使代码生成更加准确，这是自适应学习的主要目的。

为了更加精确的计算持卡人的刷脸或声纹代码，首先将公式1的刷脸图像或声纹信号的特征向量空间中的v_ij，通过学习数据矩阵公式12，以及针对学习数 据矩阵的概率尺度空间的距离计算得到公式13，置换成概率尺度距离空间的中心值的矩阵A_ij，可将该矩阵作为自适应的特征向量空间，

【公式15】 $A_{\mathrm{ij}}=\left(\begin{array}{cccc}{a}_{11},& a_{12},& \·\·\·,& a_{1p}\\ a_{21},& a_{22},& \·\·\·,& a_{2p}\\ & \·\·\·& & \\ l_{q1},& l_{q2},& \·\·\·,& l_{\mathrm{qp}}\end{array}\right)$

同样通过公式12，13可以得到特征向量空间v_ij中的概率尺度距离空间的分散矩阵，即

【公式16】

$M_{\mathrm{ij}}=\left(\begin{array}{cccc}{m}_{11},& m_{12},& \·\·\·,& m_{1p}\\ m_{21},& m_{22},& \·\·\·,& m_{2p}\\ & \·\·\·& & \\ m_{q1},& m_{q2},& \·\·\·,& m_{\mathrm{qp}}\end{array}\right)$

以及刷脸或声纹支付代码的矩阵D_ij，即

【公式17】

$D_{\mathrm{ij}}=\left(\begin{array}{cccc}{\text{d}}_{11},& d_{12},& \·\·\·,& d_{1p}\\ d_{21},& d_{22},& \·\·\·,& d_{2p}\\ & \·\·\·& & \\ d_{q1},& d_{q2},& \·\·\·,& d_{\mathrm{qp}}\end{array}\right)$

公式15与16所得到的概率尺度距离空间的中心值，与概率尺度距离空间的分散值是同以下所述的随着学习数据的变化而变化的，因此可以具有自适应的特性，是不断的趋于概率分布的母体的数据。这样处理可以保证持卡人的刷脸图像或声纹信号代码的特征向量空间的检索处于最佳的状态，可以提高刷脸或声纹支付的代码处于最佳值的计算结果。

这里，如公式17所示：由于概率尺度距离空间的中心值是随着学习数据的变化而变化，因此需要引进一个与概率尺度距离空间的中心值矩阵的各个要素所对应的，但是其数值是不变的刷脸或声纹支付代码的矩阵D_ij。

设第Υ次刷脸支付时，所得到的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}，如公式15所示，持卡人刷脸图像或声纹信号的特征向量与自适应特征向量空间A_ij的概率尺度的距离P_i如下：

【公式18】

【公式19】

当检索第Υ次进行刷脸支付时，持卡人刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}与概率尺度距离空间的中心值A_ij中的各个自适应特征向量之间的概率尺度的距离最小的自适应特征向量，所对应的刷脸或声纹支付代码的矩阵D_ij的代码值，就可作为第Υ次刷脸或声纹支付的代码。

步骤2：自适应学习刷脸或声纹支付代码取得步骤；经过上述步骤的处理，将持卡人第Υ次进行刷脸或声纹支付的刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}经过概率尺度的距离计算，检索出最小概率尺度的距离所对应的自适应特征向量空间中的一个自适应学习特征向量，再找到与该自适应学习特征向量所对应的刷脸或声纹支付代码的矩阵中的一个代码，将这个代码作为自适应学习的刷脸或声纹支付代码。

按照本发明的思路可以有各种方法实现自适应学习数据矩阵的构成，现仅举一例进行说明，参照公式14，设持卡人第Υ次进行刷脸或声纹支付的刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}与概率尺度距离空间的中心值的矩阵A_ij所构成的自适应特征向量空间中的某一个特征向量存在着的最小距离为p_{Υ i_min1}，另一个特征向量存在着比p_{Υ i_min1}稍微大的概率尺度最小距离为p_{Υ i_min2}。

又可设持卡人刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}与Ψ个经过若干次识别被登录的学习数据构成的公式12的学习数据的矩阵L_ij中的各个特征向量之间的概率尺度的距离按照公式5，6可得：

【公式20】 $P^{,}=\left\{\begin{array}{c}{p_1}^{,}\\ {p_2}^{,}\\ \·\·\·\\ {p_{\mathrm{\ψ}}}^{,}\end{array}\right\}$

将公式20的P’＝{p₁’，p₂’，…，p_ψ’}概率尺度的距离，再通过公式5，6进行概率尺度的自组织计算，即可得到针对持卡人刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}与学习数据的矩阵L_ij的中心值A’，以及分散M’。

如果满足{P_{Υ i_mim1}≤1/2p_{Υ i_min2}且ε≥1/2p_{Υ i_min2}；或(p_{Υ i_min1}≤M’)}则，刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}可作为学习数据的矩阵L_ij的新的学习向量。

这里，作为加入学习数据的条件之一是P_{Υ i_min1}≤1/2p_{Υ i_min2}，其物理意义是：限定第Υ次进行刷脸或声纹支付的刷脸图像或声纹信号的特征向量进入学习数据的条件是尽量与其他特征向量保持一定的概率尺度的距离，以防止误识读的现象出现。

范围条件ε≥1/2p_{Υ i_min2}的物理意义是，当与该模式的概率尺度的距离相差比较大时，不会因为刷脸图像的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}并不适合进入学习数据而错误的进入了学习数据中。

关于如何剔除不适应作为学习数据的学习向量的方法，首先将公式20中的概率尺度的距离的各个要素进行{ω＝p₁-A’；i＝1，2，…，ψ}偏差计算，将最大偏差值ω_max所对应的学习数据剔除就可。

这里，只是提供了一个特征向量数据如何自适应的进入学习数据，以及如何剔除一个不适于作为学习数据的方法，但是实际在系统构成时往往是针对若干个数据同时，或逐步地进入学习数据中，以及实际在系统构成时往往是针对若干个数据同时，或逐步地从学习数据中剔除。只要参照上述方法就可预测到相关的处理方法。

在刷脸支付中，持卡人往往由于改变发型，或进行不同的化妆等，往往会出现刷脸图像的特征向量发生较大的变化，为解决这些问题，本发明还提出在设立学习数据的矩阵的同时，将当前最近得到的α次的特征向量记录下，成为辅助学习数据的矩阵：

【公式21】

$L^{,}=\left(\begin{array}{cccc}{1_{11}}^{,},& {1_{12}}^{,},& ...,& {1_{1p}}^{,}\\ {1_{21}}^{,},& {1_{22}}^{,},& ...,& {1_{2p}}^{,}\\ & ...& & \\ {1_{\mathrm{\α}1}}^{,}& {1_{\mathrm{\α}2}}^{,}& ...,& {1_{\mathrm{\αp}}}^{,}\end{array}\right)$

如果计算辅助学习数据的矩阵的概率尺度距离空间中的中心值A”，以及分散值M”处于稳定的且收敛的状态，另外，A”与M”与学习数据的矩阵的中心值A’ 以及分散值M’，在概率尺度距离空间中具有较远的距离时，可以把辅助学习数据的矩阵L’与学习数据的矩阵L合并再生成新的学习数据的矩阵，或进行辅助学习数据的矩阵与学习数据矩阵的置换等等。具体方法可以参照本发明提出的上述例子与思维方式，举一反三可以得到各种各样的处理手段。

步骤3：自适应学习刷脸或声纹支付代码取得步骤：经过上述步骤的处理，将持卡人第Υ次进行刷脸或声纹支付的刷脸图像或声纹信号的特征向量w_{Υ 1}，w_{Υ 2}，…，w_{Υ p}经过概率尺度的距离计算，检索出最小概率尺度的距离所对应的自适应特征向量空间中的一个自适应学习特征向量，再找到与该自适应学习特征向量所对应的刷脸或声纹支付代码的矩阵中的一个代码，将这个代码作为自适应学习的刷脸或声纹支付代码。

本发明提出的刷脸或声纹支付不仅用于商品支付，还可以作为普通信用卡在支付时，进行本人认证的一种方式，可解决由于信用卡被盗而产生的非法支付的问题的产生。

另外，本发明提出的刷脸或声纹支付方法还可以作为普通银行现金卡的现金提取时，可增加一个刷脸认证或声纹认证的步骤，可以提高银行现金卡的安全。

为了制止不法者利用持卡人的照片进行刷脸支付的犯罪行为，需要对刷脸图像进行是否为生命体图像的识别，本发明提出如下针对刷脸图像进行生命体图像识别的方法。

图17是生命体图像识别的例子之一的示意图。

如图17(a)所示：上述图8给出了用概率尺度的自组织算法识别眼球大小的方法，为了识别是否为生命体，根据人脸的眼球在具有生命的刷脸图像的特点是眼球可以眨动，因此，如图17(b)所示：使用识别眼球大小的概率尺度的自组织算法，在刷脸图像眨眼时，图17(a)的M⁽ⁿ⁾远远大于图17(b)的M⁽ⁿ⁾’，即M⁽ⁿ⁾’＜M⁽ⁿ⁾的状态瞬时具备。

刷脸图像为生命体的图像的识别不仅是上述的眼球眨眼的识别，还可以按照上述概率尺度的自组织算法方法识别张嘴闭嘴的动作，脸部微笑时的肌肉微小变化，瞳孔的变化，识别脸部微小晃动的加速度，识别脸部的颜色头部的晃动等等的方法。

图18是光学识别可能的3D网屏编码的电子图像的示意图。

如图18所示：(1800)是屏幕显示器的屏幕，也可是手机的显示屏。所谓的屏幕上显示的光学识别可能的3D网屏编码的电子图像的定义，如图18的1801所示：首先为能成为光学可识读的代码，其代码的符号首先应该是在电子屏幕上的每一个二维的划分，即在屏幕上至少被分割成若干个大于光学可识读的尺寸的小区域作为代码的符号，每一个符号在记录信息上，是通过包括符号的不同的颜 色，不同位置，不同大小，不同方向，集中与分散在内的几何学的分布，或通过不同的调制方式，不同的相位差，不同的传播方向，不同的灰度分布在内的物理学的分布。

上述光学识别可能的3D网屏编码的每一符号是通过二维，三维或四维空间的分布记录信息的。同时如图18的1802所示：光学识别可能的3D网屏编码的每一符号还同时通过时间的分布记录信息的。即针对每一个符号还会以红，绿，蓝，白，黑以及由此组合的各种可能的颜色，还可按调幅1804或调频1803的方式，在每一瞬间进行变化，例如按该颜色闪烁的不同速度记录信息(可称为调频信息)，按黑或白闪烁的强度(可称为调幅信息)记录信息。

各种可在手机屏幕上显示的信息，如：二维条码1805、QR码、汉信码、商品的标识商标等也可以按照调幅1807与调频1806的方式在每一瞬间的变化来记录信息的。

所述的3D网屏编码是指包括所有可在屏幕上发射信息的QR二维码，DM二维码，PDF417二维码，汉信码，网屏编码，任意屏幕显示的图像。

为不影响屏幕显示的内容，以及尽可能的利用屏幕的显示空间，从空间领域上，可以采取例如不同位置记录信息，这样符号仅使用2％以下的空间，而把98％以上的空间用于屏幕图像的显示。

还可以将符号隐藏在屏幕显示图像的某一阶灰度上，例如把符号信息放在位图的最低若干位上。

从时间领域上，利用人眼的运动知觉的视觉特性，可以设置符号的闪烁在图像显示时间的0.3秒以下，屏幕显示图像占据主要的显示时间，被人眼记忆下，就不容易发现符号在时间领域中记录信息的状态，可以起到信息隐藏的效果。

总之光学识别可能的3D网屏编码是利用了时域与空域的统合视觉特性，使屏幕即可已正常显示屏幕图像，又可以让每一符号在时域与空域中埋入信息，又可做到对显示图像的影响最小。

所谓统合视觉特性是指通过不同的瞬间，在不同的显示位置上所呈现的n次元图像，可以在视觉上形成年n+1次元的图像，例如n＝1，通过不同的瞬间，在不同的显示位置上所呈现的一次元图像，可以在视觉上形成年二次元的图像，。利用这一原理，可以在屏幕的显示屏上通过瞬间的一维图像，重复形成二维代码图像，从而利用时域与空域的冗余记录信息，同时不影响屏幕图像的正常显示。

Claims (5)

1.一种手机信用卡储蓄卡的光支付系统的构成方法，是由结算步骤，手机支付认证步骤，手机信用卡储蓄卡支付步骤组成的，其特点在于：

在结算步骤里，收银员将顾客所要购买的商品通过扫码机录入到收银台里，收银台的屏幕上显示3D网屏编码图像；

在手机支付认证步骤中，顾客使用手机信用卡或储蓄卡的照相机镜头对准收银台的屏幕上的3D网屏编码图像进行识读，就可将商品结算信息接受到手机端实现手机信用卡储蓄卡的光支付的认证；

在手机信用卡储蓄卡支付步骤里，顾客通过手机确认自己购买的商品；通过手机选择信用卡或储蓄卡；如果持卡人只有一个信用卡或储蓄卡，可以跳过这一步骤；手机自动的把所持的信用卡的卡号或储蓄卡的卡号以及密码发往给POS机；POS机接受到信用卡的卡号以及密码后由POS机直接同银行交易，或手机方把所支付的金额传送到收银台后，由手机直接同银行进行交易。

2.根据权利要求1所述的一种手机信用卡储蓄卡的光支付系统的构成方法，其特征在于：所述的3D网屏编码图像是由POS机的屏幕或手机平面显示的具有包括二维电子图像，带有多值灰度值的三维电子图像，以及带有闪烁的多值灰度值的四维电子图像中的一种可显示在屏幕上的电子图像。

3.根据权利要求1所述的一种手机信用卡储蓄卡的光支付系统的构成方法，其特征在于：所述的3D网屏编码是指包括所有可在屏幕上发射信息的QR二维码，DM二维码，PDF417二维码，汉信码，网屏编码，任意屏幕显示的图像。

4.根据权利要求1所述的一种手机信用卡储蓄卡的光支付系统的构成方法，其特征在于：所述的3D网屏编码是通过包括可记录信息的代码仅使用2％以下的空间，而把98％以上的空间用于屏幕图像的显示的方法，可记录信息的代码隐藏在屏幕显示图像的某一阶灰度上的方法，利用人眼的运动知觉的视觉特性，设置代码的闪烁在图像显示时间的极短时间内的方法进行信息隐藏的。

5.根据权利要求1所述的一种手机信用卡储蓄卡的光支付系统的构成方法，其特征在于：所述的3D网屏编码是是利用了时域与空域的统合视觉特性，使屏幕即可已正常显示屏幕图像，又可以让每一符号在时域与空域中埋入信息，又可做到对显示图像的影响最小的方法。