CN113496393A - 一种基于区块链的离线支付金融系统及方法 - Google Patents
一种基于区块链的离线支付金融系统及方法 Download PDFInfo
- Publication number
- CN113496393A CN113496393A CN202110027319.3A CN202110027319A CN113496393A CN 113496393 A CN113496393 A CN 113496393A CN 202110027319 A CN202110027319 A CN 202110027319A CN 113496393 A CN113496393 A CN 113496393A
- Authority
- CN
- China
- Prior art keywords
- user
- payment
- picture
- user face
- communication end
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 123
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000001815 facial effect Effects 0.000 claims description 83
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000014509 gene expression Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 230000003014 reinforcing effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06Q20/08—Payment architectures
- G06Q20/10—Payment architectures specially adapted for electronic funds transfer [EFT] systems; specially adapted for home banking systems
-
- 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
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种基于区块链的离线支付金融系统及方法，包括当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，通过建立离线状态近距离通信，接收支付数据和收款账户信息，完成离线状态下交易账单的处理，同时将账单信息、收款账户信息、付款账户信息上传至区块链系统，完成离线状态下的移动支付，保障了移动支付在无网络情况的正常进行。
Description
技术领域
本发明涉及移动支付领域，具体为一种基于区块链的离线支付金融系统及方法。
背景技术
目前，随着互联网的飞速发展，移动支付以简单的操作方式快速风靡支付市场，不仅打破传统的支付模式，更是给金融业、服务业等各领域带来了翻天覆地的变化。越来越多的单位和个人通过移动终端、互联网等方式直接或间接向银行金融机构发送支付指令产生货币支付与资金转移行为，从而实现了无现金生活、办公的快速便捷。
但是，目前市面上绝大多数的移动支付多采用在线支付的方式完成，无法满足无网络状态下的支付交易，而且无网络状态下经常会造成支付失败、重复支付、支付信息无法匹配等情况的发生，给用户造成了诸多不便。
并且，现在的用户在交易前需要通过验证身份信息来完成实名认证，使用面部识别，就可以做到当事人的身份证明文件和真实身份统一，从而大大增加金融服务系统的可靠性。然而现有的面部识别系统在用户配合、采集条件比较理想的情况下可以取得令人满意的结果。但是，在用户不配合、采集条件不理想的情况下，现有系统的识别率将陡然下降。比如，面部比对时，与系统中存储的面部有出入，例如剃了胡子、换了发型、多了眼镜、变了表情以及系统采集的用户面部不够清晰都有可能引起比对失败。
发明内容
为实现以上目的，本发明通过以下技术方案予以实现：一种基于区块链的离线支付金融系统，包括收款通信端、付款通信端和交易信息区块链储存模块，
当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，所述收款通信端依据所述支付结果和所述付款账户信息生成账单信息，并将所述账单信息发送至所述付款通信端；
当所述收款通信端或所述付款通信端一个或两个上线时，处于在线状态的所述收款通信端或所述付款通信端将所述账单信息、所述付款账户信息和所述收款账户信息上传至交易信息区块链储存模块。
通过建立离线状态近距离通信，接收支付数据和收款账户信息，完成离线状态下交易账单的处理，同时将账单信息、收款账户信息、付款账户信息上传至区块链系统，完成离线状态下的移动支付，保障了移动支付在无网络情况的正常进行，简单、便捷、易操作，不仅解决了移动支付的历史难题，更给用户的便捷生活提供了安全保障，避免了支付失败、重复支付的情况发生。
进一步地，当所述付款通信端或所述收款通信端首次使用时，通过预设的实名认证界面获取用户上传的实名认证信息，完成实名认证，具体如下：
获取用户实名认证信息中的身份证信息并识别用户的面部图片，当该用户身份证信息与该用户的面部图片相匹配时，完成实名认证；当该用户身份证信息与该用户的面部图片不相匹配时，实名认证失败。
进一步地，所述识别用户的面部图片，具体如下：
输入用户面部图片，采用用户one-stage面部目标检测模型对输入的用户面部图片进行面部目标检测标出用户面部边界；基于优化的学会学习从自然图片质量评价任务中学习人眼视觉系统评价图片质量的先验信息，所述基于优化的学会学习适用于基于随机梯度下降优化的用户面部图片模型结构，其所用的自然图片质量评价任务数据库作为学会学习的学习任务库来学习人眼视觉系统评价图片质量的先验信息；所述模型结构包括用户面部图片卷积神经模型和用户面部图片全连接层，对用户面部图片卷积神经模型的输出进行全局平均池化计算得到第一全连接层，增加第二全连接层生成用户面部图片深度回归模型的输出；对于输入的用户面部图片，将用户面部图片输入用户面部图片深度回归模型得到预估的用户面部图片质量分数；采用平均欧几里得度量作为代价函数来优化预算用户面部图片质量分数与真实值之间的差距；采用双层增量梯度下降算法对用户面部图片深度回归模型进行优化，并使用自适应矩估计算法对用户面部图片深度回归模型参数进行优化；学习到质量先验模型后，再使用少量用户面部图样对质量先验模型做进一步训练优化，获得最终的用户面部图片可识别度评估模型；将标出用户面部边界的面部图片输入最终的用户面部图片可识别度评估模型，输出得到可识别用户面部图片；基于数据驱动策略建立用户遮盖面部图片分类模型，采用用户无遮盖面部图片识别数据库和用户遮盖目标检测数据库，学习面部识别模型，将可识别用户面部图片输入学习后的面部识别模型并获取用户面部特征，采用林智仁向量机工具包中基于高斯核的支持向量机分类器对获取的用户面部特征进行分类，分别输出可识别用户无遮盖面部与遮盖面部；将输出的用户可辨识无遮盖面部和遮盖面部分别对应输入无遮盖面部识别器和遮盖面部识别器进行识别，所述遮盖面部识别器为基于修复思想的遮盖面部识别模型。
通过采用基于学习的学会学习来学习自然图片质量评价任务获得人眼视觉系统评价图片的先验信息，这样可以降低对影响面部可辨识度的亮度、对比度和清晰度的失真，而且，基于学习的学会学习能够适用于任何基于增量梯度下降优化的用户面部图片模型结构。同时，通过采用双层增量梯度下降算法对用户面部图片深度回归模型进行学习，并使用自适应矩估计算法对用户面部图片深度回归模型参数进行学习，这样能获得更好的学习不同任务之间的泛化能力。
同时，在识别用户的面部图片前，将用户的面部图片转化成清楚的用户的面部图片，具体如下：
构建用户面部图片数据库，所述用户面部图片数据库包含若干数量的用户面部图片成对数据，即高解析度用户面部图片和对应的低解析度用户面部图片；将所述用户面部图片数据库中的用户面部图片对进行切块，得到用户面部图片切块；分批次将得到的用户面部图片切块输入到用户包含卷积计算且具有深度结构的前馈神经网络中，用户包含卷积计算且具有深度结构的前馈神经网络又包括用户全局时间循环神经网络和用户局部加强神经网络，即将用户面部图片切块分别输入到用户全局时间循环神经网络和用户局部加强神经网络进行特征获取；在用户全局时间循环神经网络中，利用初始化摺积将低解析度用户面部图片切块从用户面部图片空间对应到用户面部特征空间，获得初始用户面部特征，再通过若干个密集残差模块提取用户面部特征，将不同残差模块的输出收集起来，通过递归模块建模不同阶段和空间区域之间的相互对应关系，从初始用户面部特征中学习得到用户面部全局轮廓特征；在用户局部加强神经网络中，通过制指定尺寸的用户取样器对输入图片进行取样，得到多个低解析度用户面部图片切块，为了获得合适的用户面部图片切块，并保持一定的局部结构，选用原始输入尺寸1/i大小的用户取样器对输入图片进行无重样取样，得到i个低解析度用户面部图片切块；利用若干个多途径残差处理来提取用户局部面部特征，通过整合不同途径和阶段的用户面部特征信息，学习低解析度到高解析度用户面部图片局部切块之间的对应关系，得到基于用户面部局部切块的特征表达；将得到的用户面部局部切块的特征表达输入到上取样层，利用亚像素摺积将这些用户面部局部切块的特征表达进行编译重排列，对应到用户全局面部空间，得到与原始输入面部解析度大小的特征对应图，即用户整体面部的局部特征；利用若干个摺积对得到的用户面部全局轮廓特征和用户整体面部的局部特征进行整合，并将整合后的特征输入到上取样层，利用亚像素摺积进行超解析度用户面部图片的构建，实现用户面部特征的全局和局部共同表达，并对应到原始的用户面部图片空间，输出对应的用户残差用户面部图片，将回归得到的用户残差面部图片与低解析度用户面部图片的插值信息进行累加，输出得到清楚的用户面部图片。
进一步地，通过最小化输出得到的清楚的用户面部图片和原始高解析度用户面部图片的余弦相似度，优化提出的用户双途径深度整合网络，实现将低解析度用户面部图片转化成高解析度用户面部图片；所述优化具体为：使用基于超分代价函数来限制网络生成的清楚的用户面部图片尽可能逼近原始的高解析度用户面部图片，实现双途径深度整合的用户面部图片构建的优化。
通过采用循环摺积和残差密集网络来联合学习用户全局面部特征的长程依赖关系，辅助用户面部全局轮廓的建模；同时加设的用户局部加强神经网络，学习低解析度用户面部局部切块到高解析度用户面部局部切块之间的对应关系，用于加强对用户局部面部特征，特别是面部五官特征的建模；而且，通过联合用户面部全局轮廓特征和用户整体面部的局部特征，可实现全局和局部的面部特征的共同表示，得到清楚的的用户面部图片；最后，通过对全局和局部用户面部特征的共同表达，能够有效抽取和整合全局和局部特征，使得对于用户面部特征的建模更准确，转化效果更好。
优选的，所述收款通信端与所述付款通信端之间采用5G网络的D2D或NFC进行通信。
一种基于区块链的离线支付方法，包括以下步骤：
当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，所述收款通信端依据所述支付结果和所述付款账户信息生成账单信息，并将所述账单信息发送至所述付款通信端；
当所述收款通信端或所述付款通信端一个或两个上线时，处于在线状态的所述收款通信端或所述付款通信端将所述账单信息、所述付款账户信息和所述收款账户信息上传至交易信息区块链储存模块。
本发明提供了一种基于区块链的离线支付金融系统及方法。具备以下有益效果：
1、通过建立离线状态近距离通信，接收支付数据和收款账户信息，完成离线状态下交易账单的处理，同时将账单信息、收款账户信息、付款账户信息上传至区块链系统，完成离线状态下的移动支付，保障了移动支付在无网络情况的正常进行，简单、便捷、易操作，不仅解决了移动支付的历史难题，更给用户的便捷生活提供了安全保障，避免了支付失败、重复支付的情况发生。通过采用基于学习的学会学习来学习自然图片质量评价任务获得人眼视觉系统评价图片的先验信息，这样可以降低对影响面部可辨识度的亮度、对比度和清晰度的失真，而且，基于学习的学会学习能够适用于任何基于增量梯度下降优化的用户面部图片模型结构。
2、同时，通过采用双层增量梯度下降算法对用户面部图片深度回归模型进行学习，并使用自适应矩估计算法对用户面部图片深度回归模型参数进行学习，这样能获得更好的学习不同任务之间的泛化能力。
3、通过采用循环摺积和残差密集网络来联合学习用户全局面部特征的长程依赖关系，辅助用户面部全局轮廓的建模；同时加设的用户局部加强神经网络，学习低解析度用户面部局部切块到高解析度用户面部局部切块之间的对应关系，用于加强对用户局部面部特征，特别是面部五官特征的建模；而且，通过联合用户面部全局轮廓特征和用户整体面部的局部特征，可实现全局和局部的面部特征的共同表示，得到清楚的的用户面部图片；最后，通过对全局和局部用户面部特征的共同表达，能够有效抽取和整合全局和局部特征，使得对于用户面部特征的建模更准确，转化效果更好。
附图说明
图1为本发明的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参阅图1，一种基于区块链的离线支付金融系统，包括收款通信端、付款通信端和交易信息区块链储存模块。
当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，所述收款通信端依据所述支付结果和所述付款账户信息生成账单信息，并将所述账单信息发送至所述付款通信端；
当所述收款通信端或所述付款通信端一个或两个上线时，处于在线状态的所述收款通信端或所述付款通信端将所述账单信息、所述付款账户信息和所述收款账户信息上传至交易信息区块链储存模块。
通过建立离线状态近距离通信，接收支付数据和收款账户信息，完成离线状态下交易账单的处理，同时将账单信息、收款账户信息、付款账户信息上传至区块链系统，完成离线状态下的移动支付，保障了移动支付在无网络情况的正常进行，简单、便捷、易操作，不仅解决了移动支付的历史难题，更给用户的便捷生活提供了安全保障，避免了支付失败、重复支付的情况发生。
当所述付款通信端或所述收款通信端首次使用时，通过预设的实名认证界面获取用户上传的实名认证信息，完成实名认证，具体如下：
获取用户实名认证信息中的身份证信息并识别用户的面部图片，当该用户身份证信息与该用户的面部图片相匹配时，完成实名认证；当该用户身份证信息与该用户的面部图片不相匹配时，实名认证失败。
所述识别用户的面部图片，具体如下：
输入用户面部图片，采用用户one-stage面部目标检测模型对输入的用户面部图片进行面部目标检测标出用户面部边界；基于优化的学会学习从自然图片质量评价任务中学习人眼视觉系统评价图片质量的先验信息，所述基于优化的学会学习适用于基于随机梯度下降优化的用户面部图片模型结构，其所用的自然图片质量评价任务数据库作为学会学习的学习任务库来学习人眼视觉系统评价图片质量的先验信息；所述模型结构包括用户面部图片卷积神经模型和用户面部图片全连接层，对用户面部图片卷积神经模型的输出进行全局平均池化计算得到第一全连接层，增加第二全连接层生成用户面部图片深度回归模型的输出；对于输入的用户面部图片，将用户面部图片输入用户面部图片深度回归模型得到预估的用户面部图片质量分数；采用平均欧几里得度量作为代价函数来优化预算用户面部图片质量分数与真实值之间的差距；采用双层增量梯度下降算法对用户面部图片深度回归模型进行优化，并使用自适应矩估计算法对用户面部图片深度回归模型参数进行优化；学习到质量先验模型后，再使用少量用户面部图样对质量先验模型做进一步训练优化，获得最终的用户面部图片可识别度评估模型；将标出用户面部边界的面部图片输入最终的用户面部图片可识别度评估模型，输出得到可识别用户面部图片；基于数据驱动策略建立用户遮盖面部图片分类模型，采用用户无遮盖面部图片识别数据库和用户遮盖目标检测数据库，学习面部识别模型(该面部识别模型为现有的面部识别模型)，将可识别用户面部图片输入学习后的面部识别模型并获取用户面部特征，采用林智仁向量机工具包中基于高斯核的支持向量机分类器对获取的用户面部特征进行分类，分别输出可识别用户无遮盖面部与遮盖面部；将输出的用户可辨识无遮盖面部和遮盖面部分别对应输入无遮盖面部识别器和遮盖面部识别器进行识别，所述遮盖面部识别器为基于修复思想的遮盖面部识别模型。
通过采用基于学习的学会学习来学习自然图片质量评价任务获得人眼视觉系统评价图片的先验信息，这样可以降低对影响面部可辨识度的亮度、对比度和清晰度的失真，而且，基于学习的学会学习能够适用于任何基于增量梯度下降优化的用户面部图片模型结构。同时，通过采用双层增量梯度下降算法对用户面部图片深度回归模型进行学习，并使用自适应矩估计算法对用户面部图片深度回归模型参数进行学习，这样能获得更好的学习不同任务之间的泛化能力。
同时，在识别用户的面部图片前，将用户的面部图片转化成清楚的用户的面部图片，具体如下：
构建用户面部图片数据库，所述用户面部图片数据库包含若干数量的用户面部图片成对数据，即高解析度用户面部图片和对应的低解析度用户面部图片；将所述用户面部图片数据库中的用户面部图片对进行切块，得到用户面部图片切块；分批次将得到的用户面部图片切块输入到用户包含卷积计算且具有深度结构的前馈神经网络中，用户包含卷积计算且具有深度结构的前馈神经网络又包括用户全局时间循环神经网络和用户局部加强神经网络，即将用户面部图片切块分别输入到用户全局时间循环神经网络和用户局部加强神经网络进行特征获取；在用户全局时间循环神经网络中，利用初始化摺积将低解析度用户面部图片切块从用户面部图片空间对应到用户面部特征空间，获得初始用户面部特征，再通过若干个密集残差模块提取用户面部特征，将不同残差模块的输出收集起来，通过递归模块建模不同阶段和空间区域之间的相互对应关系，从初始用户面部特征中学习得到用户面部全局轮廓特征；在用户局部加强神经网络中，通过制指定尺寸的用户取样器对输入图片进行取样，得到多个低解析度用户面部图片切块，为了获得合适的用户面部图片切块，并保持一定的局部结构，选用原始输入尺寸1/i大小的用户取样器对输入图片进行无重样取样，得到i个低解析度用户面部图片切块；利用若干个多途径残差处理来提取用户局部面部特征，通过整合不同途径和阶段的用户面部特征信息，学习低解析度到高解析度用户面部图片局部切块之间的对应关系，得到基于用户面部局部切块的特征表达；将得到的用户面部局部切块的特征表达输入到上取样层，利用亚像素摺积将这些用户面部局部切块的特征表达进行编译重排列，对应到用户全局面部空间，得到与原始输入面部解析度大小的特征对应图，即用户整体面部的局部特征；然后，利用若干个摺积对得到的用户面部全局轮廓特征和用户整体面部的局部特征进行整合，并将整合后的特征输入到上取样层，利用亚像素摺积进行超解析度用户面部图片的构建，实现用户面部特征的全局和局部共同表达，并对应到原始的用户面部图片空间，输出对应的用户残差用户面部图片，将回归得到的用户残差面部图片与低解析度用户面部图片的插值信息进行累加，输出得到清楚的用户面部图片。通过最小化输出得到的清楚的用户面部图片和原始高解析度用户面部图片的余弦相似度，优化提出的用户双途径深度整合网络，实现将低解析度用户面部图片转化成高解析度用户面部图片；所述优化具体为：使用基于超分代价函数来限制网络生成的清楚的用户面部图片尽可能逼近原始的高解析度用户面部图片，实现双途径深度整合的用户面部图片构建的优化。
通过采用循环摺积和残差密集网络来联合学习用户全局面部特征的长程依赖关系，辅助用户面部全局轮廓的建模；同时加设的用户局部加强神经网络，学习低解析度用户面部局部切块到高解析度用户面部局部切块之间的对应关系，用于加强对用户局部面部特征，特别是面部五官特征的建模；而且，通过联合用户面部全局轮廓特征和用户整体面部的局部特征，可实现全局和局部的面部特征的共同表示，得到清楚的的用户面部图片；最后，通过对全局和局部用户面部特征的共同表达，能够有效抽取和整合全局和局部特征，使得对于用户面部特征的建模更准确，转化效果更好。
所述收款通信端与所述付款通信端之间采用5G网络的D2D或NFC进行通信。
一种基于区块链的离线支付方法，包括当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，所述收款通信端依据所述支付结果和所述付款账户信息生成账单信息，并将所述账单信息发送至所述付款通信端；
当所述收款通信端或所述付款通信端一个或两个上线时，处于在线状态的所述收款通信端或所述付款通信端将所述账单信息、所述付款账户信息和所述收款账户信息上传至交易信息区块链储存模块。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于区块链的离线支付金融系统，其特征在于：包括收款通信端、付款通信端和交易信息区块链储存模块；
当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，所述收款通信端依据所述支付结果和所述付款账户信息生成账单信息，并将所述账单信息发送至所述付款通信端；
当所述收款通信端或所述付款通信端一个或两个上线时，处于在线状态的所述收款通信端或所述付款通信端将所述账单信息、所述付款账户信息和所述收款账户信息上传至交易信息区块链储存模块。
2.根据权利要求1所述一种基于区块链的离线支付金融系统，其特征在于，当所述付款通信端或所述收款通信端首次使用时，通过预设的实名认证界面获取用户上传的实名认证信息，完成实名认证，具体如下：
获取用户实名认证信息中的身份证信息并识别用户的面部图片，当该用户身份证信息与该用户的面部图片相匹配时，完成实名认证；当该用户身份证信息与该用户的面部图片不相匹配时，实名认证失败。
3.根据权利要求2所述的一种基于区块链的离线支付金融系统，其特征在于：所述识别用户的面部图片，具体如下：
输入用户面部图片，采用用户面部目标检测模型对输入的用户面部图片进行面部目标检测标出用户面部边界；基于优化的学会学习从自然图片质量评价任务中学习人眼视觉系统评价图片质量的先验信息，所述基于优化的学会学习适用于基于随机梯度下降优化的用户面部图片模型结构，其所用的自然图片质量评价任务数据库作为学会学习的学习任务库来学习人眼视觉系统评价图片质量的先验信息；所述模型结构包括用户面部图片卷积神经模型和用户面部图片全连接层，对用户面部图片卷积神经模型的输出进行全局平均池化计算得到第一全连接层，增加第二全连接层生成用户面部图片深度回归模型的输出；对于输入的用户面部图片，将用户面部图片输入用户面部图片深度回归模型得到预估的用户面部图片质量分数；采用平均欧几里得度量作为代价函数来优化预算用户面部图片质量分数与真实值之间的差距；采用双层增量梯度下降算法对用户面部图片深度回归模型进行优化，并使用自适应矩估计算法对用户面部图片深度回归模型参数进行优化；学习到质量先验模型后，再使用少量用户面部图样对质量先验模型做进一步训练优化，获得最终的用户面部图片可识别度评估模型；将标出用户面部边界的面部图片输入最终的用户面部图片可识别度评估模型，输出得到可识别用户面部图片；基于数据驱动策略建立用户遮盖面部图片分类模型，采用用户无遮盖面部图片识别数据库和用户遮盖目标检测数据库，学习面部识别模型，将可识别用户面部图片输入学习后的面部识别模型并获取用户面部特征，采用林智仁向量机工具包中基于高斯核的支持向量机分类器对获取的用户面部特征进行分类，分别输出可识别用户无遮盖面部与遮盖面部；将输出的用户可辨识无遮盖面部和遮盖面部分别对应输入无遮盖面部识别器和遮盖面部识别器进行识别，所述遮盖面部识别器为基于修复思想的遮盖面部识别模型。
4.根据权利要求2所述一种基于区块链的离线支付金融系统，其特征在于：在识别用户的面部图片前，将用户的面部图片转化成清楚的用户的面部图片，具体如下：
构建用户面部图片数据库，所述用户面部图片数据库包含若干数量的用户面部图片成对数据，即高解析度用户面部图片和对应的低解析度用户面部图片；将所述用户面部图片数据库中的用户面部图片对进行切块，得到用户面部图片切块；分批次将得到的用户面部图片切块输入到用户包含卷积计算且具有深度结构的前馈神经网络中，用户包含卷积计算且具有深度结构的前馈神经网络又包括用户全局时间循环神经网络和用户局部加强神经网络，即将用户面部图片切块分别输入到用户全局时间循环神经网络和用户局部加强神经网络进行特征获取；在用户全局时间循环神经网络中，利用初始化摺积将低解析度用户面部图片切块从用户面部图片空间对应到用户面部特征空间，获得初始用户面部特征，再通过若干个密集残差模块提取用户面部特征，将不同残差模块的输出收集起来，通过递归模块建模不同阶段和空间区域之间的相互对应关系，从初始用户面部特征中学习得到用户面部全局轮廓特征；在用户局部加强神经网络中，通过制指定尺寸的用户取样器对输入图片进行取样，得到多个低解析度用户面部图片切块，为了获得合适的用户面部图片切块，并保持一定的局部结构，选用原始输入尺寸1/i大小的用户取样器对输入图片进行无重样取样，得到i个低解析度用户面部图片切块；利用若干个多途径残差处理来提取用户局部面部特征，通过整合不同途径和阶段的用户面部特征信息，学习低解析度到高解析度用户面部图片局部切块之间的对应关系，得到基于用户面部局部切块的特征表达；将得到的用户面部局部切块的特征表达输入到上取样层，利用亚像素摺积将这些用户面部局部切块的特征表达进行编译重排列，对应到用户全局面部空间，得到与原始输入面部解析度大小的特征对应图，即用户整体面部的局部特征；利用若干个摺积对得到的用户面部全局轮廓特征和用户整体面部的局部特征进行整合，并将整合后的特征输入到上取样层，利用亚像素摺积进行超解析度用户面部图片的构建，实现用户面部特征的全局和局部共同表达，并对应到原始的用户面部图片空间，输出对应的用户残差用户面部图片，将回归得到的用户残差面部图片与低解析度用户面部图片的插值信息进行累加，输出得到清楚的用户面部图片。
5.根据权利要求4所述的一种基于区块链的离线支付金融系统，其特征在于：通过最小化输出得到的清楚的用户面部图片和原始高解析度用户面部图片的余弦相似度，优化提出的用户双途径深度整合网络，实现将低解析度用户面部图片转化成高解析度用户面部图片；所述优化具体为：使用基于超分代价函数来限制网络生成的清楚的用户面部图片尽可能逼近原始的高解析度用户面部图片，实现双途径深度整合的用户面部图片构建的优化。
6.根据权利要求1所述的一种基于区块链的离线支付金融系统，其特征在于，所述收款通信端与所述付款通信端之间采用5G网络的D2D或NFC进行通信。
7.一种基于区块链的离线支付方法，其特征在于，包括以下步骤：
当收款通信端或付款通信端中一个或两个离线时，所述收款通信端与所述付款通信端建立连接并进行通信，所述付款通信端接收所述收款通信端发送的支付数据和收款账户信息，所述付款通信端依据所述支付数据和所述收款账户信息验证交易信息，所述付款通信端依据所述交易信息验证结论完成支付处理并将支付结果和付款账户信息反馈至所述收款通信端，所述收款通信端依据所述支付结果和所述付款账户信息生成账单信息，并将所述账单信息发送至所述付款通信端；
当所述收款通信端或所述付款通信端一个或两个上线时，处于在线状态的所述收款通信端或所述付款通信端将所述账单信息、所述付款账户信息和所述收款账户信息上传至交易信息区块链储存模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110027319.3A CN113496393A (zh) | 2021-01-09 | 2021-01-09 | 一种基于区块链的离线支付金融系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110027319.3A CN113496393A (zh) | 2021-01-09 | 2021-01-09 | 一种基于区块链的离线支付金融系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113496393A true CN113496393A (zh) | 2021-10-12 |
Family
ID=77995005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110027319.3A Pending CN113496393A (zh) | 2021-01-09 | 2021-01-09 | 一种基于区块链的离线支付金融系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113496393A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100714112B1 (ko) * | 2005-12-09 | 2007-05-02 | 한국전자통신연구원 | 얼굴 인식 인증 방법 및 장치 |
| US20130236068A1 (en) * | 2012-03-12 | 2013-09-12 | Kave Eshghi | Calculating facial image similarity |
| CN104078022A (zh) * | 2014-07-17 | 2014-10-01 | 深圳市华星光电技术有限公司 | 具有自我补偿功能的栅极驱动电路 |
| CN104537374A (zh) * | 2015-01-21 | 2015-04-22 | 杭州电子科技大学 | 一种使用全局与局部强度距离衡量的头脸部区域提取方法 |
| CN105205892A (zh) * | 2015-10-08 | 2015-12-30 | 广东欧珀移动通信有限公司 | 门禁控制方法及系统 |
| CN105225630A (zh) * | 2014-06-13 | 2016-01-06 | 乐金显示有限公司 | 扫描驱动器和使用扫描驱动器的显示装置 |
| CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
| CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
| CN106548165A (zh) * | 2016-11-28 | 2017-03-29 | 中通服公众信息产业股份有限公司 | 一种基于图像分块加权的卷积神经网络的人脸识别方法 |
| CN109472588A (zh) * | 2018-10-29 | 2019-03-15 | 平安科技（深圳）有限公司 | 一种基于区块链的离线支付方法、装置、设备和存储介质 |
| CN109684913A (zh) * | 2018-11-09 | 2019-04-26 | 长沙小钴科技有限公司 | 一种基于社区发现聚类的视频人脸标注方法和系统 |
| CN109935269A (zh) * | 2018-05-31 | 2019-06-25 | 京东方科技集团股份有限公司 | 移位寄存器单元及其驱动方法、栅极驱动电路及显示装置 |
| CN110443189A (zh) * | 2019-07-31 | 2019-11-12 | 厦门大学 | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 |
| KR102098375B1 (ko) * | 2018-11-15 | 2020-04-08 | 충남대학교산학협력단 | Ｊｐｅｇ 압축 이미지의 해상도 증가 시스템 및 그 방법 |
| CN111080688A (zh) * | 2019-12-25 | 2020-04-28 | 左一帆 | 一种基于深度卷积神经网络的深度图增强方法 |
| CN111178130A (zh) * | 2019-11-25 | 2020-05-19 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的人脸识别方法、系统和可读存储介质 |
| CN111784899A (zh) * | 2020-06-17 | 2020-10-16 | 深圳南亿科技股份有限公司 | 一种楼宇对讲系统及其门禁控制方法 |
| CN111932365A (zh) * | 2020-08-11 | 2020-11-13 | 武汉谦屹达管理咨询有限公司 | 一种基于区块链的金融征信系统及方法 |
| CN112419984A (zh) * | 2019-08-22 | 2021-02-26 | 三星显示有限公司 | 级和具有级的扫描驱动器 |
| CN113763620A (zh) * | 2021-09-14 | 2021-12-07 | 孟琦 | 组合门禁、用于控制组合门禁的方法及装置、存储介质 |
-
2021
- 2021-01-09 CN CN202110027319.3A patent/CN113496393A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100714112B1 (ko) * | 2005-12-09 | 2007-05-02 | 한국전자통신연구원 | 얼굴 인식 인증 방법 및 장치 |
| US20130236068A1 (en) * | 2012-03-12 | 2013-09-12 | Kave Eshghi | Calculating facial image similarity |
| CN105225630A (zh) * | 2014-06-13 | 2016-01-06 | 乐金显示有限公司 | 扫描驱动器和使用扫描驱动器的显示装置 |
| CN104078022A (zh) * | 2014-07-17 | 2014-10-01 | 深圳市华星光电技术有限公司 | 具有自我补偿功能的栅极驱动电路 |
| CN104537374A (zh) * | 2015-01-21 | 2015-04-22 | 杭州电子科技大学 | 一种使用全局与局部强度距离衡量的头脸部区域提取方法 |
| CN105205892A (zh) * | 2015-10-08 | 2015-12-30 | 广东欧珀移动通信有限公司 | 门禁控制方法及系统 |
| CN106446862A (zh) * | 2016-10-11 | 2017-02-22 | 厦门美图之家科技有限公司 | 一种人脸检测方法及系统 |
| CN106529447A (zh) * | 2016-11-03 | 2017-03-22 | 河北工业大学 | 一种小样本人脸识别方法 |
| CN106548165A (zh) * | 2016-11-28 | 2017-03-29 | 中通服公众信息产业股份有限公司 | 一种基于图像分块加权的卷积神经网络的人脸识别方法 |
| CN109935269A (zh) * | 2018-05-31 | 2019-06-25 | 京东方科技集团股份有限公司 | 移位寄存器单元及其驱动方法、栅极驱动电路及显示装置 |
| CN109472588A (zh) * | 2018-10-29 | 2019-03-15 | 平安科技（深圳）有限公司 | 一种基于区块链的离线支付方法、装置、设备和存储介质 |
| CN109684913A (zh) * | 2018-11-09 | 2019-04-26 | 长沙小钴科技有限公司 | 一种基于社区发现聚类的视频人脸标注方法和系统 |
| KR102098375B1 (ko) * | 2018-11-15 | 2020-04-08 | 충남대학교산학협력단 | Ｊｐｅｇ 압축 이미지의 해상도 증가 시스템 및 그 방법 |
| CN110443189A (zh) * | 2019-07-31 | 2019-11-12 | 厦门大学 | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 |
| CN112419984A (zh) * | 2019-08-22 | 2021-02-26 | 三星显示有限公司 | 级和具有级的扫描驱动器 |
| CN111178130A (zh) * | 2019-11-25 | 2020-05-19 | 重庆特斯联智慧科技股份有限公司 | 一种基于深度学习的人脸识别方法、系统和可读存储介质 |
| CN111080688A (zh) * | 2019-12-25 | 2020-04-28 | 左一帆 | 一种基于深度卷积神经网络的深度图增强方法 |
| CN111784899A (zh) * | 2020-06-17 | 2020-10-16 | 深圳南亿科技股份有限公司 | 一种楼宇对讲系统及其门禁控制方法 |
| CN111932365A (zh) * | 2020-08-11 | 2020-11-13 | 武汉谦屹达管理咨询有限公司 | 一种基于区块链的金融征信系统及方法 |
| CN113763620A (zh) * | 2021-09-14 | 2021-12-07 | 孟琦 | 组合门禁、用于控制组合门禁的方法及装置、存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 付俊妮;: "基于局部先验约束的极低分辨率面部表情识别", 电子设计工程, no. 09, 5 May 2019 (2019-05-05) * |
| 周海军: "基于人脸识别的舰船人员出入管理系统", 电子世界, 15 October 2020 (2020-10-15), pages 201 - 203 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107818313B (zh) | 活体识别方法、装置和存储介质 | |
| Nguyen et al. | Deep learning methods for credit card fraud detection | |
| Tan et al. | Fingerprint matching by genetic algorithms | |
| CN100568264C (zh) | 印章鉴别控制方法 | |
| US20170262472A1 (en) | Systems and methods for recognition of faces e.g. from mobile-device-generated images of faces | |
| KR102138657B1 (ko) | 계층적 협업 표현 기반 분류를 통한 강인한 얼굴인식 장치 및 그 방법 | |
| CN105069622A (zh) | 一种面向移动终端的人脸识别支付系统和方法 | |
| WO2021061159A1 (en) | Mapping user vectors between embeddings for a machine learning model | |
| CN108446687B (zh) | 一种基于移动端和后台互联的自适应人脸视觉认证方法 | |
| CN116250020A (zh) | 使用潜在邻域图检测对抗性示例 | |
| CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
| CN110032551B (zh) | 模型生成系统、方法及预测系统 | |
| CN109344713A (zh) | 一种姿态鲁棒的人脸识别方法 | |
| US20210398135A1 (en) | Data processing and transaction decisioning system | |
| CN116740866B (zh) | 用于自助机具的装清钞系统及方法 | |
| CN116152870A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
| CN106600283A (zh) | 识别姓名国籍的方法、系统及判断交易风险的方法、系统 | |
| CN117095436A (zh) | 企业员工信息智能管理系统及其方法 | |
| CN110263726B (zh) | 一种基于深度相关性特征学习的指静脉识别方法及装置 | |
| Devakumar et al. | Forensic sketch to real image using dcgan | |
| Praveenbalaji et al. | ID photo verification by face recognition | |
| CN114330962A (zh) | 一种基于人工智能的金融数据分析平台 | |
| CN113496393A (zh) | 一种基于区块链的离线支付金融系统及方法 | |
| US11935331B2 (en) | Methods and systems for real-time electronic verification of content with varying features in data-sparse computer environments | |
| Jayasekara et al. | An evolving signature recognition system |
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 |