CN110782247B - 一种基于人脸识别的智能手表支付方法 - Google Patents

Abstract

本发明涉及一种基于人脸识别的智能手表支付方法，预设参考人脸几何特征和所述参考人脸几何特征的距离；当处理器判断支付程序启动时，启动心率传感器，判断所述心率传感器采集的心率曲线是否与预设参考曲线拟合，若拟合度达到拟合阈值，则：启动摄像头和距离传感器，采集人脸几何特征和距离，当所述采集得到的人脸几何特征与所述参考人脸几何特征基于采集距离和参考人脸几何特征的距离满足几何相似性，则身份确认，完成支付。

Description

一种基于人脸识别的智能手表支付方法

技术领域

本发明涉及一种支付方法，具体涉及一种基于人脸识别的智能手表的支付方法。

背景技术

目前的手机支付一般在支付的时候确认除了密码确认之外，还采用生物特征进行确认，确认均是采用单一的确认形式，如指纹、面容、虹膜等等。手机基于强大的处理器，对输入的生物特征进行识别，从而完成支付确认。

智能手表作为分支最大的可穿戴设备，目前已经有采用智能手表进行支付的技术，但是这些技术一般都基于内置的芯片，如NFC进行地铁、公交车的费用支出。由于芯片需要另外设置，并且手表的处理器比较若，因此，目前市面上暂时还没有比较完善的不依赖于手表本身硬件之外的支付方式。

申请人在先申请CN2019110031403提出了一种心率身份识别的方法，该方法只依赖于智能手表本身的心率传感器就可以完成成功率较大的身份识别。在此基础上，申请人提出该方法的一个利用，在某些设置有摄像头的智能手表中，支付的时候采用多重验证，从而确认身份进行支付。

发明内容

有鉴于此，本发明提供一种基于人脸识别的智能手表支付方法，通过该方法，在具有摄像头的智能手表的基础上，不增加另外的硬件，即可对用户的身份进行较为精确地识别，从而完成支付。

本发明具体的技术方案如下：

一种基于人脸识别的智能手表支付方法，所述方法包括：

预设参考人脸几何特征和所述参考人脸几何特征的距离；

当处理器判断支付程序启动时，启动心率传感器，判断所述心率传感器采集的心率曲线是否与预设参考曲线拟合，若拟合度达到拟合阈值，则：

启动摄像头和距离传感器，采集人脸几何特征和距离，当所述采集得到的人脸几何特征与所述参考人脸几何特征基于采集距离和参考人脸几何特征的距离满足几何相似性，则身份确认，完成支付。

进一步地，所述人脸几何特征包括五官几何特征。

进一步地，一个所述参考人脸几何特征的距离对应一组预设参考人脸几何特征；

所述参考人脸几何特征的距离小于距离阈值；

一组预设参考人脸几何特征是以鼻尖为圆心、以所述参考人脸几何特征的距离为半径、以包括两眼中点的人脸对称面作为对称面、取以对称面为基础的左右总角度小于角度阈值、高度在下巴到鼻尖之间的区域进行采样，设置不少于20个参考人脸几何特征的一组预设参考人脸几何特征。

进一步地，当基于采集距离和参考人脸几何特征的距离，采集人脸几何特征与所述一组预设参考人脸几何特征中任意一个预设参考人脸几何特征的满足几何相似性，则身份确认。

进一步地，所述几何相似性优选为90%以上的几何重合度。

进一步地，对采集的心率曲线进行滤波处理，进行二阶导数处理，得到二阶导数曲线，与所述预设参考曲线进行拟合，判断拟合度是否达到拟合阈值。

进一步地，对所述预设参考曲线进行容忍化处理，所述容忍化处理为对参考曲线中每个时间坐标对应的数值按照比例阈值进行扩大，从而形成参考曲线带。

进一步地，与预设的参考曲线带进行拟合，若容纳在所述参考曲线带的时间比例超过拟合阈值，则判断身份可识别。

进一步地，所述预设参考曲线为学习曲线，所述学习曲线获得方法为：

S11，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S12，对所有的波峰曲线进行二阶导数处理，得到第一波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第一波谷二阶导数曲线；

S13，对所有第一波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所有第一波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

S14，插值处理，得到由标准差和插值组成的第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线；所述第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线组成初始学习曲线或者第一学习曲线。

进一步地，在摘下手表并第i次佩戴时，实施如下方法：

Si0，若身份可识别，则转入到Si1；

Si1，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

Si2，对所有的波峰曲线进行二阶导数处理，得到第i波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第i波谷二阶导数曲线；

Si3，对所述的第i波峰二阶导数曲线和第i-1学习曲线中的第i-1参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第i波谷二阶导数曲线和第i-1初始学习曲线中的第i-1参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

Si4，插值处理，得到由标准差和插值组成的第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线；所述第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线组成第i学习曲线。

通过上述的技术手段，一是创造性的使用心率曲线的二阶导数值作为参考，二是将心率与人脸识别进行组合进行身份判断，可以在仅仅依靠心率80%的成功率的基础上，使得识别成功率达到95%以上。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本发明实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

智能手表上的摄像头一般用于视频语音通话、当然也可以用于拍照之类的，但是，由于智能手表体积的限制，其上配备的摄像头在目前的技术上，还达不到与手机相同的硬件标准。因此，智能手表上的摄像头，目前还没有将其应用到身份识别的场景。

申请人在先提出了利用心率进行识别的方式进行身份识别，可将其用于智能手表的解锁。但是，要将心率用于金钱的支付，其80%的成功率显然是不够的，在简单的心率监测的基础上，研究出新的算法、或者提供更先进的心率传感器都将需要大量的创造性的劳动。本申请基于上述的现状，创造性的提出将心率和人脸两个完全不一样的监测方式有机结合在一起从而达到高成功率的身份识别，从而进行支付。

智能手表的摄像头监测到人脸的几何特征，距离传感器检测摄像头距离鼻尖的距离，对几何特征中的五官特征进行提取，形成五官的几何曲线，该形成的五官的几何曲线形成参考人脸几何特征。

由于用户在人脸识别的时候，或前或后、或左或右，不可能每次都在同一个位置，因此，在同一距离下，按照一定的轨迹，需要设置一组参考人脸几何特征。该轨迹的获取方式如下：

以鼻尖为圆心、以上述的距离为半径绘制圆或球面、以包括两眼中点的人脸对称面作为对称面、以对称面为基础，取角度小于角度阈值（优选为20°）、高度在下巴到鼻尖之间的区域进行采样，设置不少于20个参考人脸几何特征。

记录该距离和所有的参考人脸几何特征。

同时，设置心率的参考识别依据。

用户佩戴具有心率传感器的手表，最好是PPG心率识别的手表，测量得到的心率的曲线为连续的曲线，曲线类似与正弦，但是和正弦曲线有较大的区别，区别主要在于，曲线的波峰和波谷之间为不规则的类似于突变性质的曲线。一般我们取 0.1-0.2秒内的包括波峰或者波谷的曲线进行研究。

每个人的波峰和波谷都不相同，与用户的血压、心脏功能有非常大的关系，有些人的波峰比较平稳，说明整体气血不太足，有些人波峰在顶点的地方呈现尖锐的状态，非常有力，气血旺盛。当然，这些不属于本申请的范围，但是这些现象表明，每个人的心率的曲线背后的因素不一样，可以通过这些现象来进行精确的身份识别。

取用户的一段心率曲线，该心率曲线至少包括N个波峰和N个波谷，为了平衡数据的准确性和全面性，N值一般大于10。每个用户的心率曲线的波峰和波谷也存在比较大的区别，因此，波峰和波谷需要分别处理。

对于波峰和波谷，分别取以波峰点和波谷点为中心的第一时长的时间段，一般取0.1-0.2秒。形成至少N个波峰曲线和N个波谷曲线。

对所有的波峰曲线和波谷曲线进行二阶导数处理，得到第一波峰二阶导数曲线和第一波谷二阶导数曲线。

由于每个第一时长上虽然时间比较短，但是连续的曲线内还是有无限多的点，因此，我们对其 进行散点处理，为了平衡准确性与计算量，一般我们取散点的数量在50-100个点。并且，每个第一时长的波峰或者波谷，散点的数量和对应的时间点都是一样的。如将每个波峰曲线或者每个波谷曲线的第一点的时间都极为0 ，在每个波峰的0.001秒上取第一个点，0.002秒上取第二个点，保证每个时间点，在每个波峰或者波谷曲线上都有对应的散点。

对所有波峰曲线的具有相同时间横坐标的散点进行标准差运算，进行插值处理，得到参考波峰二阶导数曲线。对波谷曲线也进行相同的操作，得到参考波谷二阶导数曲线。

所述参考波峰二阶导数曲线和参考波谷二阶导数曲线组成初始学习曲线。

在第二天，或者用户再次佩戴手表的时候，基于上述的初始学习曲线，对用户的身份进行识别，若是测量并且计算得到的二阶导数曲线与初始学习曲线的拟合度超过拟合阈值，一般拟合阈值可以设置为95%，则认为目前佩戴手表的用户与上一次佩戴手表的用户为同一用户，此时即进行了身份识别。

事实上，在身份识别的时候，我们可以采用较为简单的方式设置拟合度。方法如下：

首先，将初始学习曲线进行容忍化处理，该容忍化为扩大化处理得到学习曲线带。这个扩大化是基于用户在测量的时候的测量误差。如将每个时间坐标对应的二阶导数值均在比例阈值内扩大。比例阈值可以设置为1%-5%。这样，方便比对。将测量并且计算得到的二阶导数曲线与上述的学习曲线带进行对比，若伸出该学习曲线带的时间长度与总时间长度（上述的第一时长）的比例超过比例阈值，则判断身份不可识别，即这次佩戴的与上次的不是同一个人。

用户由于进行锻炼治疗等等因素，心率曲线的二阶导数反馈的数据事实上可能是缓慢变化的，因此，上述的学习曲线我们取名叫初始学习曲线，是为了方便同一用户在佩戴以后不断地进行学习优化。学习的方式如下：

S11，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S12，对所有的波峰曲线进行二阶导数处理，得到第一波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第一波谷二阶导数曲线；

S13，对所有第一波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所有第一波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

S14，插值处理，得到由标准差和插值组成的第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线；所述第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线组成初始学习曲线。

下一次用户佩戴的时候，进行如下操作：

S20，若身份可识别，则转入到S21；

S21，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S22，对所有的波峰曲线进行二阶导数处理，得到第二波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第二波谷二阶导数曲线；

S23，对所述的第二波峰二阶导数曲线和所述初始学习曲线中的第一参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第二波谷二阶导数曲线和所述初始学习曲线中的第一参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

S24，插值处理，得到由标准差和插值组成的第二参考波峰二阶导数曲线和第二参考波谷二阶导数曲线；所述第二参考波峰二阶导数曲线和第二参考波谷二阶导数曲线组成第二学习曲线。

在手表第i此被佩戴时，进行如下操作：

Si0，若身份可识别，则转入到S21；

Si1，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

Si2，对所有的波峰曲线进行二阶导数处理，得到第i波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第i波谷二阶导数曲线；

Si3，对所述的第i波峰二阶导数曲线和第i-1学习曲线中的第i-1参考波峰二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；对所述的第i波谷二阶导数曲线和第i-1初始学习曲线中的第i-1参考波谷二阶导数曲线进行基于相同时间横坐标的散点进行标准差运算；

S24，插值处理，得到由标准差和插值组成的第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线；所述第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线组成第i学习曲线。

由此，作为比对的参考曲线可以不断的被学习，从而更加符合用户不断变化的自身需求。

这样，就同时记录了 人脸的参考数据和心率的参考数据。在此基础上，实施如下方法：

当处理器判断支付程序启动时，启动心率传感器，判断所述心率传感器采集的心率曲线是否与预设参考曲线拟合，若拟合度达到拟合阈值，优选的拟合阈值为90%-95%，则：

启动摄像头和距离传感器，采集人脸几何特征和距离，当所述采集得到的人脸几何特征与所述参考人脸几何特征基于采集距离和参考人脸几何特征的距离满足几何相似性，则身份确认，完成支付。

当基于采集距离和参考人脸几何特征的距离，采集人脸几何特征与所述一组预设参考人脸几何特征中任意一个预设参考人脸几何特征的满足几何相似性，则身份确认。所述几何相似性优选为90%以上的几何重合度。

通过上述的技术手段，一是创造性的使用心率曲线的二阶导数值作为参考，二是将心率与人脸识别进行组合进行身份判断，可以在仅仅依靠心率80%的成功率的基础上，使得识别成功率达到95%以上。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于人脸识别的智能手表支付方法，所述方法包括：

预设参考人脸几何特征和所述参考人脸几何特征的距离；

当所述智能手表的处理器判断支付程序启动时，启动所述智能手表的心率传感器，判断所述心率传感器采集的心率曲线是否与预设参考曲线拟合，若拟合度达到拟合阈值，则：

启动所述智能手表的摄像头和距离传感器，采集人脸几何特征和距离，当所述采集得到的人脸几何特征与所述参考人脸几何特征基于采集距离和参考人脸几何特征的距离满足几何相似性，则身份确认，完成支付；

所述参考曲线为学习曲线，所述学习曲线获得方法为：

S11，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

S12，对所有的波峰曲线进行二阶导数处理，得到第一波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第一波谷二阶导数曲线；

S13，对所有第一波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所有第一波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

S14，插值处理，得到由标准差和插值组成的第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线；所述第一参考波峰二阶导数曲线和第一参考波谷二阶导数曲线组成初始学习曲线或者第一学习曲线。

2.根据权利要求1所述的支付方法，其特征在于，所述人脸几何特征包括五官几何特征。

3.根据权利要求1所述的支付方法，其特征在于，对采集的心率曲线进行滤波处理，进行二阶导数处理，得到二阶导数曲线，与所述预设参考曲线进行拟合，判断拟合度是否达到拟合阈值。

4.根据权利要求3所述的支付方法，其特征在于，对所述预设参考曲线进行容忍化处理，所述容忍化处理为对参考曲线中每个时间坐标对应的数值按照比例阈值进行扩大，从而形成参考曲线带。

5.根据权利要求4所述的支付方法，其特征在于，与预设的参考曲线带进行拟合，若容纳在所述参考曲线带的时间比例超过拟合阈值，则判断身份可识别。

6.根据权利要求1所述的支付方法，其特征在于，在摘下手表并第i次佩戴时，实施如下方法：

Si0，若身份可识别，则转入到Si1；

Si1，取至少具有N个波峰和N个波谷的心率曲线，取每个波峰为中点的前后第一时长内的波峰曲线，以及每个波谷为中点的前后第一时长内的波谷曲线；

Si2，对所有的波峰曲线进行二阶导数处理，得到第i波峰二阶导数曲线；对所有的波谷曲线进行二阶导数处理，得到第i波谷二阶导数曲线；

Si3，对所述的第i波峰二阶导数曲线和第i-1学习曲线中的第i-1参考波峰二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；对所述的第i波谷二阶导数曲线和第i-1初始学习曲线中的第i-1参考波谷二阶导数曲线进行散点处理，对所有的具有相同横坐标的散点进行标准差运算；

Si4，插值处理，得到由标准差和插值组成的第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线；所述第i参考波峰二阶导数曲线和第i参考波谷二阶导数曲线组成第i学习曲线。