CN106339673A - 一种基于人脸识别的atm机身份验证方法 - Google Patents

Abstract

本发明公开一种基于人脸识别的ATM机身份验证方法，包括以下步骤：（1）用户在ATM机上插卡并完成密码输入后，ATM机监控系统从数据库中获取该卡对应的持卡人人脸图像；（2）获取一张实时监控图像，然后对图像进行人脸检测，检测图像中是否有人脸出现；（3）如果未检测出人脸，则提醒用户调整姿势，对准摄像头，返回步骤（2）；如果只检测出一张人脸，则对这张用户人脸和持卡人的人脸进行人脸识别；如果检测出多张人脸，则选择尺寸最大的人脸和持卡人的人脸进行人脸识别；（4）如果用户人脸与持卡人的人脸不匹配，即判断用户和持卡人不是同一人，则触发报警装置报警。

Description

一种基于人脸识别的ATM机身份验证方法

技术领域

本发明涉及人脸识别领域，更具体地，涉及一种基于人脸识别的ATM机身份验证方法。

背景技术

随着我国经济的高速发展，银行业务快速扩展，ATM机的应用范围逐渐扩大，且成为了银行业务推广的重要设备。ATM机具有自动取款存款汇款等功能和无人值守这一使用环境，在方便了人们快捷的存取款的同时，也导致了围绕ATM机的纠纷案件及金融犯罪的日益增多。不但使得持卡人蒙受到巨大的财产损失，而且也扰乱了金融机构的正常工作秩序。因此，加强ATM机的操作安全性和信息安全性是当前ATM机开发商与银行业共同关注的问题。

在信息技术中，验证是指通过一定的技术，确认系统用户身份，称为“身份验证”。传统的ATM机的身份验证是通过密码验证，即“一卡一密”，只要密码正确，无论是谁都能在ATM机上进行操作。用户先将银行卡插入ATM机中，然后按照ATM机上的屏幕提出，通过ATM机上的键盘或触摸屏上的密码输入器进行输入，密码验证通过后，就能进行提款和转账等金融业务的操作。

这种验证模式存在着很大的安全隐患。例如，不法分子盗取或复制了持卡人的银行卡，利用诈骗或其它科技手段获得银行卡的密码，不法分子也可以通过ATM机，轻易地将钱盗取走，给持卡人带来财产损失；还有一种情况因为持卡人大意，在ATM机操作之后忘记将卡拿出，被不法分子看见后直接进行操作，造成重大损失。

如果能在用户使用ATM机之时，验证出用户和持卡人是否是同一人。如果不是同一人，则用户有盗刷卡的嫌疑，进行报警。这样就可以大大预防此类犯罪行为的发生。

视频监控是安全防范系统的重要组成部分，它是一种防范能力较强的综合系统。视频监控以其直观、准确、及时和信息内容丰富而广泛应用于许多场合。目前大部分的ATM机周边环境以及ATM机上都装有摄像头来监控ATM机以及周围环境。在传统的ATM设备上，视频设备主要起到一个拍摄和录像的功能，在事件发生前和发生时，视频设备都仅仅是一个事件记录作用，当事件发生之后再对视频内容进行人工识别，仅仅起到一个证据支撑的作用。

关于ATM机的用户身份验证的技术，大多数依然采取传统的密码验证方式，或是增加了一种通过终端（手机等）来获取动态验证码的辅助验证手段。

采用通过人脸识别技术验证用户和持卡人是否是同一人的辅助验证方式的发明专利很少，而且这些专利所给出的技术方案都有各种各样的不足之处，有以下3点：

1、在采集持卡人的人脸图像方面，现有的技术方案过于简单。在采集方式上仅仅提及在ATM机监控摄像头上采集，或者在银行柜台采集，或者直接采用公安系统的身份证人脸图像库，但是却没有考虑到采集的人脸图像的质量的好坏直接关系到后续的验证效果，例如身份证上的人脸图像像素太低，细节模糊，局部特征不能反映出来等。在采集后的维护上也考虑的不周全，比如人脸图像是很久以前采集的，那么它和持卡人现在的外貌难免很不一样，这就会直接影响后续的验证效果。

2、在图像预处理方面，现有技术并没有考虑大多数ATM机的使用场景很复杂，一天之内光照变化非常大，监控系统采集的图像噪声很多，直接采用没有处理的图像对后续的验证效果影响很大。

3、在人脸识别方面，现有技术大多都是采用传统手工设计的人脸特征，然而这些特征的漏检率和误识率较高，难以取得好的验证效果。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷（不足），提供一种基于人脸识别的ATM机身份验证方法，该方法是指用户使用ATM机时，验证用户是否是持卡人，如果不是则用户有盗刷卡嫌疑，进行报警。

为解决上述技术问题，本发明的技术方案如下：

一种基于人脸识别的ATM机身份验证方法，包括以下步骤：

（1）用户在ATM机上插卡并完成密码输入后，ATM机监控系统从数据库中获取该卡对应的持卡人人脸图像；

（2）获取一张实时监控图像，然后对图像进行人脸检测，检测图像中是否有人脸出现；

（3）如果未检测出人脸，则提醒用户调整姿势，对准摄像头，返回步骤（2）；如果只检测出一张人脸，则对这张用户人脸和持卡人的人脸进行人脸识别；如果检测出多张人脸，则选择尺寸最大的人脸和持卡人的人脸进行人脸识别；

（4）如果用户人脸与持卡人的人脸不匹配，即判断用户和持卡人不是同一人，则触发报警装置报警。

优选的，所述步骤（2）在对实时监控图像进行人脸检测前还包括对图像进行预处理，即对采集的图像进行噪声滤除和环境光照变化条件下的图像增强。

优选的，对采集的图像进行噪声滤除的方式为均值滤波、中值滤波、高斯平滑滤波或小波滤波中的一种；对采集的图像在环境光照变化条件下进行图像增强的方式为直方图均衡化。

优选的，步骤（2）采用级联的卷积神经网络对采集的用户人脸图像进行人脸检测，其具体过程为：

（21）输入一张待检测图像，先以不同尺度窗口密集扫描整个图像，产生许多待判别的人脸框；

（22）将所有待判别人脸框调整为12×12的分辨率，经过一个12尺度的判别网络，它将待判别的人脸框进行二分类，排除90%的错误人脸框；

（23）通过一个12尺度的校正网络，调整剩余人脸框的大小和位置，用以获取原人脸框旁边潜在的更优人脸框，同时采用非极大抑制（NMS）算法来排除重合率过大的人脸框；

（24）将剩余的人脸框调整为24×24的分辨率，经过一个24尺度的判别网络，进一步排除接近90%的错误人脸框；

（25）通过一个24尺度的校正网络，调整剩余人脸框的大小和位置，同时采用NMS算法来排除重合率过大的人脸框；

（26）将剩余的人脸框调整为48×48的分辨率，经过一个48尺度的判别网络，同时采用NMS算法来排除重合率过大的人脸框；

（27）通过一个48尺度的校正网络，输出剩余人脸框，作为最终检测结果。

优选的，步骤（3）所述的人脸识别的方式为人脸验证，即输入一对人脸图像，需要判断这对图像是否属于同一个人，属于1：1的匹配，该人脸识别采用DeepID2算法实现，其具体过程为：

（31）使用SDM算法检测出图像的21个关键点；

（32）基于关键点对图像进行扭正；

（33）将图像切分为400个块，主要是基于关键点位置、尺度、颜色通道等；

（34）将400个图像块分到200个卷积网络里进行特征向量计算，每个图像块生成2个160维的DeepID2特征向量，它自己的特征向量和水平翻转的特征向量；

（35）采用前向、后向贪心算法来选择最具代表性的25个图像块，总共形成25×160的4000维特征向量；

（36）将4000维特征向量使用PCA算法降维，最终产出180维特征向量；

（37）将180维特征向量输入到联合贝叶斯模型中分类，验证用户人脸和持卡人的人脸是否匹配。

优选的，在步骤（1）之前还包括人脸采集，即对持卡人的人脸图像信息和持卡人的身份信息进行采集并存储，其具体方式为：

1）用户在办理卡之后，第一次使用ATM机时，将人脸图像和银行卡绑定；

2）用户插卡、输入密码；

3）监控系统采集一张实时监控图像，进行图像预处理

4）对预处理之后的图像进行人脸检测，检测图像中是否有人脸出现；

5）如果检测不到人脸，则提醒用户调整姿势，对准摄像头，返回步骤3）；如果只检测出一张人脸，检查这张人脸的置信度响应值是否大于设定的阈值，如果大于则保存人脸、绑定银行卡，如果小于则提醒用户调整姿势，对准摄像头，返回步骤3）；如果检测出多张人脸，则检查尺寸最大的人脸的置信度响应值是否大于设定阈值，如果大于则保存人脸、绑定银行卡，如果小于则提醒用户调整姿势，对准摄像头，返回步骤3）。

优选的，还包括对持卡人人脸图形信息进行更新，其更新方法为：在用户使用ATM机时，根据身份验证的结果确定是否更新银行卡绑定的人脸图像，如果身份验证成功，则证明用户和持卡人是同一人，则用用户的人脸图像替换银行卡绑定的人脸图像，更新人脸数据库；如果身份验证失败，则证明用户和持卡人不是同一人，则不更新人脸数据库

本发明通过人脸识别技术，能够在用户使用ATM机时，对用户进行身份验证。ATM机监控系统及时验证用户和持卡人是否是同一人，如果不是则进行报警。这样任何人都将无法使用他人的银行卡在ATM机上操作，可以有效预防盗刷卡现象的发生。本发明保护持卡人合法权益，预防金融犯罪，使ATM机获得更高的安全性。

与现有技术相比，本发明技术方案的有益效果是：1本发明通过对银行ATM机的安全现状的分析，提出了针对ATM机操作的身份验证方法，大大增加了ATM机操作的安全性，遏制了盗刷卡现象的发生。2本发明充分考虑了ATM机监控系统的场景特征及变化，提出了相应的人脸采集方法和图像预处理方法。3本发明提出了一个解决ATM机身份验证问题的详细的技术方案，方案每一部分都有许多可以替代的算法来实现同样的功能，方案可扩展性强。

附图说明

图1为人脸检测网络结构图。

图2为DeepID流程图。

图3为DeepID2的网络结构图。

图4为本发明的流程简图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。

本实施例基于人脸识别的ATM机身份验证方法主要包括四个部分：人脸采集、图像预处理、人脸检测和人脸识别，各部分的具体方式如下：

A、人脸采集

持卡人的人脸数据库用于存储持卡人的身份信息、人脸图像，最简单的构建方法就是直接采用公安系统的身份证照片数据库。但是许多人的身份证照片与本人存在较大差异，若干年前的身份证照片与本人现在的外貌差别很大。另外身份证照片由于分辨率较小，细节比较模糊，人脸的局部特征没有准确反映出来，可辨识度较低，难以取得较好的识别效果。因此本实施例设计了一个采集持卡人人脸图像的方案，使用ATM机监控系统采集高分辨率的、环境相似的人脸图像。具体步骤如下：

1）用户在办理银行卡之后，第一次使用ATM机时，将人脸图像和银行卡绑定。

2）用户插卡、输入密码。

3）监控系统采集一张实时监控图像，进行图像预处理。

4）对预处理之后的图像进行人脸检测，检测图像中是否有人脸出现。

5）如果检测不到人脸，则提醒用户调整姿势，对准摄像头，返回步骤3）；如果只检测出一张人脸，检查这张人脸的置信度响应值是否大于一定阈值，如果大于则保存人脸、绑定银行卡，如果小于则提醒用户调整姿势，对准摄像头，返回步骤3）；如果检测出多张人脸，则检查尺寸最大的人脸（因为正常情况下用户的脸离摄像头最近，人脸尺寸最大，所以本实施例默认尺寸最大的人脸为用户本人的脸）的置信度响应值是否大于一定阈值，如果大于则保存人脸、绑定银行卡，如果小于则提醒用户调整姿势，对准摄像头，返回步骤3）。

如果银行卡绑定的人脸图像比较陈旧，是很久以前的持卡人的人脸图像，则可能和持卡人现在的外貌差别很大。因此为了达到更好的验证效果，本实施例对持卡人的人脸数据库进行持续更新。更新方法为：在用户使用ATM机时，根据身份验证的结果确定是否更新银行卡绑定的人脸图像。如果身份验证成功，则证明用户和持卡人是同一人，则用用户的人脸图像替换银行卡绑定的人脸图像，更新人脸数据库；如果身份验证失败，则证明用户和持卡人不是同一人，则不更新人脸数据库。

B、图像预处理

由于很多ATM机的安装环境复杂、干扰因素众多，所以ATM机的监控系统所采集的图像容易受到光照条件、背景等诸多因素的影响。因此对图像进行预处理就很有必要，可以有效改善图像质量、丰富信息量、加强图像判读和识别效果。图像预处理不仅要考虑图像所包含的噪声，也要考虑光照等环境因素所产生的干扰。因此，本实施例针对ATM机监控系统采集的图像的预处理包含两部分：一是图像去噪；二是针对复杂光照条件下的图像的增强。

1）图像噪声是图像在摄取或传输时所受的随机信号干扰，是图像中各种妨碍人们对其信息接受的因素。图像中产生噪声的原因有很多，空域噪声是很常见的，它是一种空间随机分布的误差噪声。空域噪声可以简单的描述为两个像素点对于相同的色彩和亮度信息所给出不同的像素值表示。滤除噪声的方法很多，例如均值滤波、中值滤波、高斯平滑滤波、小波滤波等，本实施例采用中值滤波的方法去除图像噪声。

中值滤波是一种基于非线性滤波的局部图像平滑技术，不仅可以去除孤立的噪声点，同时又能保护某些图像细节，因此在图像降噪处理中得到了广泛的应用。该方法的基本原理就是利用某个像素点的领域内各个像素值的中值来取代该像素点原先的值。过程如下：对图像的像素矩阵，首先取一个以目标像素为中心的一个矩阵窗口（窗口大小取 3×3），然后对窗口内的像素值进行排序，并将中间值作为目标像素的新值。因为噪声点一般为随机突变的像素点，经排序后一般会位于队首或者队尾，取中间的像素值正好就为正常的像素值，所以中值滤波可以有效去除这些随机噪声点，并且不破坏图像的边缘信息。

2）光照因素是图像处理中最常遇到的干扰因素，采集设备依靠光学成像技术采集图像，不可避免的会被外部光照所干扰。不同时段的太阳光入射角度和强度不同，在成像时，会出现不同时间段的图像亮度不同的现象，部分时段画面较亮而部分时段画面较暗，甚至会在人脸面部出现明暗不均匀的现象，这样很有可能会导致误检等情况的发生。为了降低光照对后续处理的不利影响，传统的做法是增加样本数量，添加各种光照条件下的样本。但该方法会大大增加计算量，而且想要使得样本库覆盖所有光照情况也很难实现。为了更好地处理光照条件变化所带来的影响，本实施例利用直方图均衡化技术消除光照影响。

灰度直方图是一个图像中灰度值的显式表述，是给定图像中各个灰度值出现的频数或频率的统计特征。灰度直方图不仅可以记录每幅图像中灰度等级，而且可以记录图像中任意一个灰度值的数目。直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布，就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同，使得某些局部偏亮的部分变暗或者局部偏暗的部分变亮。直方图均衡处理的目的是使经过处理后的图像的直方图趋于平直，即各灰度级具有相同的频数，具有较为均匀的概率分布，从而提高图像的质量。

直方图均衡化是利用图像直方图对对比度进行调整，可以增加图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布，光照对图像的影响减弱，灰度级范围变宽且分布均匀，消除了由于图像过亮或者过暗所带来的干扰。直方图均衡化的过程如下：首先是统计直方图每个灰度级出现的次数，然后是累计归一化的直方图，最后是计算新的像素值。

C、人脸检测

人脸检测即是人脸定位，确定人脸在图片中的位置、大小等信息，是人脸识别的基础。人脸图像对于不同的外貌、表情、肤色都有着很大的区别，而且容易受到光照、姿态、表情、噪声和遮挡等因素的影响。

本实施例采用一个级联的卷积神经网络（CNN）来实现人脸检测。和传统的人工设计的人脸特征相比，卷积神经网络可以通过对大量的训练样本的学习，在复杂的视觉变化中自动学习出人脸特征。并且卷积神经网络可以通过GPU 和多线程技术来显著加快运算速度。

为了提高检测效果，首先采取多尺度分割图像的办法，获取很多待判别的人脸框。算法主要分为两个阶段：判别阶段和校正阶段。在每一个待判别的人脸框经过判别阶段之后，都有一个校正阶段，来提高人脸框的定位准确度，并且减少人脸框总数。算法总共采用三个不同尺度的CNN：12尺度、24尺度、48尺度，每个尺度包含两个CNN，一个是判别网络，一个是校正网络。这样可以在小尺度低分辨率时快速排除错误的人脸框，在大尺度高分辨率时仔细验证人脸框，速度与效果兼顾。网络结构图见附图1，详细步骤如下：

1）输入一张待检测图像，先以不同尺度窗口密集扫描整个图像，产生许多待判别的人脸框。

2）将所有待判别人脸框调整为12×12的分辨率，经过一个12尺度的判别网络，它将待判别的人脸框进行二分类，排除90%的错误人脸框。

3）通过一个12尺度的校正网络，调整剩余人脸框的大小和位置，用以获取原人脸框旁边潜在的更优人脸框，同时采用非极大抑制（NMS）算法来排除重合率过大的人脸框。

4）将剩余的人脸框调整为24×24的分辨率，经过一个24尺度的判别网络，进一步排除接近90%的错误人脸框。

5）通过一个24尺度的校正网络，调整剩余人脸框的大小和位置，同时采用NMS算法来排除重合率过大的人脸框。

6）将剩余的人脸框调整为48×48的分辨率，经过一个48尺度的判别网络，同时采用NMS算法来排除重合率过大的人脸框。

7）通过一个48尺度的校正网络，输出剩余人脸框，作为最终检测结果。

D、人脸识别

人脸识别是指通过分析目标人脸图像，从中提取能够表达人身份的有效信息，并与数据库中的已知人脸进行匹配比对，从而实现个体对象身份的辨别。

人脸识别分为两种:一种是人脸验证，输入一对人脸图像，需要判断这对图像是否属于同一个人，属于1：1的匹配；另一种是人脸辨识，它的输入是一幅人脸图像，需要判断该人脸图像属于给定的人脸库中的哪一个人，这是1：n的匹配。本实施例的技术方案是人脸验证，即1：1的匹配，采用的算法是DeepID2算法。

DeepID算法通过CNN学习特征，即将图片输入进去，学习到一个160维的向量。然后在这个向量上，套用各种现成的分类器，即可得到结果。为了学习到区分能力比较强的特征，DeepID采取了目前最常用的手法——增大数据集，使得CNN训练的更加的充分。采用两种手法增大数据集：1）第一种手法，就是采集好的数据，即CelebFaces数据集的引入；2）就是将图片多尺度多通道多区域的切分，分别进行训练，再把得到的向量连接起来，得到最后的向量。DeepID的算法流程图见附图2。

DeepID2算法相对于DeepID算法有了较大的改变，主要是在DeepID的基础上添加了验证信号。具体来说，原本的CNN最后一层使用的是逻辑回归作为最终的目标函数，也就是识别信号；但在DeepID2中，目标函数上添加了验证信号，两个信号使用加权的方式进行了组合，一个识别信号，一个验证信号。

同时，DeepID2在学习特征的时候，不仅考虑分类准确率，还考虑类间差距。具体的做法就是在目标函数中添加一项类间差距。该添加的创新就在于类间差距是在两个样本间进行衡量的，因而添加类间差距后，训练过程需要变化。

在网络机构上，DeepID2将卷积层的倒数第一层和倒数第二层都作为最终层的输入。四层卷积，前三层后面都跟着最大池层，第三层卷积的神经单元的参数在2×2的局部区域内共享；第四层卷积则是全连接，参数在神经单元之间不共享。第三卷积层的输出和第四卷积层的输出以全连接的方式连接到最后一层，最后一层也称为DeepID2层。因为第四层学习到的特征比第三层的更全局一些，所以这样的连接方式被称为是多尺度卷积神经网络。DeepID2的网络结构图见附图3。

DeepID2算法的大致流程如下，首先使用SDM算法对每张人脸检测出21个关键点，然后根据这些关键点，再加上位置、尺度、通道、水平翻转等因素，每张人脸切分成400个块，使用200个CNN对其进行训练，水平翻转形成的块跟原始图片放在一起进行训练。这样，就形成了400×160维的向量。

这样形成的特征维数太高，DeepID2先对块进行选取，使用前向-后向贪心算法选取了25个最有效的块。在25个块选择中，首先选取最好的25个块，然后从剩下未被选取的块中选择25个块，重复6次，然后将7次取出的特征送入组合贝叶斯计算，将这7分结果融合，使用支持向量机算法（SVM算法）选出最优的25个块。这样就只有25×160维向量，然后使用主成分分析算法（PCA算法）进行降维，降维后为180维。最后构建了一个联合贝叶斯模型来进行分类。在训练集上可以得到一个阈值，当结果值大于阈值时，不是同一个人；当结果值小于阈值时，是同一个人。

DeepID2算法的具体步骤如下：

1）使用SDM算法检测出图像的21个关键点。

2）基于关键点对图像进行扭正。

3）将图像切分为400个块，主要是基于关键点位置、尺度、颜色通道等。

4）将400个图像块分到200个卷积网络里进行特征向量计算，每个图像块生成2个160维的DeepID2特征向量，它自己的特征向量和水平翻转的特征向量。

5）采用前向、后向贪心算法来选择最具代表性的25个图像块，总共形成25×160的4000维特征向量。

6）4000维特征向量使用PCA算法降维，最终产出180维特征向量。

7）将180维特征输入到联合贝叶斯模型中分类，验证用户人脸和持卡人的人脸是否匹配。

本实施例所采用的训练集

用于人脸检测的级联CNN的参数使用AFLW（Annotated Facial Landmarks in theWild）数据库来训练。AFLW在2011 年发布的大规模的、多视角的、自然场景下的人脸图像库，库中图像来自Flickr。数据库包括26，000 多张的、共超过380，000 的人脸。

用于人脸识别的DeepID2的CNN的参数使用CelebFaces+数据集来训练，这是一个总量超过20万张的大型人脸图像库，人脸图像有丰富的姿态变化和多样的背景。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于人脸识别的ATM机身份验证方法，其特征在于，包括以下步骤：

（1）用户在ATM机上插卡并完成密码输入后，ATM机监控系统从数据库中获取该卡对应的持卡人人脸图像；

（2）获取一张实时监控图像，然后对图像进行人脸检测，检测图像中是否有人脸出现；

（3）如果未检测出人脸，则提醒用户调整姿势，对准摄像头，返回步骤（2）；如果只检测出一张人脸，则对这张用户人脸和持卡人的人脸进行人脸识别；如果检测出多张人脸，则选择尺寸最大的人脸和持卡人的人脸进行人脸识别；

（4）如果用户人脸与持卡人的人脸不匹配，即判断用户和持卡人不是同一人，则触发报警装置报警。

2.根据权利要求1所述的基于人脸识别的ATM机身份验证方法，其特征在于，所述步骤（2）在对实时监控图像进行人脸检测前还包括对图像进行预处理，即对采集的图像进行噪声滤除和环境光照变化条件下的图像增强。

3.根据权利要求2所述的基于人脸识别的ATM机身份验证方法，其特征在于，对采集的图像进行噪声滤除的方式为均值滤波、中值滤波、高斯平滑滤波或小波滤波中的一种；对采集的图像在环境光照变化条件下进行图像增强的方式为直方图均衡化。

4.根据权利要求2所述的基于人脸识别的ATM机身份验证方法，其特征在于，步骤（2）采用级联的卷积神经网络对采集的实时监控图像进行人脸检测，其具体过程为：

（21）输入一张待检测图像，先以不同尺度窗口密集扫描整个图像，产生许多待判别的人脸框；

（22）将所有待判别人脸框调整为12×12的分辨率，经过一个12尺度的判别网络，它将待判别的人脸框进行二分类，排除90%的错误人脸框；

（23）通过一个12尺度的校正网络，调整剩余人脸框的大小和位置，用以获取原人脸框旁边潜在的更优人脸框，同时采用非极大抑制（NMS）算法来排除重合率过大的人脸框；

（24）将剩余的人脸框调整为24×24的分辨率，经过一个24尺度的判别网络，进一步排除接近90%的错误人脸框；

（25）通过一个24尺度的校正网络，调整剩余人脸框的大小和位置，同时采用NMS算法来排除重合率过大的人脸框；

（26）将剩余的人脸框调整为48×48的分辨率，经过一个48尺度的判别网络，同时采用NMS算法来排除重合率过大的人脸框；

（27）通过一个48尺度的校正网络，输出剩余人脸框，作为最终检测结果。

5.根据权利要求1所述的基于人脸识别的ATM机身份验证方法，其特征在于，步骤（3）所述的人脸识别的方式为人脸验证，即输入一对人脸图像，需要判断这对图像是否属于同一个人，属于1：1的匹配，该人脸识别采用DeepID2算法实现，其具体过程为：

（31）使用SDM算法检测出图像的21个关键点；

（32）基于关键点对图像进行扭正；

（33）将图像切分为400个块，是基于关键点位置、尺度及颜色通道；

（34）将400个图像块分到200个卷积网络里进行特征向量计算，每个图像块生成2个160维的DeepID2特征向量，它自己的特征向量和水平翻转的特征向量；

（35）采用前向、后向贪心算法来选择最具代表性的25个图像块，总共形成25×160的4000维特征向量；

（36）将4000维特征向量使用PCA算法降维，最终产出180维特征向量；

（37）将180维特征向量输入到联合贝叶斯模型中分类，验证用户人脸和持卡人的人脸是否匹配。

6.根据权利要求1所述的基于人脸识别的ATM机身份验证方法，其特征在于，在步骤（1）之前还包括人脸采集，即对持卡人的人脸图像信息和持卡人的身份信息进行采集并存储，其具体方式为：

1）用户在办理卡之后，第一次使用ATM机时，将人脸图像和银行卡绑定；

2）用户插卡、输入密码；

3）监控系统采集一张实时监控图像，进行图像预处理

4）对预处理之后的图像进行人脸检测，检测图像中是否有人脸出现；

5）如果检测不到人脸，则提醒用户调整姿势，对准摄像头，返回步骤3）；如果只检测出一张人脸，检查这张人脸的置信度响应值是否大于设定的阈值，如果大于则保存人脸、绑定银行卡，如果小于则提醒用户调整姿势，对准摄像头，返回步骤3）；如果检测出多张人脸，则检查尺寸最大的人脸的置信度响应值是否大于设定阈值，如果大于则保存人脸、绑定银行卡，如果小于则提醒用户调整姿势，对准摄像头，返回步骤3）。

7.根据权利要求6所述的基于人脸识别的ATM机身份验证方法，其特征在于，还包括对持卡人人脸图像信息进行更新，其更新方法为：在用户使用ATM机时，根据身份验证的结果确定是否更新银行卡绑定的人脸图像，如果身份验证成功，则证明用户和持卡人是同一人，则用用户的人脸图像替换银行卡绑定的人脸图像，更新人脸数据库；如果身份验证失败，则证明用户和持卡人不是同一人，则不更新人脸数据库。