CN113409034A - 结合区块链支付的面部识别数据处理方法及大数据平台 - Google Patents
结合区块链支付的面部识别数据处理方法及大数据平台 Download PDFInfo
- Publication number
- CN113409034A CN113409034A CN202110554392.6A CN202110554392A CN113409034A CN 113409034 A CN113409034 A CN 113409034A CN 202110554392 A CN202110554392 A CN 202110554392A CN 113409034 A CN113409034 A CN 113409034A
- Authority
- CN
- China
- Prior art keywords
- payment
- payment verification
- identification data
- verification time
- time period
- 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.)
- Withdrawn
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
- G06Q20/04—Payment circuits
- G06Q20/06—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme
- G06Q20/065—Private payment circuits, e.g. involving electronic currency used among participants of a common payment scheme using e-cash
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Image Analysis (AREA)
Abstract
本申请是关于结合区块链支付的面部识别数据处理方法及大数据平台,能够对第三面部识别数据以及面部特征相关性矩阵进行分析,从而得到每个支付验证时段所对应的面部描述信息,进一步地实现对第三面部识别数据的相关性分析,并确定出目标第三面部识别数据,这样可以确保将可能存在关联的面部识别数据考虑在内,从而基于目标第三面部识别数据可靠地确定出当前支付验证结果。
Description
本申请是申请号为“CN202011285496.3”、申请日为“2020年11月17日”、名称为“基于区块链支付和面部识别的数据处理方法及大数据平台”的分案申请。
技术领域
本申请涉及区块链支付和面部识别技术领域,具体而言,涉及一种结合区块链支付的面部识别数据处理方法及大数据平台。
背景技术
区块链支付相较于传统的支付模式,能够确保每一笔支付不被篡改,进而保证支付方和收款方的权益。而随着云计算、大数据以及人工智能的快速发展,“刷脸”式支付已经逐渐步入人们的视线。刷脸支付相较于扫码支付和密码支付更加快速便捷。然而,在使用支付终端进行刷脸支付时,如何确保支付终端的信息安全以及避免支付终端的误动作是非常重要的。
发明内容
本申请的第一个方面公开了一种结合区块链支付的面部识别数据处理方法,包括:
获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据;其中,所述第一面部识别数据包括面部特征集合、环境特征噪声以及待处理人像标签,所述面部特征集合用于标识支付验证时段,所述环境特征噪声用于指示所述支付验证时段的识别准确度,所述待处理人像标签用于指示所述支付验证时段内的人像密集程度,N为大于1的整数;
基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单;其中,所述特征处理清单用于对第二面部识别数据进行噪声去除和特征匹配,所述特征处理清单与所述支付验证时段具有一一对应的关系;
采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据;其中,所述特征处理清单、所述第二面部识别数据以及所述第三面部识别数据具有一一对应的关系;
基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果;通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。
优选的,所述获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据,包括:
对所述N个支付验证时段内的所述每个支付验证时段进行支付热度分析,得到所述每个支付验证时段所对应的支付热度分析结果;
基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的待处理人像标签;
基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的支付行为数据;获取所述每个支付验证时段所对应的面部特征集合以及所述每个支付验证时段所对应的环境特征噪声;
基于所述每个支付验证时段所对应的待处理人像标签、所述每个支付验证时段所对应的支付行为数据、所述每个支付验证时段所对应的面部特征集合以及所述每个支付验证时段所对应的环境特征噪声,生成所述每个支付验证时段所对应的第一面部识别数据。
优选的,所述基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的待处理人像标签,包括:
针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在可检测的人像图像框,则将第一支付热度标签确定为待处理人像标签;其中,所述第一支付热度标签为与所述支付热度分析结果对应的静态标签;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内不存在可检测的人像图像框,则将第二支付热度标签确定为待处理人像标签;其中,所述第二支付热度标签为与所述支付热度分析结果对应的动态标签;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在可检测的非人像图像框,则将第三支付热度标签确定为待处理人像标签;其中,所述第三支付热度标签为与所述支付热度分析结果对应的可更新标签;
所述基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的支付行为数据,包括:
针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在具有支付操作行为记录的热度事件,则将第一操作行为数据确定为支付行为数据;其中,所述第一操作行为数据根据具有支付操作行为记录的热度事件得到;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在热度事件,且所述热度事件不具有支付操作行为记录,则将第二操作行为数据确定为支付行为数据;其中,所述第二操作行为数据根据不具有支付操作行为记录的热度事件对应的事件日志得到;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内不存在可检测的人像图像框,则将第三操作行为数据确定为支付行为数据;其中,所述第三操作行为数据根据所述支付热度分析结果对应的支付热度分布图对应的分布特征得到;
所述基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,包括:
针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内不存在可检测的人像图像框,则生成第一特征处理清单,其中,所述第一特征处理清单属于所述特征处理清单,所述第一特征处理清单用于对第二面部识别数据进行噪声去除;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在热度事件,且所述热度事件不具有支付操作行为记录,则生成所述第一特征处理清单;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在热度事件,且所述热度事件具有支付操作行为记录,则生成第二特征处理清单,其中,所述第二特征处理清单属于所述特征处理清单,所述第二特征处理清单用于对第二面部识别数据进行特征匹配;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在热度事件,且用于指示所述热度事件的支付操作行为记录的时序权重,则基于原始面部特征生成所述第一特征处理清单或所述第二特征处理清单;其中,所述原始面部特征基于区块链支付终端的后置摄像头所采集的图像确定。
优选的,
所述基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,包括:针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内不存在可检测的人像图像框,则生成第一特征处理清单,其中,所述第一特征处理清单属于所述特征处理清单,所述第一特征处理清单用于对第二面部识别数据进行噪声去除;针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在可检测的人脸图像框,则生成第二特征处理清单,其中,所述第二特征处理清单属于所述特征处理清单,所述第二特征处理清单用于对第二面部识别数据进行特征匹配;
或
所述基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,包括:基于所述每个支付验证时段所对应的第一面部识别数据,采用预设数据处理线程生成所述每个支付验证时段所对应的特征处理清单,其中,所述预设数据处理线程为行为特征处理线程、时序特征处理线程或基于人工智能的多维特征聚类线程;
其中,所述采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据,包括:
若所述预设数据处理线程为所述行为特征处理线程,则基于所述每个支付验证时段所对应的特征处理清单,采用所述行为特征处理线程对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据;
若所述预设数据处理线程为所述时序特征处理线程,则基于所述每个支付验证时段所对应的特征处理清单,采用所述时序特征处理线程对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据;
若所述预设数据处理线程为所述基于人工智能的多维特征聚类线程,则基于所述每个支付验证时段所对应的特征处理清单,采用所述基于人工智能的多维特征聚类线程对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据。
优选的,所述基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果,包括:
基于所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的面部特征相关性矩阵,其中,所述面部特征相关性矩阵为所述第三面部识别数据在预设相关性权重阈值下的面部特征相关性矩阵;
基于所述每个支付验证时段所对应的面部特征相关性矩阵,确定所述每个支付验证时段所对应的面部描述信息;
基于所述每个支付验证时段所对应的面部描述信息,确定所述每个支付验证时段所对应的面部识别误差分布,其中,所述面部识别误差分布为所述第三面部识别数据在预设相关性权重阈值下的动态误差;
基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的目标第三面部识别数据;
基于所述每个支付验证时段所对应的目标第三面部识别数据,确定所述每个支付验证时段所对应的当前支付验证结果;
其中,所述基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的目标第三面部识别数据,包括:基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的待处理第三面部识别数据;对所述每个支付验证时段所对应的待处理第三面部识别数据进行冗余数据剔除处理,得到所述每个支付验证时段所对应的目标第三面部识别数据;
其中,所述基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果,包括:
针对所述N个支付验证时段中的任意一个支付验证时段,若所述目标第三面部识别数据满足支付验证指标条件,则生成第一当前支付验证结果,其中,所述第一当前支付验证结果属于所述当前支付验证结果,所述第一当前支付验证结果表示所述目标第三面部识别数据为已授权面部数据;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述目标第三面部识别数据不满足支付验证指标条件,则生成第二当前支付验证结果,其中,所述第二当前支付验证结果属于所述当前支付验证结果,所述第二当前支付验证结果表示所述目标第三面部识别数据为未授权面部数据。
优选的,所述通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件,包括:
若所述当前支付验证结果为所述第一当前支付验证结果,获取针对所述已授权面部数据的第一数据更新轨迹和第二数据更新轨迹;其中,所述第二数据更新轨迹的更新时间步长小于所述第一数据更新轨迹的更新时间步长;
根据所述第二数据更新轨迹的轨迹节点特征确定所述已授权面部数据的周围场景图像数据,根据所述周围场景图像数据从所述第一数据更新轨迹中获取已授权面部数据的动态轨迹节点;
确定所述动态轨迹节点的节点传递信息与预设传递信息集合中的每个待匹配传递信息的匹配率;其中,所述预设传递信息集合包括多个待匹配传递信息,每个待匹配传递信息设置有传递安全系数,所述传递安全系数表示所述区块链支付终端处于权限接口开启状态或所述区块链支付终端处于权限接口关闭状态;
基于节点传递信息与每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取K个待匹配传递信息;其中,K为大于或者等于1的正整数;基于K个待匹配传递信息的传递安全系数,判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态;
在判断出所述区块链支付终端处于权限接口开启状态时,确定所述区块链支付终端接收到的访问请求清单,根据所述访问请求清单确定所述区块链支付终端的支付环境安全指标;提取所述支付环境安全指标中的每个指标维度信息对应的维度描述权重,将每个维度描述权重进行加权得到支付环境检测系数;在所述支付环境检测系数大于等于设定检测系数时,判定所述支付环境安全指标满足所述设定条件;在所述支付环境检测系数小于设定检测系数时,判定所述支付环境安全指标不满足所述设定条件;
其中,基于节点传递信息与每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取K个待匹配传递信息,包括:基于节点传递信息与所述预设传递信息集合中每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取匹配率最大的K个待匹配传递信息;
其中,所述基于K个待匹配传递信息的传递安全系数,判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,包括:若传递安全系数为第一目标系数或者第二目标系数,则基于K个待匹配传递信息的传递安全系数,统计出第一目标系数数量和第二目标系数数量;其中,所述第一目标系数表示所述区块链支付终端处于权限接口开启状态,所述第二目标系数表示所述区块链支付终端处于权限接口关闭状态;根据第一目标系数数量和第二目标系数数量判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,并根据第一目标系数数量和第二目标系数数量确定判断结果的置信权重;
其中,所述根据第一目标系数数量和第二目标系数数量判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,包括:若第一目标系数数量大于第二目标系数数量,则判定所述区块链支付终端处于权限接口开启状态;若第一目标系数数量小于第二目标系数数量,则判定所述区块链支付终端处于权限接口关闭状态。
优选的,所述方法还包括:
若所述当前支付验证结果为所述第二当前支付验证结果,则判定所述支付环境安全指标不满足所述设定条件。
优选的,若所述支付环境安全指标不满足所述设定条件,所述方法还包括:
检测所述区块链支付终端发送的支付请求;
在检测到所述支付请求时,拦截所述支付请求并向所述区块链支付终端发送提示信息;其中,所述提示信息用于提示所述区块链支付终端进行延迟支付。
本申请的第二个方面公开了一种大数据平台,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行第一个方面所述的方法。
本申请的第三个方面公开了一种计算机可读信号介质,其上存储有计算机程序,所述计算机程序在运行是实现第一个方面所述的方法。
相较于现有技术,本申请实施例提供的结合区块链支付的面部识别数据处理方法及大数据平台具有以下技术效果:首先获取不同的支付验证时段的第一面部识别数据,其次生成每个支付验证时段的特征处理清单,然后对每个支付验证时段所对应的第二面部识别数据进行处理得到每个支付验证时段所对应的第三面部识别数据,最后基于第三面部识别数据生成当前支付验证结果,这样能够通过当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。如此,通过对区块链支付终端识别到的面部识别数据进行多次分析和处理,能够有效过滤可能对支付验证产生干扰的识别数据,这样能够根据优化之后的面部识别数据实时精准地生成当前支付验证结果,有效减少外部环境对当前支付验证结果的影响,这样能够基于面部识别数据准确可靠地判断区块链支付终端是否存在信息泄露或者误支付的风险,从而保证刷脸支付的信息安全性。
在后面的描述中,将部分地陈述其他的特征。在检查后面内容和附图时,本领域的技术人员将部分地发现这些特征,或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面,当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本申请的一些实施例所示的一种示例性结合区块链支付的面部识别数据处理系统的框图。
图2是根据本申请的一些实施例所示的一种示例性大数据平台中硬件和软件组成的示意图。
图3是根据本申请的一些实施例所示的一种示例性结合区块链支付的面部识别数据处理方法和/或过程的流程图。
图4是根据本申请的一些实施例所示的一种示例性结合区块链支付的面部识别数据处理装置的框图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而,需要理解清楚的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当了解的是,这些图纸不是按比例绘制的。然而,应当明确理解的是,附图仅用于说明和描述的目的,并不意图限制本申请的范围。应当知晓的是,这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本申请的一些实施例所示的一种示例性结合区块链支付的面部识别数据处理系统300的框图,结合区块链支付的面部识别数据处理系统300可以包括大数据平台100和区块链支付终端200。
在一些实施例中,如图2所示,大数据平台100可以包括处理引擎110、网络模块120和存储器130,处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如,在一些实施例中,处理引擎110可以包括至少一个处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎110可以包括中央处理单元(Central ProcessingUnit,CPU)、专用集成电路(Application-Specific Integrated Circuit,ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor,ASIP)、图形处理单元(Graphics Processing Unit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field ProgrammableGate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer,RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中,网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例,网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网络(Wireless Local Area Network,WLAN)、城域网(Metropolitan Area Network,MAN)、公用电话交换网(Public Telephone SwitchedNetwork,PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication,NFC)网络等或上述举例的任意组合。在一些实施例中,网络模块120可以包括至少一个网络接入点。例如,网路120可以包括有线或无线网路接入点,如基站和/或网路接入点。
存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器130用于存储程序,所述处理引擎110在接收到执行指令后,执行所述程序。
可以理解,图2所示的结构仅为示意,大数据平台100还可包括比图2中所示更多或者更少的组件,或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本申请的一些实施例所示的一种示例性结合区块链支付的面部识别数据处理方法和/或过程的流程图,结合区块链支付的面部识别数据处理方法应用于图1中的大数据平台,具体可以包括以下步骤S11-步骤S14所描述的内容。
步骤S11,获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据。
例如,所述第一面部识别数据包括面部特征集合、环境特征噪声以及待处理人像标签,所述面部特征集合用于标识支付验证时段,所述环境特征噪声用于指示所述支付验证时段的识别准确度,所述待处理人像标签用于指示所述支付验证时段内的人像密集程度,N为大于1的整数。所述第一面部识别数据为区块链支付终端对应的面部识别数据。N个支付验证时段为当前验证时段之前(包括当前验证时段)的任一时段。
步骤S12,基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单。
例如,所述特征处理清单用于对第二面部识别数据进行噪声去除和特征匹配,所述特征处理清单与所述支付验证时段具有一一对应的关系。
步骤S13,采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据。
例如,所述特征处理清单、所述第二面部识别数据以及所述第三面部识别数据具有一一对应的关系。
步骤S14,基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果;通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。
例如,当前支付验证结果为区块链支付终端在当前时段准备进行支付之前的验证结果。支付环境安全指标用于判断区块链支付终端是否存在信息泄露或者误支付的风险。
在上述示例中,第一面部识别数据包含第二面部识别数据,第二面部识别数据包含第三面部识别数据。也即,通过对第一面部识别数据进行筛选,得到第二面部识别数据,然后对第二面部识别数据进行筛选得到第三面部识别数据。从而实现多层次的噪声去除,以精减面部识别数据。
为便于说明,下面以一完整示例对上述方案进行说明。
用户A欲通过区块链支付终端进行刷脸支付,大数据平台通过区块链支付终端获取第一面部识别数据(包括用户图像A、路人图像B和环境图像C),大数据平台通过对部分路人图像B以及全部环境图像C对应的识别数据进行剔除,从而得到精简的用户图像A+路人图像B1对应的第三面部识别数据,这样,可以基于第三面部数据数据准确可靠地判断区块链支付终端是否存在信息泄露或者误支付的风险,从而保证刷脸支付的信息安全性,从而确保用户A在刷脸支付时,其周围的路人不会进行用户A的刷脸图像盗取或者被区块链支付终端误识别。
在应用上述步骤S11-步骤S14所描述的内容时,首先获取不同的支付验证时段的第一面部识别数据,其次生成每个支付验证时段的特征处理清单,然后对每个支付验证时段所对应的第二面部识别数据进行处理得到每个支付验证时段所对应的第三面部识别数据,最后基于第三面部识别数据生成当前支付验证结果,这样能够通过当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。如此,通过对区块链支付终端识别到的面部识别数据进行多次分析和处理,能够有效过滤可能对支付验证产生干扰的识别数据,这样能够根据优化之后的面部识别数据实时精准地生成当前支付验证结果,有效减少外部环境对当前支付验证结果的影响,这样能够基于面部识别数据准确可靠地判断区块链支付终端是否存在信息泄露或者误支付的风险,从而保证刷脸支付的信息安全性。
在一些示例中,为了完整地获取第一面部识别数据,步骤S11所描述的获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据,示例性地可以包括以下步骤S111-114所描述的内容。
步骤S111,对所述N个支付验证时段内的所述每个支付验证时段进行支付热度分析,得到所述每个支付验证时段所对应的支付热度分析结果。
步骤S112,基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的待处理人像标签。
步骤S113,基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的支付行为数据;获取所述每个支付验证时段所对应的面部特征集合以及所述每个支付验证时段所对应的环境特征噪声。
步骤S114,基于所述每个支付验证时段所对应的待处理人像标签、所述每个支付验证时段所对应的支付行为数据、所述每个支付验证时段所对应的面部特征集合以及所述每个支付验证时段所对应的环境特征噪声,生成所述每个支付验证时段所对应的第一面部识别数据。
如此,通过应用上述步骤S111-步骤S114,能够对支付验证时段进行支付热度分析,从而将支付行为数据考虑在内,这样可以确保第一面部识别数据能够完整包含面部特征集合、环境特征噪声以及待处理人像标签,从而完整地确定出第一面部识别数据。
进一步地,步骤S112所描述的基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的待处理人像标签,可以包括以下步骤S1121-步骤S1123所描述的内容。
步骤S1121,针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在可检测的人像图像框,则将第一支付热度标签确定为待处理人像标签;其中,所述第一支付热度标签为与所述支付热度分析结果对应的静态标签。
步骤S1122,针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内不存在可检测的人像图像框,则将第二支付热度标签确定为待处理人像标签;其中,所述第二支付热度标签为与所述支付热度分析结果对应的动态标签。
步骤S1123,针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在可检测的非人像图像框,则将第三支付热度标签确定为待处理人像标签;其中,所述第三支付热度标签为与所述支付热度分析结果对应的可更新标签。
可以理解,在应用上述步骤S1121-步骤S1123所描述的内容时,能够基于支付热度分析结果所表征的可检测的人像图像框的存在与否,以及可检测的非人像图像框的存在与否,将不同的支付热度标签确定为待处理人像标签,如此,能够灵活地对待处理人像标签进行确定,避免因不同的环境场景而导致待处理人像标签出现缺失。
进一步地,在步骤S113中,基于所述每个支付验证时段所对应的支付热度分析结果确定所述每个支付验证时段所对应的支付行为数据,可以通过以下步骤S1131-步骤S1133所描述的内容实现。
步骤S1131,针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在具有支付操作行为记录的热度事件,则将第一操作行为数据确定为支付行为数据;其中,所述第一操作行为数据根据具有支付操作行为记录的热度事件得到。
步骤S1132,针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内存在热度事件,且所述热度事件不具有支付操作行为记录,则将第二操作行为数据确定为支付行为数据;其中,所述第二操作行为数据根据不具有支付操作行为记录的热度事件对应的事件日志得到。
步骤S1133,针对所述N个支付验证时段中的任意一个支付验证时段,若所述支付热度分析结果为支付验证时段内不存在可检测的人像图像框,则将第三操作行为数据确定为支付行为数据;其中,所述第三操作行为数据根据所述支付热度分析结果对应的支付热度分布图对应的分布特征得到。
如此,可以通过不同的操作行为数据确定支付行为数据,从而确保支付行为数据与实际支付环境的高度匹配。
在另一些示例中,步骤S12所描述的基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,示例性地可以通过以下步骤S121-步骤S124所描述的内容实现。
步骤S121,针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内不存在可检测的人像图像框,则生成第一特征处理清单,其中,所述第一特征处理清单属于所述特征处理清单,所述第一特征处理清单用于对第二面部识别数据进行噪声去除。
步骤S122,针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在热度事件,且所述热度事件不具有支付操作行为记录,则生成所述第一特征处理清单。
步骤S123,针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在热度事件,且所述热度事件具有支付操作行为记录,则生成第二特征处理清单,其中,所述第二特征处理清单属于所述特征处理清单,所述第二特征处理清单用于对第二面部识别数据进行特征匹配。
步骤S124,针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在热度事件,且用于指示所述热度事件的支付操作行为记录的时序权重,则基于原始面部特征生成所述第一特征处理清单或所述第二特征处理清单;其中,所述原始面部特征基于区块链支付终端的后置摄像头所采集的图像确定。
这样一来,基于上述步骤S121-步骤S124,能够分别根据可检测的人像图像框、热度事件及其是否具有支付操作行为记录确定出不同的特征处理清单,从而为后续进行面部识别数据筛分提供完整和多维度的筛分依据。
在一可选的实施方式中,步骤S12所描述的基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,还可以通过以下两种实施方式中的其中一种实现。
第一种实施方式,针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内不存在可检测的人像图像框,则生成第一特征处理清单,其中,所述第一特征处理清单属于所述特征处理清单,所述第一特征处理清单用于对第二面部识别数据进行噪声去除;针对所述N个支付验证时段中的任意一个支付验证时段,若所述待处理人像标签用于指示支付验证时段内存在可检测的人脸图像框,则生成第二特征处理清单,其中,所述第二特征处理清单属于所述特征处理清单,所述第二特征处理清单用于对第二面部识别数据进行特征匹配。或
第二实施方式,基于所述每个支付验证时段所对应的第一面部识别数据,采用预设数据处理线程生成所述每个支付验证时段所对应的特征处理清单,其中,所述预设数据处理线程为行为特征处理线程、时序特征处理线程或基于人工智能的多维特征聚类线程。
进一步地,为了对第二面部识别数据进行有效精简,在步骤S13中,采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据,可以通过以下步骤S131-步骤S133所描述的内容实现。
步骤S131,若所述预设数据处理线程为所述行为特征处理线程,则基于所述每个支付验证时段所对应的特征处理清单,采用所述行为特征处理线程对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据。
步骤S132,若所述预设数据处理线程为所述时序特征处理线程,则基于所述每个支付验证时段所对应的特征处理清单,采用所述时序特征处理线程对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据。
步骤S133,若所述预设数据处理线程为所述基于人工智能的多维特征聚类线程,则基于所述每个支付验证时段所对应的特征处理清单,采用所述基于人工智能的多维特征聚类线程对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据。
可以理解的是,上述的行为特征处理线程、时序特征处理线程以及基于人工智能的多维特征聚类线程能够通过不同的特征维度实现对第二面部识别数据的筛分。如此,在不同的使用场景下,可以灵活选取不同的处理线程来运行,这样能够对第二面部识别数据进行有效精简,确保第三面部识别数据的高识别度。
在具体实施时发明人发现,为了可靠地确定出当前支付验证结果,还需要对第三面部识别数据的数据相关性进行分析,从而将可能存在关联的面部识别数据考虑在内。为实现这一目的,步骤S14所描述的基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果,进一步可以包括以下步骤S141-步骤S145所描述的内容。
步骤S141,基于所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的面部特征相关性矩阵,其中,所述面部特征相关性矩阵为所述第三面部识别数据在预设相关性权重阈值下的面部特征相关性矩阵。
步骤S142,基于所述每个支付验证时段所对应的面部特征相关性矩阵,确定所述每个支付验证时段所对应的面部描述信息。
步骤S143,基于所述每个支付验证时段所对应的面部描述信息,确定所述每个支付验证时段所对应的面部识别误差分布,其中,所述面部识别误差分布为所述第三面部识别数据在预设相关性权重阈值下的动态误差。
步骤S144,基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的目标第三面部识别数据。
步骤S145,基于所述每个支付验证时段所对应的目标第三面部识别数据,确定所述每个支付验证时段所对应的当前支付验证结果。
如此设计,能够通过实施上述步骤S141-步骤S145对第三面部识别数据以及面部特征相关性矩阵进行分析,从而得到每个支付验证时段所对应的面部描述信息,进一步地实现对第三面部识别数据的相关性分析,并确定出目标第三面部识别数据,这样可以确保将可能存在关联的面部识别数据考虑在内,从而基于目标第三面部识别数据可靠地确定出当前支付验证结果。
进一步地,步骤S144所描述的基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的目标第三面部识别数据,进一步可以包括以下步骤所描述的内容:基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的待处理第三面部识别数据;对所述每个支付验证时段所对应的待处理第三面部识别数据进行冗余数据剔除处理,得到所述每个支付验证时段所对应的目标第三面部识别数据。
在上述基础上,步骤S14所描述的基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果,进一步可以包括以下步骤S14a和步骤S14b所描述的内容。
步骤S14a,针对所述N个支付验证时段中的任意一个支付验证时段,若所述目标第三面部识别数据满足支付验证指标条件,则生成第一当前支付验证结果,其中,所述第一当前支付验证结果属于所述当前支付验证结果,所述第一当前支付验证结果表示所述目标第三面部识别数据为已授权面部数据。
步骤S14b,针对所述N个支付验证时段中的任意一个支付验证时段,若所述目标第三面部识别数据不满足支付验证指标条件,则生成第二当前支付验证结果,其中,所述第二当前支付验证结果属于所述当前支付验证结果,所述第二当前支付验证结果表示所述目标第三面部识别数据为未授权面部数据。
这样一来,可以通过实施上述步骤S14a-步骤S14b以确定出不同的支付验证结果,从而基于不同的支付验证结果实现后续的支付安全性判断,确保支付安全性判断能够考虑不同的支付验证情况。
发明人在实际应用时发现,在对当前支付验证结果进行分析时,需要考虑已授权面部数据和未授权面部数据两种情况,并且这两种情况需要独立进行处理,从而确保对支付环境安全指标的可靠检测。为实现这一目的,步骤S14所描述的通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件,可以分为以下两个分支进行,第一个分支是当前支付验证结果为所述第一当前支付验证结果的情况,第二个分支是当前支付验证结果为所述第二当前支付验证结果的情况。
一方面,第一个分支对应的执行步骤如以下步骤S21-步骤S25所示。
步骤S21,若所述当前支付验证结果为所述第一当前支付验证结果,获取针对所述已授权面部数据的第一数据更新轨迹和第二数据更新轨迹;其中,所述第二数据更新轨迹的更新时间步长小于所述第一数据更新轨迹的更新时间步长。
步骤S22,根据所述第二数据更新轨迹的轨迹节点特征确定所述已授权面部数据的周围场景图像数据,根据所述周围场景图像数据从所述第一数据更新轨迹中获取已授权面部数据的动态轨迹节点。
步骤S23,确定所述动态轨迹节点的节点传递信息与预设传递信息集合中的每个待匹配传递信息的匹配率;其中,所述预设传递信息集合包括多个待匹配传递信息,每个待匹配传递信息设置有传递安全系数,所述传递安全系数表示所述区块链支付终端处于权限接口开启状态或所述区块链支付终端处于权限接口关闭状态。
步骤S24,基于节点传递信息与每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取K个待匹配传递信息;其中,K为大于或者等于1的正整数;基于K个待匹配传递信息的传递安全系数,判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态。
步骤S25,在判断出所述区块链支付终端处于权限接口开启状态时,确定所述区块链支付终端接收到的访问请求清单,根据所述访问请求清单确定所述区块链支付终端的支付环境安全指标;提取所述支付环境安全指标中的每个指标维度信息对应的维度描述权重,将每个维度描述权重进行加权得到支付环境检测系数;在所述支付环境检测系数大于等于设定检测系数时,判定所述支付环境安全指标满足所述设定条件;在所述支付环境检测系数小于设定检测系数时,判定所述支付环境安全指标不满足所述设定条件。
如此一来,通过执行上述步骤S21-步骤S25所描述的内容,能够对已授权面部数据的不同更新时间步长的数据更新轨迹进行分析,从而确定周围场景图像数据以及区块链支付终端的权限接口的开启或关闭,这样能够精准实时地计算支付环境检测系数,从而通过支付环境检测系数与设定检测系数的大小关系实现对支付环境安全指标的全局性分析和判断,从而准确可靠地判断区块链支付终端是否存在信息泄露或者误支付的风险,进而保证刷脸支付的信息安全性。
进一步地,步骤S24所描述的基于节点传递信息与每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取K个待匹配传递信息,可以包括以下步骤:基于节点传递信息与所述预设传递信息集合中每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取匹配率最大的K个待匹配传递信息。
进一步地,步骤S24所描述的基于K个待匹配传递信息的传递安全系数,判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,可以包括以下步骤:若传递安全系数为第一目标系数或者第二目标系数,则基于K个待匹配传递信息的传递安全系数,统计出第一目标系数数量和第二目标系数数量;其中,所述第一目标系数表示所述区块链支付终端处于权限接口开启状态,所述第二目标系数表示所述区块链支付终端处于权限接口关闭状态;根据第一目标系数数量和第二目标系数数量判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,并根据第一目标系数数量和第二目标系数数量确定判断结果的置信权重。
在上述基础上,步骤S24进一步所描述的根据第一目标系数数量和第二目标系数数量判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,包括:若第一目标系数数量大于第二目标系数数量,则判定所述区块链支付终端处于权限接口开启状态;若第一目标系数数量小于第二目标系数数量,则判定所述区块链支付终端处于权限接口关闭状态。
另一方面,第二个分支对应的执行步骤如以下步骤:若所述当前支付验证结果为所述第二当前支付验证结果,则判定所述支付环境安全指标不满足所述设定条件。
可以理解的是,在上述对支付环境安全指标的判断的基础上,若所述支付环境安全指标不满足所述设定条件,所述方法还包括以下步骤S15和步骤S16所描述的内容。
步骤S15,检测所述区块链支付终端发送的支付请求。
步骤S16,在检测到所述支付请求时,拦截所述支付请求并向所述区块链支付终端发送提示信息;其中,所述提示信息用于提示所述区块链支付终端进行延迟支付。
在实际应用时,通过执行上述步骤S15和步骤S16所描述的内容,能够在检测到区块链支付终端可能存在支付风险时对区块链支付终端发送的支付请求进行拦截,从而中断用户使用区块链支付终端进行刷脸支付,这样能够避免区块链支付终端存在信息泄露或者误支付的风险,从而保证刷脸支付的信息安全性。
在一个可替换的实施例中,在步骤S14所描述的基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果的步骤之后,还可以实施以下三种技术方案中的其中一种。
第一种技术方案,若存在M个支付验证时段所对应的当前支付验证结果均为第一当前支付验证结果,则基于所述M个支付验证时段中每个支付验证时段所对应的第三面部识别数据,从所述M个支付验证时段中确定至少一个目标支付验证时段,其中,所述第一当前支付验证结果表示所述第三面部识别数据为已授权面部数据,所述M个支付验证时段属于所述N个支付验证时段,M为大于或等于1,且小于或等于所述N的整数;将所述至少一个目标支付验证时段所对应的第三面部识别数据进行存储。如此,能够为后续训练用于进行面部识别的神经网络提供训练样本。
第二种技术方案,若存在M个支付验证时段所对应的当前支付验证结果均为第一当前支付验证结果,则基于所述M个支付验证时段中每个支付验证时段所对应的第三面部识别数据,从所述M个支付验证时段中确定至少一个目标支付验证时段,其中,所述第一当前支付验证结果表示所述第三面部识别数据为已授权面部数据,所述M个支付验证时段属于所述N个支付验证时段,M为大于或等于1,且小于或等于所述N的整数;针对所述每个目标支付验证时段,对所述目标支付验证时段所对应的第三面部识别数据进行识别权重提取,得到识别权重提取结果;基于所述每个目标支付验证时段所对应的识别权重提取结果,生成目标支付验证时段所对应的第三面部识别数据的识别调整系数。如此,能够实现对应的识别线程的调整。
第三种技术方案,若存在M个支付验证时段所对应的当前支付验证结果均为第一当前支付验证结果,则基于所述M个支付验证时段中每个支付验证时段所对应的第三面部识别数据,从所述M个支付验证时段中确定至少一个目标支付验证时段,其中,所述第一当前支付验证结果表示所述第三面部识别数据为已授权面部数据,所述M个支付验证时段属于所述N个支付验证时段,M为大于或等于1,且小于或等于所述N的整数;针对所述每个目标支付验证时段,对所述目标支付验证时段所对应的第三面部识别数据进行面部图像质量分析,得到图像质量分析结果;针对所述每个目标支付验证时段,对所述目标支付验证时段所对应的图像质量分析结果进行质量指标提取,得到质量指标提取结果;基于所述每个目标支付验证时段所对应的质量指标提取结果,生成面部识别修正数据,其中,所述面部识别修正数据包括用于对前置摄像头和后置摄像头进行拍摄参数的校正。如此,通过对前置摄像头和后置摄像头进行拍摄参数进行校正,能够不断优化刷脸支付时的面部识别准确率,避免误支付。
图4是根据本申请的一些实施例所示的一种示例性结合区块链支付的面部识别数据处理装置140的框图,所述结合区块链支付的面部识别数据处理装置140可以包括以下功能模块。
数据获取模块141,用于获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据,其中,所述第一面部识别数据包括面部特征集合、环境特征噪声以及待处理人像标签,所述面部特征集合用于标识支付验证时段,所述环境特征噪声用于指示所述支付验证时段的识别准确度,所述待处理人像标签用于指示所述支付验证时段内的人像密集程度,N为大于1的整数。
清单生成模块142,用于基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,其中,所述特征处理清单用于对第二面部识别数据进行噪声去除和特征匹配,所述特征处理清单与所述支付验证时段具有一一对应的关系。
数据处理模块143,用于采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据,其中,所述特征处理清单、所述第二面部识别数据以及所述第三面部识别数据具有一一对应的关系。
支付检测模块144,用于基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果;通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。
关于上述装置实施例的描述请参阅对图3所示的方法实施例的描述。
基于上述同样的发明构思,还提供了与图3所示的方法实施例对应的系统实施例,示例性的描述可以如下。
A1.一种结合区块链支付的面部识别数据处理系统,包括互相之间通信的大数据平台和区块链支付终端;其中,所述区块链支付终端用于:
获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据,其中,所述第一面部识别数据包括面部特征集合、环境特征噪声以及待处理人像标签,所述面部特征集合用于标识支付验证时段,所述环境特征噪声用于指示所述支付验证时段的识别准确度,所述待处理人像标签用于指示所述支付验证时段内的人像密集程度,N为大于1的整数;
基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单,其中,所述特征处理清单用于对第二面部识别数据进行噪声去除和特征匹配,所述特征处理清单与所述支付验证时段具有一一对应的关系;
采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据,其中,所述特征处理清单、所述第二面部识别数据以及所述第三面部识别数据具有一一对应的关系;
基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果;通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外,本领域普通技术人员可以理解的是,本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外,本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python等,或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL 2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网络(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件装置实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或行动装置上安装所描述的系统。
同样应当理解的是,为了简化本申请揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (7)
1.一种结合区块链支付的面部识别数据处理方法,其特征在于,包括:
基于每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的面部特征相关性矩阵,其中,所述面部特征相关性矩阵为所述第三面部识别数据在预设相关性权重阈值下的面部特征相关性矩阵;
基于所述每个支付验证时段所对应的面部特征相关性矩阵,确定所述每个支付验证时段所对应的面部描述信息;
基于所述每个支付验证时段所对应的面部描述信息,确定所述每个支付验证时段所对应的面部识别误差分布,其中,所述面部识别误差分布为所述第三面部识别数据在预设相关性权重阈值下的动态误差;
基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的目标第三面部识别数据;
基于所述每个支付验证时段所对应的目标第三面部识别数据,确定所述每个支付验证时段所对应的当前支付验证结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的目标第三面部识别数据,包括:
基于所述每个支付验证时段所对应的面部识别误差分布以及所述每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的待处理第三面部识别数据;
对所述每个支付验证时段所对应的待处理第三面部识别数据进行冗余数据剔除处理,得到所述每个支付验证时段所对应的目标第三面部识别数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述每个支付验证时段所对应的第三面部识别数据,生成当前支付验证结果,包括:
针对所述N个支付验证时段中的任意一个支付验证时段,若所述目标第三面部识别数据满足支付验证指标条件,则生成第一当前支付验证结果,其中,所述第一当前支付验证结果属于所述当前支付验证结果,所述第一当前支付验证结果表示所述目标第三面部识别数据为已授权面部数据;
针对所述N个支付验证时段中的任意一个支付验证时段,若所述目标第三面部识别数据不满足支付验证指标条件,则生成第二当前支付验证结果,其中,所述第二当前支付验证结果属于所述当前支付验证结果,所述第二当前支付验证结果表示所述目标第三面部识别数据为未授权面部数据。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件。
5.根据权利要求4所述的方法,其特征在于,所述通过所述当前支付验证结果确定区块链支付终端的支付环境安全指标是否满足设定条件,包括:
若所述当前支付验证结果为所述第一当前支付验证结果,获取针对所述已授权面部数据的第一数据更新轨迹和第二数据更新轨迹;其中,所述第二数据更新轨迹的更新时间步长小于所述第一数据更新轨迹的更新时间步长;
根据所述第二数据更新轨迹的轨迹节点特征确定所述已授权面部数据的周围场景图像数据,根据所述周围场景图像数据从所述第一数据更新轨迹中获取已授权面部数据的动态轨迹节点;
确定所述动态轨迹节点的节点传递信息与预设传递信息集合中的每个待匹配传递信息的匹配率;其中,所述预设传递信息集合包括多个待匹配传递信息,每个待匹配传递信息设置有传递安全系数,所述传递安全系数表示所述区块链支付终端处于权限接口开启状态或所述区块链支付终端处于权限接口关闭状态;
基于节点传递信息与每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取K个待匹配传递信息;其中,K为大于或者等于1的正整数;基于K个待匹配传递信息的传递安全系数,判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态;
在判断出所述区块链支付终端处于权限接口开启状态时,确定所述区块链支付终端接收到的访问请求清单,根据所述访问请求清单确定所述区块链支付终端的支付环境安全指标;提取所述支付环境安全指标中的每个指标维度信息对应的维度描述权重,将每个维度描述权重进行加权得到支付环境检测系数;在所述支付环境检测系数大于等于设定检测系数时,判定所述支付环境安全指标满足所述设定条件;在所述支付环境检测系数小于设定检测系数时,判定所述支付环境安全指标不满足所述设定条件;
其中,基于节点传递信息与每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取K个待匹配传递信息,包括:基于节点传递信息与所述预设传递信息集合中每个待匹配传递信息的匹配率,从所述预设传递信息集合中选取匹配率最大的K个待匹配传递信息;
其中,所述基于K个待匹配传递信息的传递安全系数,判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,包括:若传递安全系数为第一目标系数或者第二目标系数,则基于K个待匹配传递信息的传递安全系数,统计出第一目标系数数量和第二目标系数数量;其中,所述第一目标系数表示所述区块链支付终端处于权限接口开启状态,所述第二目标系数表示所述区块链支付终端处于权限接口关闭状态;根据第一目标系数数量和第二目标系数数量判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,并根据第一目标系数数量和第二目标系数数量确定判断结果的置信权重;
其中,所述根据第一目标系数数量和第二目标系数数量判断所述区块链支付终端处于权限接口开启状态还是处于权限接口关闭状态,包括:若第一目标系数数量大于第二目标系数数量,则判定所述区块链支付终端处于权限接口开启状态;若第一目标系数数量小于第二目标系数数量,则判定所述区块链支付终端处于权限接口关闭状态。
6.根据权利要求1所述的方法,其特征在于,在基于每个支付验证时段所对应的第三面部识别数据,确定所述每个支付验证时段所对应的面部特征相关性矩阵的步骤之前,所述方法还包括:
获取N个支付验证时段内每个支付验证时段所对应的第一面部识别数据;其中,所述第一面部识别数据包括面部特征集合、环境特征噪声以及待处理人像标签,所述面部特征集合用于标识支付验证时段,所述环境特征噪声用于指示所述支付验证时段的识别准确度,所述待处理人像标签用于指示所述支付验证时段内的人像密集程度,N为大于1的整数;
基于所述每个支付验证时段所对应的第一面部识别数据,生成所述每个支付验证时段所对应的特征处理清单;其中,所述特征处理清单用于对第二面部识别数据进行噪声去除和特征匹配,所述特征处理清单与所述支付验证时段具有一一对应的关系;
采用所述每个支付验证时段所对应的特征处理清单,对所述每个支付验证时段所对应的第二面部识别数据进行处理,得到所述每个支付验证时段所对应的第三面部识别数据;其中,所述特征处理清单、所述第二面部识别数据以及所述第三面部识别数据具有一一对应的关系。
7.一种大数据平台,其特征在于,包括处理引擎、网络模块和存储器;所述处理引擎和所述存储器通过所述网络模块通信,所述处理引擎从所述存储器中读取计算机程序并运行,以执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554392.6A CN113409034A (zh) | 2020-11-17 | 2020-11-17 | 结合区块链支付的面部识别数据处理方法及大数据平台 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110554392.6A CN113409034A (zh) | 2020-11-17 | 2020-11-17 | 结合区块链支付的面部识别数据处理方法及大数据平台 |
CN202011285496.3A CN112330312B (zh) | 2020-11-17 | 2020-11-17 | 基于区块链支付和面部识别的数据处理方法及大数据平台 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011285496.3A Division CN112330312B (zh) | 2020-11-17 | 2020-11-17 | 基于区块链支付和面部识别的数据处理方法及大数据平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113409034A true CN113409034A (zh) | 2021-09-17 |
Family
ID=74320864
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554392.6A Withdrawn CN113409034A (zh) | 2020-11-17 | 2020-11-17 | 结合区块链支付的面部识别数据处理方法及大数据平台 |
CN202110554393.0A Withdrawn CN113409035A (zh) | 2020-11-17 | 2020-11-17 | 应用于区块链支付的面部识别分析方法及大数据平台 |
CN202011285496.3A Active CN112330312B (zh) | 2020-11-17 | 2020-11-17 | 基于区块链支付和面部识别的数据处理方法及大数据平台 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110554393.0A Withdrawn CN113409035A (zh) | 2020-11-17 | 2020-11-17 | 应用于区块链支付的面部识别分析方法及大数据平台 |
CN202011285496.3A Active CN112330312B (zh) | 2020-11-17 | 2020-11-17 | 基于区块链支付和面部识别的数据处理方法及大数据平台 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN113409034A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818400B (zh) * | 2021-02-18 | 2022-05-03 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私保护的生物识别方法、装置及设备 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10380588B2 (en) * | 2014-05-13 | 2019-08-13 | Mastercard International Incorporated | Passive cardholder verification method in mobile device |
JP6395678B2 (ja) * | 2014-08-14 | 2018-09-26 | エヌエイチエヌ ペイコ コーポレーション | 統合機能を有するカードを利用した決済サービス方法とシステム、および記録媒体 |
CN105844460A (zh) * | 2015-01-13 | 2016-08-10 | 顾泽苍 | 一种手机刷脸支付系统的构成 |
CN104574088B (zh) * | 2015-02-04 | 2018-10-19 | 华为技术有限公司 | 支付认证的方法和装置 |
CN105184561A (zh) * | 2015-08-24 | 2015-12-23 | 小米科技有限责任公司 | 安全支付的方法及装置 |
CN106056379A (zh) * | 2016-05-25 | 2016-10-26 | 努比亚技术有限公司 | 一种支付终端及支付数据处理方法 |
CN107491965B (zh) * | 2017-07-31 | 2020-07-10 | 阿里巴巴集团控股有限公司 | 一种生物特征库的建立方法和装置 |
CN107798530B (zh) * | 2017-08-09 | 2021-09-14 | 中国银联股份有限公司 | 一种支付系统以及支付方法 |
US10719832B1 (en) * | 2018-01-12 | 2020-07-21 | Wells Fargo Bank, N.A. | Fraud prevention tool |
CN108491806A (zh) * | 2018-03-28 | 2018-09-04 | 成都信达智胜科技有限公司 | 一种快速人脸识别方法 |
CN111210589A (zh) * | 2018-11-22 | 2020-05-29 | 北京搜狗科技发展有限公司 | 一种实现报警的方法及装置 |
CN109711850B (zh) * | 2018-12-29 | 2023-12-08 | 努比亚技术有限公司 | 一种安全支付方法、设备及计算机可读存储介质 |
CN110619300A (zh) * | 2019-09-14 | 2019-12-27 | 韶关市启之信息技术有限公司 | 一种多人脸同时识别的纠正方法 |
CN111125772B (zh) * | 2019-12-31 | 2022-06-03 | 中国银行股份有限公司 | 动态设置安全策略方法及装置、移动设备 |
-
2020
- 2020-11-17 CN CN202110554392.6A patent/CN113409034A/zh not_active Withdrawn
- 2020-11-17 CN CN202110554393.0A patent/CN113409035A/zh not_active Withdrawn
- 2020-11-17 CN CN202011285496.3A patent/CN112330312B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113409035A (zh) | 2021-09-17 |
CN112330312A (zh) | 2021-02-05 |
CN112330312B (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652615B (zh) | 基于区块链大数据的安全识别方法及人工智能云服务平台 | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN112860484A (zh) | 容器运行时异常行为检测、模型训练方法及相关装置 | |
CN112005532B (zh) | 用于对可执行文件进行分类的方法、系统和存储介质 | |
CN112487495B (zh) | 基于大数据和云计算的数据处理方法及大数据服务器 | |
CN112214781B (zh) | 一种基于区块链的遥感影像大数据处理方法及系统 | |
CN112330312B (zh) | 基于区块链支付和面部识别的数据处理方法及大数据平台 | |
CN115687732A (zh) | 基于ai和流式计算的用户分析方法及系统 | |
CN113689291B (zh) | 基于异常移动的反欺诈识别方法及系统 | |
CN112686667A (zh) | 基于大数据和区块链的数据处理方法及云服务平台 | |
CN112528306A (zh) | 基于大数据和人工智能的数据访问方法及云计算服务器 | |
US10922569B2 (en) | Method and apparatus for detecting model reliability | |
CN112929385B (zh) | 基于大数据和通信服务的通信信息处理方法及云计算平台 | |
KR102247179B1 (ko) | 이상행위탐지모델의 비지도 학습을 위한 xai 기반 정상학습데이터 생성방법 및 장치 | |
Jiang et al. | Detecting portable executable malware by binary code using an artificial evolutionary fuzzy LSTM immune system | |
CN113409014A (zh) | 基于人工智能的大数据业务处理方法及人工智能服务器 | |
CN112465503B (zh) | 基于互联网金融和生物识别的信息安全防护方法及云平台 | |
CN113988483B (zh) | 风险操作行为的管控及其模型的训练方法及电子设备 | |
CN110213341B (zh) | 应用程序的下载检测方法及装置 | |
CN112613878A (zh) | 基于大数据和区块链支付的信息检测方法及大数据服务器 | |
CN117953257A (zh) | 生成对抗模型的训练方法、对抗图像生成方法及设备 | |
CN115459952A (zh) | 攻击检测方法、电子设备和计算机可读存储介质 | |
CN117670358A (zh) | 业务信息的验证方法、装置、存储介质以及电子设备 | |
CN110334511A (zh) | 一种基于虚拟化的安卓恶意程序检测方法 | |
CN116628637A (zh) | 非授权软件识别方法、装置、电子设备、介质及产品 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210917 |
|
WW01 | Invention patent application withdrawn after publication |