CN110807630B - 基于人脸识别的支付方法、装置、计算机设备和存储介质 - Google Patents
基于人脸识别的支付方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110807630B CN110807630B CN201910887184.0A CN201910887184A CN110807630B CN 110807630 B CN110807630 B CN 110807630B CN 201910887184 A CN201910887184 A CN 201910887184A CN 110807630 B CN110807630 B CN 110807630B
- Authority
- CN
- China
- Prior art keywords
- terminal
- face image
- preset
- image
- acquisition time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
- G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
- G06Q20/322—Aspects of commerce using mobile devices [M-devices]
- G06Q20/3224—Transactions dependent on location of M-devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请揭示了一种基于人脸识别的支付方法、装置、计算机设备和存储介质,所述方法包括:接收第二终端发送的支付接收请求;获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;计算所述第一定位位置与所述第二定位位置之间的第一距离;若第一距离不大于第一距离阈值,则获取第三终端信息;获取指定用户的第一人脸图像,获取指定用户的第二人脸图像,以及获取所述指定用户的第三人脸图像;计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值;若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。从而利用了第三终端作为额外的判断依据,提高了支付的安全性。
Description
技术领域
本申请涉及到计算机领域,特别是涉及到一种基于人脸识别的支付方法、装置、计算机设备和存储介质。
背景技术
人脸支付是指以人脸识别作为身份判断的基础,其人脸识别通过即允许进行支付的手段,相对于其他支付手段,更加便捷,更受欢迎。但是,人脸识别容易被绕过,现业界已提供多种技术攻破人脸识别,如生成对抗样本、PS技术、3D建模及模型打印等技术。攻击者可能通过各种手段(如拍照、无处不在的摄像头、社交媒体等)获取到用户的人脸,一旦获取到用户的人脸,由于人脸是不可修改的静态特性,攻击者就能假冒用户绕过人脸识别系统。因此传统的人脸支付的安全性有待提高。
发明内容
本申请的主要目的为提供一种基于人脸识别的支付方法、装置、计算机设备和存储介质,旨在提高人脸支付的安全性。
为了实现上述发明目的,本申请提出一种基于人脸识别的支付方法,包括:
接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端;
获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;
计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值;
若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;
向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像;
根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,并判断所述图像相似度值是否均大于预设的图像相似度阈值;
若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。
进一步地,所述获取所述第一终端的第一定位位置和所述第二终端的第二定位位置的步骤之前,包括:
利用预设的第一信号发射器向所述第一终端发送第一测距请求,并利用预设的第二信号发射器向所述第一终端发送第二测距请求,并根据公式:T1=第一测距请求的传播时长-第二测距请求的传播时长,计算得到时间差T1;其中所述第一信号发射器和所述第二信号发射器在高度方向上重叠;
利用预设的第一信号发射器向所述第二终端发送第三测距请求,并利用预设的第二信号发射器向所述第二终端发送第四测距请求,并根据公式:T2=第三测距请求的传播时长-第四测距请求的传播时长,计算得到时间差T2;
判断所述时间差T1和所述时间差T2的差值是否小于预设的时间差阈值;
若所述时间差T1和所述时间差T2的差值小于预设的时间差阈值,则生成定位位置获取指令,所述定位位置获取指令用于指示获取所述第一终端的第一定位位置和所述第二终端的第二定位位置。
进一步地,所述获取第三终端,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值的步骤,包括:
获取与所述第一定位位置的距离小于预设的第二距离阈值的所有参考终端;
判断所有参考终端的数量是否大于1;
若所述参考终端的数量大于1,则从所有参考终端中选出使用时间最长的终端记为第三终端,并获取所述第三终端。
进一步地,所述根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值的步骤之前,包括:
获取第一人脸图像的第一采集时间,获取第二人脸图像的第二采集时间,以及获取第三人脸图像的第三采集时间;
根据预设的数值转换方法,将所述第一采集时间、第二采集时间和第三采集时间对应转换为第一采集时间数值、第二采集时间数值和第三采集时间数值;
根据公式:M=MAX(第一采集时间数值,第二采集时间数值,第三采集时间数值)-MIN(第一采集时间数值,第二采集时间数值,第三采集时间数值),从而计算得到数值差M;
判断所述数值差M是否小于预设的数值阈值;
若所述数值差M小于预设的数值阈值,则生成相似度计算指令,所述相似度计算指令用于指示根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值。
进一步地,所述根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值的步骤,包括:
采用第一相似度计算方法,计算所述第一人脸图像和所述第二人脸图像的图像相似度值,其中所述第一相似度计算方法以像素点作为最小计算单位;
根据预设的区块划分方法,将所述第一人脸图像、第二人脸图像和第三人脸图像分别划分为多个区块,其中所述区块的颜色数值被设置为等于区块内所有像素点的平均值;
采用第二相似度计算方法,计算所述第一人脸图像和所述第三人脸图像的图像相似度值,以及计算所述第二人脸图像和所述第三人脸图像的图像相似度值,其中所述第二相似度计算方法以所述区块为最小计算单位。
进一步地,所述开放所述第一终端向所述第二终端进行支付的权限的步骤之前,包括:
将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果;
判断所述识别结果是否与所述指定用户相同;
若所述识别结果与所述指定用户相同,则生成权限开放指令,所述权限开放指令用于指示开放所述第一终端向所述第二终端进行支付的权限。
进一步地,所述将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果的步骤之前,包括:
分别从不同类型的样本数据库中提取等量的样本数据,从而组成数据集,并将所述数据集划分为训练数据集和测试数据集,其中所述样本数据包括预先收集的用户以及所述用户的人脸图像;
将所述样本集中的样本数据输入预设的神经网络模型中训练,训练的过程中采用随机梯度下降法,从而得到暂时模型;
使用所述测试数据集中的样本数据对所述暂时模型进行验证,从而得到验证结果;
判断所述验证结果是否为验证通过;
若所述验证结果为验证通过,则将所述暂时模型记为所述人脸识别模型。
本申请提供一种基于人脸识别的支付装置,包括:
请求接收单元,用于接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端;
定位位置获取单元,用于获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;
第一距离阈值判断单元,用于计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值;
第三终端获取单元,用于若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;
人脸图像获取单元,用于向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像;
图像相似度计算单元,用于根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,并判断所述图像相似度值是否均大于预设的图像相似度阈值;
权限开放单元,用于若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于人脸识别的支付方法、装置、计算机设备和存储介质,接收第二终端发送的支付接收请求;获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;计算所述第一定位位置与所述第二定位位置之间的第一距离;若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;获取指定用户的第一人脸图像,获取所述指定用户的第二人脸图像,以及获取所述指定用户的第三人脸图像;计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值;若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。从而利用了第三终端作为额外的判断依据,提高了支付的安全性。
附图说明
图1为本申请一实施例的基于人脸识别的支付方法的流程示意图;
图2为本申请一实施例的基于人脸识别的支付装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
参照图1,本申请实施例提供一种基于人脸识别的支付方法,包括:
S1、接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端;
S2、获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;
S3、计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值;
S4、若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;
S5、向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像;
S6、根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,并判断所述图像相似度值是否均大于预设的图像相似度阈值;
S7、若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。
本申请采用人脸识别、距离判断、第三终端验证的方式,大大地提高了人脸支付的安全性。其中,本申请的适用场景例如为:第一终端已被不法分子窃取(并且第一终端被设置为需要人脸识别才能支付)、第二终端为不法分子销赃的渠道,第三终端是正常的其他消费者所有的终端。若没有第三终端的验证,那么不法分子通过伪造第一终端的主人的人脸(例如采用3D打印,PS等方法),即可完成资金窃取。而本申请采用第三终端进一步验证,若第一终端的主人的人脸(例如采用3D打印,PS等方法)是伪造的,这在第三方(第三终端拥有者)看来,或者从第三方的取景角度得到的人脸看来,会被揭穿,从而保证了支付的安全性。其中,本申请的执行主体优选为服务器,例如为所述第一终端和所述第二终端提供支付服务的服务端。
如上述步骤S1所述,接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端。所述第二终端可以为移动终端,也可以为固定终端。其中,所述第一终端例如为消费者的手机,所述第二终端例如为店家的手机或者PC机等。
如上述步骤S2所述,获取所述第一终端的第一定位位置和所述第二终端的第二定位位置。若本次支付接收请求是正常支付接收请求,那么消费者携带的第一终端应该和店家的第二终端的位置应该是邻近的,据此获取所述第一终端的第一定位位置和所述第二终端的第二定位位置,用以判断本次支付接收请求是否为正常支付接收请求。
如上述步骤S3所述,计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值。所述第一距离表征了第一终端与第二终端是否邻近。若所述第一距离大于预设的第一距离阈值,则表明所述第一终端与第二终端相离较远,那么本次支付接收请求很可能是伪造请求;反之,本次支付接收请求可能为正常请求。
如上述步骤S4所述,若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值。为了再次提高支付的安全性,从而防止手机被窃引起的恶意支付的情况出现,本申请还采用获取第三终端,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值,以第三终端作为再次验证的中介。其中,所述第三终端可以为移动终端(例如为其他消费者的手机),也可以为固定终端(例如为邻近店家的PC机)。其中,为了提高第三终端参与本申请的人脸识别的支付过程,还可以采用奖励机制,例如:第三终端参与成功一次人脸识别的支付,就给予第三终端一定金额的奖励金,从而激励第三终端,提高本申请的适用性。也可以采用优质用户作为第三终端,例如采用使用时间最长的终端记为第三终端。其中所述第三终端信息指能指定或筛选出第三终端的信息,例如包括第三终端标识和第三终端的定位位置等。
如上述步骤S5所述,向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像。传统的人脸识别,只需要一个终端(例如用户的终端,或者店家的终端)上传采集的人脸图像即可,但这很容易被伪造。而本申请还采用了第三终端采集第三人脸图像。由于第三终端是服务器选择出来的终端,不法分子无法进行提前准备,因此类似于3D打印、PS等方法进行人脸伪照的方式将被识破,从而提高支付的安全性。其中,当第三终端为其他用户的移动终端时,则直接进行人脸采集即可;当第三终端为邻近店家的固定终端时,则指定用户需要前往邻近店家进行人脸采集。其中,所述获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像,是通过接收所述第一终端、第二终端和所述第三终端根据所述人脸图像获取请求而发送的第一人脸图像、第二人脸图像和第三人脸图像而实现的。获取人脸图像可采用任意可行方式,例如采用正面人脸图像采集、侧面人脸图像采集的方式。
如上述步骤S6所述,根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,并判断所述图像相似度值是否均大于预设的图像相似度阈值。其中图像相似度计算方法可为任意方法,例如采用逐个比对像素点的方式,将相同像素点的数量除于像素点的总数量的值作为图像相似度值;或者用区块划分的方法,将图像划分为多个区块,将多个区块的颜色数值设置为等于区块内所有像素点的平均值,再逐个比对区块,将相同区块的数量除于所有区块的数量的值作为图像相似度值。
如上述步骤S7所述,若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。若所述图像相似度值均大于预设的图像相似度阈值,则表明不仅三个终端采集的人脸图像均是相同的。并且由于第三终端的辅助识别,可以确定人脸图像是从自然人上采集得到的,因此杜绝了作伪的可能。据此,开放所述第一终端向所述第二终端进行支付的权限。
在一个实施方式中,所述获取所述第一终端的第一定位位置和所述第二终端的第二定位位置的步骤S2之前,包括:
S11、利用预设的第一信号发射器向所述第一终端发送第一测距请求,并利用预设的第二信号发射器向所述第一终端发送第二测距请求,并根据公式:T1=第一测距请求的传播时长-第二测距请求的传播时长,计算得到时间差T1;其中所述第一信号发射器和所述第二信号发射器在高度方向上重叠;
S12、利用预设的第一信号发射器向所述第二终端发送第三测距请求,并利用预设的第二信号发射器向所述第二终端发送第四测距请求,并根据公式:T2=第三测距请求的传播时长-第四测距请求的传播时长,计算得到时间差T2;
S13、判断所述时间差T1和所述时间差T2的差值是否小于预设的时间差阈值;
S14、若所述时间差T1和所述时间差T2的差值小于预设的时间差阈值,则生成定位位置获取指令,所述定位位置获取指令用于指示获取所述第一终端的第一定位位置和所述第二终端的第二定位位置。
如上所述,实现了生成定位位置获取指令。在某些情境下,例如在某栋大厦中,若消费者在一楼,而不法分子在十楼的相同位置进行伪造的人脸识别,由于普通的定位方法会忽视高度,因此会确定所述第一终端的第一定位位置和所述第二终端的第二定位位置相近,从而造成误判。因此,本申请还引进了高度上的判断以进一步保证支付的安全性。具体地,利用预设的第一信号发射器向所述第一终端发送第一测距请求,并利用预设的第二信号发射器向所述第一终端发送第二测距请求,并根据公式:T1=第一测距请求的传播时长-第二测距请求的传播时长,计算得到时间差T1;其中所述第一信号发射器和所述第二信号发射器在高度方向上重叠;利用预设的第一信号发射器向所述第二终端发送第三测距请求,并利用预设的第二信号发射器向所述第二终端发送第四测距请求,并根据公式:T2=第三测距请求的传播时长-第四测距请求的传播时长,计算得到时间差T2;若所述时间差T1和所述时间差T2的差值小于预设的时间差阈值,则表明所述第一终端的第一定位位置和所述第二终端的第二定位位置在高度上差别不大,因此可以进行后续的步骤,据此生成定位位置获取指令,所述定位位置获取指令用于指示获取所述第一终端的第一定位位置和所述第二终端的第二定位位置。其中,所述第一信号发射器和所述第二信号发射器在高度方向上重叠,例如为:在一个信号塔上,塔中央设置第一信号发射器,塔顶设置第二信号发射器。
在一个实施方式中,所述获取第三终端,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值的步骤S4,包括:
S401、获取与所述第一定位位置的距离小于预设的第二距离阈值的所有参考终端;
S402、判断所有参考终端的数量是否大于1;
S403、若所述参考终端的数量大于1,则从所有参考终端中选出使用时间最长的终端记为第三终端,并获取所述第三终端。
如上所述,实现了获取第三终端。由于第三终端是用来辅助增加支付安全性的终端,因此选择的第三终端的持有者越负责,则本次支付的安全性越高。而使用时间最长的终端为不法分子所持有的可能性最低,因此当所述参考终端的数量大于1时,即服务器可以有选择的余地之时,从所有参考终端中选出使用时间最长的终端记为第三终端,并获取所述第三终端,从而保证支付的安全性。
在一个实施方式中,所述根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值的步骤S6之前,包括:
S51、获取第一人脸图像的第一采集时间,获取第二人脸图像的第二采集时间,以及获取第三人脸图像的第三采集时间;
S52、根据预设的数值转换方法,将所述第一采集时间、第二采集时间和第三采集时间对应转换为第一采集时间数值、第二采集时间数值和第三采集时间数值;
S53、根据公式:M=MAX(第一采集时间数值,第二采集时间数值,第三采集时间数值)-MIN(第一采集时间数值,第二采集时间数值,第三采集时间数值),从而计算得到数值差M;
S54、判断所述数值差M是否小于预设的数值阈值;
S55、若所述数值差M小于预设的数值阈值,则生成相似度计算指令,所述相似度计算指令用于指示根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值。
如上所述,实现了生成相似度计算指令。本申请还引用了时效性以避免给伪造支付提供足够的时间,以保证支付的安全性。其中,预设的数值转换方法例如为,将时间A年B月C日转换为数值ABC,其中A、B、C可为多位数。再根据公式:M=MAX(第一采集时间数值,第二采集时间数值,第三采集时间数值)-MIN(第一采集时间数值,第二采集时间数值,第三采集时间数值),从而计算得到数值差M。其中数值差M即反映了三个人脸图像的采集时间的时间跨度,若所述数值差M小于预设的数值阈值,则表明可能是正常支付,据此生成相似度计算指令。从而进一步提高了支付的安全性。
在一个实施方式中,所述根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值的步骤S6,包括:
S601、采用第一相似度计算方法,计算所述第一人脸图像和所述第二人脸图像的图像相似度值,其中所述第一相似度计算方法以像素点作为最小计算单位;
S602、根据预设的区块划分方法,将所述第一人脸图像、第二人脸图像和第三人脸图像分别划分为多个区块,其中所述区块的颜色数值被设置为等于区块内所有像素点的平均值;
S603、采用第二相似度计算方法,计算所述第一人脸图像和所述第三人脸图像的图像相似度值,以及计算所述第二人脸图像和所述第三人脸图像的图像相似度值,其中所述第二相似度计算方法以所述区块为最小计算单位。
如上所述,实现了计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值。其中,由于第一相似度计算方法以像素点作为最小计算单位,而所述第二相似度计算方法以所述区块为最小计算单位,因此第二相似度计算方法需要的计算资源远小于第一相似度计算方法,并且计算速度也更快,但是因为第三终端采集的第三人脸图像作伪的可能性最低,因此采用计算负担更小的第二相似度计算方法,从而在不会明显降低准确性的前提下提高计算的效率。
在一个实施方式中,所述开放所述第一终端向所述第二终端进行支付的权限的步骤S7之前,包括:
S611、将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果;
S612、判断所述识别结果是否与所述指定用户相同;
S613、若所述识别结果与所述指定用户相同,则生成权限开放指令,所述权限开放指令用于指示开放所述第一终端向所述第二终端进行支付的权限。
如上所述,实现了采用人脸识别,以确定是否为指定用户的人脸图像,从而进一步提高支付安全性。本申请通过将所述第一人脸图像输入已训练好的基于神经网络的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果;判断所述识别结果是否与所述指定用户相同;若所述识别结果与所述指定用户相同,则生成权限开放指令的方式,防止例如采用相似自然人的伪造支付手段(即指定用户为A,自然人B长的与A很像,以自然人B替换指定用户A进行伪造支付)。其中神经网络结构可为任意模型,例如为VGG19模型、VGG-F模型、ResNet50模型、DPN131模型、Xception模型和AlexNet模型等。
在一个实施方式中,所述将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果的步骤S611之前,包括:
S6111、分别从不同类型的样本数据库中提取等量的样本数据,从而组成数据集,并将所述数据集划分为训练数据集和测试数据集,其中所述样本数据包括预先收集的用户以及所述用户的人脸图像;
S6112、将所述样本集中的样本数据输入预设的神经网络模型中训练,训练的过程中采用随机梯度下降法,从而得到暂时模型;
S6113、使用所述测试数据集中的样本数据对所述暂时模型进行验证,从而得到验证结果;
S6114、判断所述验证结果是否为验证通过;
S6115、若所述验证结果为验证通过,则将所述暂时模型记为所述人脸识别模型。
如上所述,实现了训练人脸识别模型。其中,神经网络模型可以为VGG19模型、VGG-F模型、ResNet50模型、DPN131模型、Xception模型和AlexNet模型等。并且采用分别从不同类型的样本数据库中提取等量的样本数据的方式,使得训练数据能够均匀覆盖所有类型的用户的人脸,从而使训练得到的人脸识别模型更加精准,更具鲁棒性。其中不同类型的样本数据库例如按年龄段划分,按性别划分,按职业划分等等。在训练前,将所述数据集划分为训练数据集和测试数据集,将所述样本集中的样本数据输入预设的神经网络模型中训练,训练的过程中采用随机梯度下降法,从而得到暂时模型;使用所述测试数据集中的样本数据对所述暂时模型进行验证,从而得到验证结果;判断所述验证结果是否为验证通过;若所述验证结果为验证通过,则将所述暂时模型记为所述人脸识别模型。其中,随机梯度下降法就是随机取样一些训练数据,替代整个训练数据集,可以提高训练速度。
本申请的基于人脸识别的支付方法,接收第二终端发送的支付接收请求;获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;计算所述第一定位位置与所述第二定位位置之间的第一距离;若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;获取指定用户的第一人脸图像,获取所述指定用户的第二人脸图像,以及获取所述指定用户的第三人脸图像;计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值;若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。从而利用了第三终端作为额外的判断依据,提高了支付的安全性。
参照图2,本申请实施例提供一种基于人脸识别的支付装置,包括:
请求接收单元10,用于接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端;
定位位置获取单元20,用于获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;
第一距离阈值判断单元30,用于计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值;
第三终端获取单元40,用于若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;
人脸图像获取单元50,用于向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像;
图像相似度计算单元60,用于根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,并判断所述图像相似度值是否均大于预设的图像相似度阈值;
权限开放单元70,用于若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。
其中上述单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
时间差T1计算单元,用于利用预设的第一信号发射器向所述第一终端发送第一测距请求,并利用预设的第二信号发射器向所述第一终端发送第二测距请求,并根据公式:T1=第一测距请求的传播时长-第二测距请求的传播时长,计算得到时间差T1;其中所述第一信号发射器和所述第二信号发射器在高度方向上重叠;
时间差T2计算单元,用于利用预设的第一信号发射器向所述第二终端发送第三测距请求,并利用预设的第二信号发射器向所述第二终端发送第四测距请求,并根据公式:T2=第三测距请求的传播时长-第四测距请求的传播时长,计算得到时间差T2;
时间差阈值判断单元,用于判断所述时间差T1和所述时间差T2的差值是否小于预设的时间差阈值;
定位位置获取指令生成单元,用于若所述时间差T1和所述时间差T2的差值小于预设的时间差阈值,则生成定位位置获取指令,所述定位位置获取指令用于指示获取所述第一终端的第一定位位置和所述第二终端的第二定位位置。
其中上述单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述第三终端获取单元40,包括:
参考终端获取子单元,用于获取与所述第一定位位置的距离小于预设的第二距离阈值的所有参考终端;
参考终端数量判断子单元,用于判断所有参考终端的数量是否大于1;
第三终端获取子单元,用于若所述参考终端的数量大于1,则从所有参考终端中选出使用时间最长的终端记为第三终端,并获取所述第三终端。
其中上述子单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
采集时间获取单元,用于获取第一人脸图像的第一采集时间,获取第二人脸图像的第二采集时间,以及获取第三人脸图像的第三采集时间;
采集时间数值获取单元,用于根据预设的数值转换方法,将所述第一采集时间、第二采集时间和第三采集时间对应转换为第一采集时间数值、第二采集时间数值和第三采集时间数值;
数值差M计算单元,用于根据公式:M=MAX(第一采集时间数值,第二采集时间数值,第三采集时间数值)-MIN(第一采集时间数值,第二采集时间数值,第三采集时间数值),从而计算得到数值差M;
数值差M判断单元,用于判断所述数值差M是否小于预设的数值阈值;
生成相似度计算指令单元,用于若所述数值差M小于预设的数值阈值,则生成相似度计算指令,所述相似度计算指令用于指示根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值。
其中上述单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述图像相似度计算单元60,包括:
第一相似度计算子单元,用于采用第一相似度计算方法,计算所述第一人脸图像和所述第二人脸图像的图像相似度值,其中所述第一相似度计算方法以像素点作为最小计算单位;
区块划分子单元,用于根据预设的区块划分方法,将所述第一人脸图像、第二人脸图像和第三人脸图像分别划分为多个区块,其中所述区块的颜色数值被设置为等于区块内所有像素点的平均值;
第二相似度计算子单元,用于采用第二相似度计算方法,计算所述第一人脸图像和所述第三人脸图像的图像相似度值,以及计算所述第二人脸图像和所述第三人脸图像的图像相似度值,其中所述第二相似度计算方法以所述区块为最小计算单位。
其中上述子单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
识别结果获取单元,用于将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果;
识别结果判断单元,用于判断所述识别结果是否与所述指定用户相同;
生成权限开放指令单元,用于若所述识别结果与所述指定用户相同,则生成权限开放指令,所述权限开放指令用于指示开放所述第一终端向所述第二终端进行支付的权限。
其中上述单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
在一个实施方式中,所述装置,包括:
数据集划分单元,用于分别从不同类型的样本数据库中提取等量的样本数据,从而组成数据集,并将所述数据集划分为训练数据集和测试数据集,其中所述样本数据包括预先收集的用户以及所述用户的人脸图像;
暂时模型获取单元,用于将所述样本集中的样本数据输入预设的神经网络模型中训练,训练的过程中采用随机梯度下降法,从而得到暂时模型;
验证结果获取单元,用于使用所述测试数据集中的样本数据对所述暂时模型进行验证,从而得到验证结果;
验证结果判断单元,用于判断所述验证结果是否为验证通过;
人脸识别模型标记单元,用于若所述验证结果为验证通过,则将所述暂时模型记为所述人脸识别模型。
其中上述单元分别用于执行的操作与前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
本申请的基于人脸识别的支付装置,接收第二终端发送的支付接收请求;获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;计算所述第一定位位置与所述第二定位位置之间的第一距离;若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;获取指定用户的第一人脸图像,获取所述指定用户的第二人脸图像,以及获取所述指定用户的第三人脸图像;计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值;若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。从而利用了第三终端作为额外的判断依据,提高了支付的安全性。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于人脸识别的支付方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人脸识别的支付方法。
上述处理器执行上述基于人脸识别的支付方法,其中所述方法包括的步骤分别与执行前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备,接收第二终端发送的支付接收请求;获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;计算所述第一定位位置与所述第二定位位置之间的第一距离;若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;获取指定用户的第一人脸图像,获取所述指定用户的第二人脸图像,以及获取所述指定用户的第三人脸图像;计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值;若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。从而利用了第三终端作为额外的判断依据,提高了支付的安全性。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现基于人脸识别的支付方法,其中所述方法包括的步骤分别与执行前述实施方式的基于人脸识别的支付方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质,接收第二终端发送的支付接收请求;获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;计算所述第一定位位置与所述第二定位位置之间的第一距离;若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;获取指定用户的第一人脸图像,获取所述指定用户的第二人脸图像,以及获取所述指定用户的第三人脸图像;计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值;若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限。从而利用了第三终端作为额外的判断依据,提高了支付的安全性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,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过程、装置、物品或者方法不仅包括那些要素,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过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于人脸识别的支付方法,其特征在于,包括:
接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端;
获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;
计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值;
若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;
向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像;
根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,包括:采用第一相似度计算方法,计算所述第一人脸图像和所述第二人脸图像的图像相似度值,其中所述第一相似度计算方法以像素点作为最小计算单位;根据预设的区块划分方法,将所述第一人脸图像、第二人脸图像和第三人脸图像分别划分为多个区块,其中所述区块的颜色数值被设置为等于区块内所有像素点的平均值;采用第二相似度计算方法,计算所述第一人脸图像和所述第三人脸图像的图像相似度值,以及计算所述第二人脸图像和所述第三人脸图像的图像相似度值,其中所述第二相似度计算方法以所述区块为最小计算单位;并判断所述图像相似度值是否均大于预设的图像相似度阈值;
若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限;
所述根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值的步骤之前,包括:
获取第一人脸图像的第一采集时间,获取第二人脸图像的第二采集时间,以及获取第三人脸图像的第三采集时间;
根据预设的数值转换方法,将所述第一采集时间、第二采集时间和第三采集时间对应转换为第一采集时间数值、第二采集时间数值和第三采集时间数值;
根据公式:M=MAX(第一采集时间数值,第二采集时间数值,第三采集时间数值)-MIN(第一采集时间数值,第二采集时间数值,第三采集时间数值),从而计算得到数值差M;
判断所述数值差M是否小于预设的数值阈值;
若所述数值差M小于预设的数值阈值,则生成相似度计算指令,所述相似度计算指令用于指示根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值。
2.根据权利要求1所述的基于人脸识别的支付方法,其特征在于,所述获取所述第一终端的第一定位位置和所述第二终端的第二定位位置的步骤之前,包括:
利用预设的第一信号发射器向所述第一终端发送第一测距请求,并利用预设的第二信号发射器向所述第一终端发送第二测距请求,并根据公式:T1=第一测距请求的传播时长-第二测距请求的传播时长,计算得到时间差T1;其中所述第一信号发射器和所述第二信号发射器在高度方向上重叠;
利用预设的第一信号发射器向所述第二终端发送第三测距请求,并利用预设的第二信号发射器向所述第二终端发送第四测距请求,并根据公式:T2=第三测距请求的传播时长-第四测距请求的传播时长,计算得到时间差T2;
判断所述时间差T1和所述时间差T2的差值是否小于预设的时间差阈值;
若所述时间差T1和所述时间差T2的差值小于预设的时间差阈值,则生成定位位置获取指令,所述定位位置获取指令用于指示获取所述第一终端的第一定位位置和所述第二终端的第二定位位置。
3.根据权利要求1所述的基于人脸识别的支付方法,其特征在于,所述获取第三终端,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值的步骤,包括:
获取与所述第一定位位置的距离小于预设的第二距离阈值的所有参考终端;
判断所有参考终端的数量是否大于1;
若所述参考终端的数量大于1,则从所有参考终端中选出使用时间最长的终端记为第三终端,并获取所述第三终端。
4.根据权利要求1所述的基于人脸识别的支付方法,其特征在于,所述开放所述第一终端向所述第二终端进行支付的权限的步骤之前,包括:
将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果;
判断所述识别结果是否与所述指定用户相对应;
若所述识别结果与所述指定用户相对应,则生成权限开放指令,所述权限开放指令用于指示开放所述第一终端向所述第二终端进行支付的权限。
5.根据权利要求4所述的基于人脸识别的支付方法,其特征在于,所述将所述第一人脸图像输入已训练好的基于神经网络结构的人脸识别模型中进行处理,从而得到所述人脸识别模型输出的识别结果的步骤之前,包括:
分别从不同类型的样本数据库中提取等量的样本数据,从而组成数据集,并将所述数据集划分为训练数据集和测试数据集,其中所述样本数据包括预先收集的用户以及所述用户的人脸图像;
将所述训练数据集中的样本数据输入预设的神经网络模型中训练,训练的过程中采用随机梯度下降法,从而得到暂时模型;
使用所述测试数据集中的样本数据对所述暂时模型进行验证,从而得到验证结果;
判断所述验证结果是否为验证通过;
若所述验证结果为验证通过,则将所述暂时模型记为所述人脸识别模型。
6.一种基于人脸识别的支付装置,其特征在于,包括:
请求接收单元,用于接收第二终端发送的支付接收请求,所述支付接收请求用于请求接收来自第一终端的支付,其中所述第一终端为移动终端;
定位位置获取单元,用于获取所述第一终端的第一定位位置和所述第二终端的第二定位位置;
第一距离阈值判断单元,用于计算所述第一定位位置与所述第二定位位置之间的第一距离,并判断所述第一距离是否大于预设的第一距离阈值;
第三终端获取单元,用于若所述第一距离不大于预设的第一距离阈值,则获取第三终端信息,其中所述第三终端的定位位置与所述第一定位位置之间的第二距离小于预设的第二距离阈值;
人脸图像获取单元,用于向所述第一终端、第二终端和所述第三终端分别发送人脸图像获取请求,并获取所述第一终端的预置摄像头采集的所述第一终端对应的指定用户的第一人脸图像,获取所述第二终端的预置摄像头采集的所述指定用户的第二人脸图像,以及获取第三终端的预置摄像头采集的所述指定用户的第三人脸图像;
图像相似度计算单元,用于根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值,包括:采用第一相似度计算方法,计算所述第一人脸图像和所述第二人脸图像的图像相似度值,其中所述第一相似度计算方法以像素点作为最小计算单位;根据预设的区块划分方法,将所述第一人脸图像、第二人脸图像和第三人脸图像分别划分为多个区块,其中所述区块的颜色数值被设置为等于区块内所有像素点的平均值;采用第二相似度计算方法,计算所述第一人脸图像和所述第三人脸图像的图像相似度值,以及计算所述第二人脸图像和所述第三人脸图像的图像相似度值,其中所述第二相似度计算方法以所述区块为最小计算单位;并判断所述图像相似度值是否均大于预设的图像相似度阈值;
权限开放单元,用于若所述图像相似度值均大于预设的图像相似度阈值,则开放所述第一终端向所述第二终端进行支付的权限;
所述根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值的步骤之前,包括:
获取第一人脸图像的第一采集时间,获取第二人脸图像的第二采集时间,以及获取第三人脸图像的第三采集时间;
根据预设的数值转换方法,将所述第一采集时间、第二采集时间和第三采集时间对应转换为第一采集时间数值、第二采集时间数值和第三采集时间数值;
根据公式:M=MAX(第一采集时间数值,第二采集时间数值,第三采集时间数值)-MIN(第一采集时间数值,第二采集时间数值,第三采集时间数值),从而计算得到数值差M;
判断所述数值差M是否小于预设的数值阈值;
若所述数值差M小于预设的数值阈值,则生成相似度计算指令,所述相似度计算指令用于指示根据预设的图像相似度计算方法,计算第一人脸图像、第二人脸图像和第三人脸图像三者之间的图像相似度值。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887184.0A CN110807630B (zh) | 2019-09-19 | 2019-09-19 | 基于人脸识别的支付方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910887184.0A CN110807630B (zh) | 2019-09-19 | 2019-09-19 | 基于人脸识别的支付方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807630A CN110807630A (zh) | 2020-02-18 |
CN110807630B true CN110807630B (zh) | 2022-06-17 |
Family
ID=69487677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910887184.0A Active CN110807630B (zh) | 2019-09-19 | 2019-09-19 | 基于人脸识别的支付方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807630B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476279A (zh) * | 2020-03-24 | 2020-07-31 | 平安银行股份有限公司 | 基于相似程度值的识别方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463589A (zh) * | 2014-12-25 | 2015-03-25 | 北京释码大华科技有限公司 | 一种支付认证方法、设备及系统 |
CN106228142A (zh) * | 2016-07-29 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络和贝叶斯决策的人脸验证方法 |
WO2017167214A1 (zh) * | 2016-03-31 | 2017-10-05 | 中国银联股份有限公司 | 一种移动支付终端和支付系统 |
CN110086629A (zh) * | 2019-04-23 | 2019-08-02 | 厦门快商通信息咨询有限公司 | 一种多距离声纹认证方法、终端、服务器及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106790054A (zh) * | 2016-12-20 | 2017-05-31 | 四川长虹电器股份有限公司 | 基于人脸识别和声纹识别的交互式认证系统及方法 |
-
2019
- 2019-09-19 CN CN201910887184.0A patent/CN110807630B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463589A (zh) * | 2014-12-25 | 2015-03-25 | 北京释码大华科技有限公司 | 一种支付认证方法、设备及系统 |
WO2017167214A1 (zh) * | 2016-03-31 | 2017-10-05 | 中国银联股份有限公司 | 一种移动支付终端和支付系统 |
CN106228142A (zh) * | 2016-07-29 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络和贝叶斯决策的人脸验证方法 |
CN110086629A (zh) * | 2019-04-23 | 2019-08-02 | 厦门快商通信息咨询有限公司 | 一种多距离声纹认证方法、终端、服务器及存储介质 |
Non-Patent Citations (1)
Title |
---|
人脸识别技术在银行业务应用的探究;沈清 等;《银行经营与管理 金融纵横》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110807630A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679861B (zh) | 资源转移方法、资金支付方法、装置及电子设备 | |
CN109191112B (zh) | 身份验证方法及装置 | |
CN109165940B (zh) | 一种防盗方法、装置及电子设备 | |
US20210166241A1 (en) | Methods, apparatuses, storage mediums and terminal devices for authentication | |
CN107945015B (zh) | 人机问答审核方法、装置、设备及计算机可读存储介质 | |
CN110489415B (zh) | 一种数据更新方法及相关设备 | |
CN108764239B (zh) | 发票验伪方法、装置、计算机设备及存储介质 | |
CN109544335B (zh) | 基于区块链的交易数据处理方法、装置、设备及存储介质 | |
CN113227764B (zh) | 用于基于网络的服务的物体验证 | |
CN110851872B (zh) | 针对隐私数据泄漏的风险评估方法及装置 | |
CN111275448A (zh) | 人脸数据处理方法、装置和计算机设备 | |
CN112464117A (zh) | 请求处理方法、装置、计算机设备和存储介质 | |
US11521208B2 (en) | System and method for authenticating transactions from a mobile device | |
CN109598519B (zh) | 车辆审核方法、装置、计算机设备和存储介质 | |
CN111489175B (zh) | 在线身份认证方法、装置、系统及存储介质 | |
CN110310018B (zh) | 车牌信息处理方法、装置、电子设备及存储介质 | |
CN110942528A (zh) | 一种签到方法、装置及系统 | |
CN110807630B (zh) | 基于人脸识别的支付方法、装置、计算机设备和存储介质 | |
CN114331692A (zh) | 一种基于社交关系的贷款黑中介预测方法及系统 | |
CN109214801B (zh) | 一种电子支付确认方法、装置和存储介质 | |
CN111340635A (zh) | 一种数据核查方法、设备、服务器及可读存储介质 | |
CN111192150A (zh) | 车辆出险代理业务的处理方法、装置、设备及存储介质 | |
CN113011962B (zh) | 资源分配方法及装置 | |
CN110874804B (zh) | 资源获取处理方法、装置和系统 | |
CN111259354A (zh) | 一种身份校验方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |