CN114358795A - 一种基于人脸的支付方法和装置 - Google Patents

Abstract

本发明提供了一种基于人脸的支付方法和装置，其中方法包括：通过采集摄像头采集客户的人脸照片，并进行预识别，对其进行分块特征采集，并计算每个目标块的离散值，以确定每个客户的主要识别特征，再通过支付摄像头识别客户的主要识别特征，并进行商品支付。本发明的有益效果：提高了客户在识别支付时的速度，提升了用户的体验。

Description

一种基于人脸的支付方法和装置

技术领域

本发明涉及人工智能领域，特别涉及一种基于人脸的支付方法和装置。

背景技术

人脸支付是将客户的脸部特征与个人账号进行绑定,即使不使用手机,也可以快捷便利地进行的一种支付方式。目前，人脸支付的方式是一种通过在摄像头端对人脸进行人脸特征识别，以实现支付的方式。由于人脸支付需要识别并与数据库中的信息进行一一比对，虽然数据库中将人脸进行分类存储，但是这种识别方式导致人脸支付的支付速度仍然比较缓慢，不利于提高用户的体验。

发明内容

本发明的主要目的为提供一种基于人脸的支付方法，旨在解决传统的识别方式导致人脸支付的支付速度仍然比较缓慢，不利于提高用户的体验的问题。

本发明提供了一种基于人脸的支付方法，应用于指定区域，所述指定区域内设置有采集摄像头和支付摄像头；通过所述采集摄像头预采集所述指定区域内各个客户的人脸照片，所述支付摄像头用于根据采集摄像头的采集结果调整聚焦点；所述支付方法包括：

采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中；

将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像；

在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；

根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；

将每个所述目标块用所述像素点特征进行矩阵表示，得到每个目标块的特征矩阵；

将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；

计算每个特征矩阵与其对应的特征矩阵集合中的离散值；

将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中；

获取当前客户的商品信息，并根据商品信息计算对应的支付价格；

根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别；

根据识别结果和所述区域数据库中进行比对，以确定所述当前客户的付款账户；

从所述付款账户中扣除所述支付价格。

进一步地，所述计算每个特征矩阵与其对应的特征矩阵集合中的离散值的步骤，包括：

根据公式

计算所述客户的密度，其中，所述

表示所述客户的密度，

表示所述特征矩阵集合，

表示所述特征矩阵集合中的元素，

表示客户，

表示元素

与

的分差值，

表示客户的特征矩阵的均值与所述特征矩阵集合中其他特征矩阵均值的差值平均值；

根据公式

计算所述客户的离散值；其中，

表示所述客户的离散值，

表示元素

对应的客户的密度。

进一步地，所述根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别的步骤，包括：

获取各个所述主要识别特征在人脸照片的目标位置；

根据各个所述目标位置设定对应的预设聚焦点；

根据预设聚焦点的位置依次调整所述支付摄像头的聚焦点，直至采集到所述客户的主要识别特征。

进一步地，所述将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中的步骤，包括：

判断每个客户的最大离散值是否大于预设离散值；

将最大离散值不大于所述预设离散值的客户记为目标客户；

将所述目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证。

进一步地，所述从所述付款账户中扣除所述支付价格的步骤之后，还包括：

将扣除了支付价格的客户在所述区域数据库中的数据上传至预设的客户数据库中；

当所述采集摄像头采集到所述扣除了支付价格的客户时，从所述客户数据库中调取该客户的数据传入所述区域数据库中。

本发明还提供了一种基于人脸的支付装置，应用于指定区域，所述指定区域内设置有采集摄像头和支付摄像头；通过所述采集摄像头预采集所述指定区域内各个客户的人脸照片，所述支付摄像头用于根据采集摄像头的采集结果调整聚焦点；所述支付装置包括：

采集模块，用于采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中；

变换模块，用于将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像；

投影模块，用于在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；

提取模块，用于根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；

表示模块，用于将每个所述目标块用所述像素点特征进行矩阵表示，得到每个目标块的特征矩阵；

计入模块，用于将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；

计算模块，用于计算每个特征矩阵与其对应的特征矩阵集合中的离散值；

记录模块，用于将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中；

获取模块，用于获取当前客户的商品信息，并根据商品信息计算对应的支付价格；

识别模块，用于根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别；

比对模块，用于根据识别结果和所述区域数据库中进行比对，以确定所述当前客户的付款账户；

扣除模块，用于从所述付款账户中扣除所述支付价格。

进一步地，所述计算模块，包括：

密度计算子模块，用于根据公式

计算所述客户的密度，其中，所述

表示所述客户的密度，

表示所述特征矩阵集合，

表示所述特征矩阵集合中的元素，

表示客户，

表示元素

与

的分差值，

表示客户的特征矩阵的均值与所述特征矩阵集合中其他特征矩阵均值的差值平均值；

离散值计算子模块，用于根据公式

计算所述客户的离散值；其中，

表示所述客户的离散值，

表示元素

对应的客户的密度。

进一步地，所述识别模块，包括：

获取子模块，用于获取各个所述主要识别特征在人脸照片的目标位置；

设定子模块，用于根据各个所述目标位置设定对应的预设聚焦点；

调整子模块，用于根据预设聚焦点的位置依次调整所述支付摄像头的聚焦点，直至采集到所述客户的主要识别特征。

进一步地，所述记录模块，包括：

判断子模块，用于判断每个客户的最大离散值是否大于预设离散值；

记为子模块，用于将最大离散值不大于所述预设离散值的客户记为目标客户；

作为子模块，用于将所述目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证。

本发明的有益效果：通过采集摄像头采集客户的人脸照片，并进行预识别，对其进行分块特征采集，并计算每个目标块的离散值，以确定每个客户的

，再通过支付摄像头识别客户的主要识别特征，并进行商品支付，从而提高了客户在识别支付时的速度，提升了用户的体验。

附图说明

图1 是本发明一实施例的一种基于人脸的支付方法的流程示意图；

图2 是本发明一实施例的一种基于人脸的支付装置的结构示意框图。

本发明目的的实现、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

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的一部分实施例，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。

需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后等）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，所述的连接可以是直接连接，也可以是间接连接。

本文中术语“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，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参照图1，本发明提出一种基于人脸的支付方法，应用于指定区域，所述指定区域内设置有采集摄像头和支付摄像头；通过所述采集摄像头预采集所述指定区域内各个客户的人脸照片，所述支付摄像头用于根据采集摄像头的采集结果调整聚焦点；所述支付方法包括：

S1：采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中；

S2：将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像；

S3：在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；

S4：根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；

S5：将每个所述目标块用所述像素点特征进行矩阵表示，得到每个目标块的特征矩阵；

S6：将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；

S7：计算每个特征矩阵与其对应的特征矩阵集合中的离散值；

S8：将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中；

S9：获取当前客户的商品信息，并根据商品信息计算对应的支付价格；

S10：根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别；

S11：根据识别结果和所述区域数据库中进行比对，以确定所述当前客户的付款账户；

S12：从所述付款账户中扣除所述支付价格。

如上述步骤S1所述，采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中。其中，根据采集摄像头采集各个客户的人脸照片，该采集摄像头设置在该指定区域的可以采集到清晰人脸的位置处，例如指定区域为便利店，则相对应的采集摄像头可以设置为正对门口的位置，而支付摄像头设置在柜台。其中，进行预识别的方式不作限定，其可以根据人脸的特征进行识别，进一步地，还可以根据步态和人脸特征结合进行识别，由于此处客户还没有进行付款，因此有足够多的时间对客户预先进行识别，从而节约客户在支付时所消耗的时间。

如上述步骤S2所述，将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像。二维离散小波变换是一种特征提取工具，在经过二维离散小波变换后，一张人脸图像会变为四个部分，由于小波变换在频域具有很好的局部化性质，因此去除了低频子带后，每个子带都可以恢复得到原图像的边缘图像，即边缘图像反映的使原人脸图像的结构和轮廓信息，可以便于提取人脸的特征。

如上述步骤S3-S5所述，在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；根据预设点可以将边缘图像分块得到（K1+1）×（K2+1）个目标块，其中，K1和K2均为预设的值，其目的是将各个人脸图像分为多个区块分别进行特征提取，以实现后续的主要识别特征的提取。由于光照会影响识别度，因此，此处将一个点联合其周围点进行共同的分析，即一个点周围的点为（

，

，

，

，

，

，

，

），共八个点，其周围像素点的灰度值进行综合计算，若周围没有八个点，则取其具有的周围的点进行计算，然后得到各个像素点的特征，从而使提取到的特征点不会受到光照的影响而改变。根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；基于像素点的特征形成目标块的特征矩阵，从而实现了各个目标块的特征提取。

如上述步骤S6-S8所述，将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；计算每个特征矩阵与其对应的特征矩阵集合中的离散值；将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中。即将相同位置处的特征进行集合，从中发现各个客户区别于其他客户的特征以作为主要识别特征，具体的根据每个特征矩阵与其对应的特征矩阵集合中的离散值进行确定，离散值的计算方式可以是任意的距离计算公式，本文优选采用计算每个特征矩阵密度的计算公式，后文有详细说明，此处不再赘述，从而提取到主要识别特征，并将其记录如区块数据库中，以便于后续的识别。

如上述步骤S9-S12所述，获取当前客户的商品信息，即当前客户购买的商品信息，其中，获取的方式，可以是用户自行对商品进行扫码得到的商品，也可以是通过近场通信的方式识别各个商品，本申请对此不作限定，可以准确获取到客户的商品信息的方式均可。二商品信息都会具有对应的价格，因此也可以根据每件商品的价格计算最终的支付价格。然后根据主要识别特征调整支付摄像头的聚焦点，由于指定区域内的人数有限，因此，客户的特征一般比较集中，对于一些大众化不易区分的特征所在的区域则不必要进行聚焦，因此此处的聚焦点只是集中在客户的主要识别特征所在的位置上，并非是指特定的某个点，具体可以根据客户的主要识别特征所在的位置依次进行聚焦识别，从而实现对客户的识别，识别只需要根据预先存储在区域数据库中的主要识别特征，进行识别，即当识别到主要识别特征后，则停止识别，可以凭借此认定客户的身份。

如上述步骤S11-S12所述，即根据识别结果比对区域数据库中的预存数据，并以此进行比对，从而可以确定当前客户的付款账户，并从所述付款账户中扣除所述支付价格。从而实现了对客户结账时可以实现快速付款，提高了用户的体验。

在一些实施例中，也可以用于智能存储柜，即先通过采集摄像头采集到客户的主要识别特征，然后再通过支付摄像头对主要识别特征进行识别，识别后相应的柜门会自动打开，并进行付款。因此，上述的商品信息也可以是柜门中的商品信息，或者是存储柜的租借信息，即也可以是一种虚拟商品的信息，本申请对此不做限定。

在一个实施例中，所述计算每个特征矩阵与其对应的特征矩阵集合中的离散值的步骤S7，包括：

S701：根据公式

计算所述客户的密度，其中，所述

表示所述客户的密度，

表示所述特征矩阵集合，

表示所述特征矩阵集合中的元素，

表示客户，

表示元素

与

的分差值，

表示客户的特征矩阵的均值与所述特征矩阵集合中其他特征矩阵均值的差值平均值；

S702：根据公式

计算所述客户的离散值；其中，

表示所述客户的离散值，

表示元素

对应的客户的密度。

如上述步骤S701-S702所述，根据各个特征矩阵的密度，可以确定其与其他特征矩阵的离散值，从而确定出各个客户与其他客户区别较大的特征。并以此作为主要区别特征识别客户，具体地，先计算客户与其他客户的差值平均值，其中，特征矩阵的均值为将特征矩阵中所有的元素相加并求取平均值，然后计算客户的密度，根据密度计算离散分值，若这个离散分值较大时，表明客户的该特征矩阵与其他客户的特征矩阵差异较大，此时可以将该客户的特征矩阵提取出来作为主要识别特征，从而实现了对客户的主要特征的提取以及离散值的计算。

在一个实施例中，所述根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别的步骤S10，包括：

S1001：获取各个所述主要识别特征在人脸照片的目标位置；

S1002：根据各个所述目标位置设定对应的预设聚焦点；

S1003：根据预设聚焦点的位置依次调整所述支付摄像头的聚焦点，直至采集到所述客户的主要识别特征。

如上述步骤S1001-S1003所述，实现了对支付摄像头的聚焦点的调整，具体地，先获取到主要识别特征在人脸照片的目标位置，由于特征矩阵是预先划分的目标块所对应的矩阵，因此根据目标块的位置可以获取到人脸照片的位置，然后以此调整支付摄像头的聚焦点，对这个聚焦点的特征进行识别提取。再根据目标位置设定预设聚焦点，该预设聚焦点一般包括多个，然后根据预设聚焦点的位置以此进行调整支付摄像头的聚焦点，直至采集到客户的主要识别特征，则记为完成对客户的识别。需要说明的是，支付摄像头与采集摄像头的拍摄高度最好保持一致，以免拍摄时会出现人脸位置错乱的情况。

在一个实施例中，所述将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中的步骤S8，包括：

S801：判断每个客户的最大离散值是否大于预设离散值；

S802：将最大离散值不大于所述预设离散值的客户记为目标客户；

S803：将所述目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证。

如上述步骤S801-S803所述，实现了对客户的离散值的判定，当离散值较小时，不足以对客户进行识别，即在判断每个客户的最大离散值是否大于预设离散值，将最大离散值不大于所述预设离散值的客户记为目标客户，并将目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证，即后续在支付摄像头采集主要识别特征时，需要采集两个位置处的特征，进而提高识别精度，避免了误识别的情况。

在一个实施例中，所述从所述付款账户中扣除所述支付价格的步骤S12之后，还包括：

S1301：将扣除了支付价格的客户在所述区域数据库中的数据上传至预设的客户数据库中；

S1302：当所述采集摄像头采集到所述扣除了支付价格的客户时，从所述客户数据库中调取该客户的数据传入所述区域数据库中。

如上述步骤S1301-S1302所述，实现了对常驻客户的快速识别，减小识别的计算量。即当客户来了一次之后，则将其上传至预设的客户数据库中，当采集到扣除了支付价格的客户时，说明该客户是老客户，则可以直接从客户数据库中调取客户的数据传入区块数据库中，即在步骤S1识别后，可以在客户数据库中预先进行识别，从而避免了重复提取客户的主要识别特征，当然了，对于一些用户的附加特征，例如创可贴等，这种特征后续容易识别不到，因此需要实时地对主要识别特征进行更新。

本发明还提供了一种基于人脸的支付装置，应用于指定区域，所述指定区域内设置有采集摄像头和支付摄像头；通过所述采集摄像头预采集所述指定区域内各个客户的人脸照片，所述支付摄像头用于根据采集摄像头的采集结果调整聚焦点；所述支付装置包括：

采集模块10，用于采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中；

变换模块20，用于将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像；

投影模块30，用于在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；

提取模块40，用于根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；

表示模块50，用于将每个所述目标块用所述像素点特征进行矩阵表示，得到每个目标块的特征矩阵；

计入模块60，用于将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；

计算模块70，用于计算每个特征矩阵与其对应的特征矩阵集合中的离散值；

记录模块80，用于将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中；

获取模块90，用于获取当前客户的商品信息，并根据商品信息计算对应的支付价格；

识别模块100，用于根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别；

比对模块110，用于根据识别结果和所述区域数据库中进行比对，以确定所述当前客户的付款账户；

扣除模块120，用于从所述付款账户中扣除所述支付价格。

在一个实施例中，所述计算模块70，包括：

密度计算子模块，用于根据公式

计算所述客户的密度，其中，所述

表示所述客户的密度，

表示所述特征矩阵集合，

表示所述特征矩阵集合中的元素，

表示客户，

表示元素

与

的分差值，

表示客户的特征矩阵的均值与所述特征矩阵集合中其他特征矩阵均值的差值平均值；

离散值计算子模块，用于根据公式

计算所述客户的离散值；其中，

表示所述客户的离散值，

表示元素

对应的客户的密度。

在一个实施例中，所述识别模块100，包括：

获取子模块，用于获取各个所述主要识别特征在人脸照片的目标位置；

设定子模块，用于根据各个所述目标位置设定对应的预设聚焦点；

调整子模块，用于根据预设聚焦点的位置依次调整所述支付摄像头的聚焦点，直至采集到所述客户的主要识别特征。

在一个实施例中，所述记录模块80，包括：

判断子模块，用于判断每个客户的最大离散值是否大于预设离散值；

记为子模块，用于将最大离散值不大于所述预设离散值的客户记为目标客户；

作为子模块，用于将所述目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证。

进一步地，所述支付装置，还包括：

上传模块，用于将扣除了支付价格的客户在所述区域数据库中的数据上传至预设的客户数据库中；

调取模块，用于当所述采集摄像头采集到所述扣除了支付价格的客户时，从所述客户数据库中调取该客户的数据传入所述区域数据库中。

本发明的有益效果：通过采集摄像头采集客户的人脸照片，并进行预识别，对其进行分块特征采集，并计算每个目标块的离散值，以确定每个客户的

，再通过支付摄像头识别客户的主要识别特征，并进行商品支付，从而提高了客户在识别支付时的速度，提升了用户的体验。

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。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种基于人脸的支付方法，其特征在于，应用于指定区域，所述指定区域内设置有采集摄像头和支付摄像头；通过所述采集摄像头预采集所述指定区域内各个客户的人脸照片，所述支付摄像头用于根据采集摄像头的采集结果调整聚焦点；所述支付方法包括：

采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中；

将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像；

在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；

根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；

将每个所述目标块用所述像素点特征进行矩阵表示，得到每个目标块的特征矩阵；

将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；

计算每个特征矩阵与其对应的特征矩阵集合中的离散值；

将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中；

获取当前客户的商品信息，并根据商品信息计算对应的支付价格；

根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别；

根据识别结果和所述区域数据库中进行比对，以确定所述当前客户的付款账户；

从所述付款账户中扣除所述支付价格。

2.如权利要求1所述的基于人脸的支付方法，其特征在于，所述计算每个特征矩阵与其对应的特征矩阵集合中的离散值的步骤，包括：

根据公式

计算所述客户的密度，其中，所述

表示所述客户的密度，

表示所述特征矩阵集合，

表示所述特征矩阵集合中的元素，

表示客户，

表示元素

与

的分差值，

表示客户的特征矩阵的均值与所述特征矩阵集合中其他特征矩阵均值的差值平均值；

根据公式

计算所述客户的离散值；其中，

表示所述客户的离散值，

表示元素

对应的客户的密度。

3.如权利要求1所述的基于人脸的支付方法，其特征在于，所述根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别的步骤，包括：

获取各个所述主要识别特征在人脸照片的目标位置；

根据各个所述目标位置设定对应的预设聚焦点；

根据预设聚焦点的位置依次调整所述支付摄像头的聚焦点，直至采集到所述客户的主要识别特征。

4.如权利要求1所述的基于人脸的支付方法，其特征在于，所述将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中的步骤，包括：

判断每个客户的最大离散值是否大于预设离散值；

将最大离散值不大于所述预设离散值的客户记为目标客户；

将所述目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证。

5.如权利要求1所述的基于人脸的支付方法，其特征在于，所述从所述付款账户中扣除所述支付价格的步骤之后，还包括：

将扣除了支付价格的客户在所述区域数据库中的数据上传至预设的客户数据库中；

当所述采集摄像头采集到所述扣除了支付价格的客户时，从所述客户数据库中调取该客户的数据传入所述区域数据库中。

6.一种基于人脸的支付装置，其特征在于，应用于指定区域，所述指定区域内设置有采集摄像头和支付摄像头；通过所述采集摄像头预采集所述指定区域内各个客户的人脸照片，所述支付摄像头用于根据采集摄像头的采集结果调整聚焦点；所述支付装置包括：

采集模块，用于采集各个客户的人脸照片，对各个客户进行预识别，得到各个客户的个人信息和账户信息，并记录入区域数据库中；

变换模块，用于将各个人脸照片进行二维离散小波变换，并去除低频子带，得到边缘图像；

投影模块，用于在所述边缘图像上的水平方向取K1个预设点，以及在垂直方向上取K2个点对所述边缘图像进行水平垂直积分投影分块得到（K1+1）×（K2+1）个目标块；其中，K1和K2均为预设的值；

提取模块，用于根据公式

提取像素点的像素点特征；其中

表示指示函数，

，

表示像素点g的第p个周围像素点的灰度值，

表示像素点的总数，

；

表示模块，用于将每个所述目标块用所述像素点特征进行矩阵表示，得到每个目标块的特征矩阵；

计入模块，用于将每个客户的同一位置处的特征矩阵计入一个集合，从而得到多个特征矩阵集合；

计算模块，用于计算每个特征矩阵与其对应的特征矩阵集合中的离散值；

记录模块，用于将每个客户的最大离散值对应的特征矩阵作为其主要识别特征，并记录入所述区域数据库中；

获取模块，用于获取当前客户的商品信息，并根据商品信息计算对应的支付价格；

识别模块，用于根据所述主要识别特征调整所述支付摄像头的聚焦点对所述当前客户进行识别；

比对模块，用于根据识别结果和所述区域数据库中进行比对，以确定所述当前客户的付款账户；

扣除模块，用于从所述付款账户中扣除所述支付价格。

7.如权利要求6所述的基于人脸的支付装置，其特征在于，所述计算模块，包括：

密度计算子模块，用于根据公式

计算所述客户的密度，其中，所述

表示所述客户的密度，

表示所述特征矩阵集合，

表示所述特征矩阵集合中的元素，

表示客户，

表示元素

与

的分差值，

表示客户的特征矩阵的均值与所述特征矩阵集合中其他特征矩阵均值的差值平均值；

离散值计算子模块，用于根据公式

计算所述客户的离散值；其中，

表示所述客户的离散值，

表示元素

对应的客户的密度。

8.如权利要求6所述的基于人脸的支付装置，其特征在于，所述识别模块，包括：

获取子模块，用于获取各个所述主要识别特征在人脸照片的目标位置；

设定子模块，用于根据各个所述目标位置设定对应的预设聚焦点；

调整子模块，用于根据预设聚焦点的位置依次调整所述支付摄像头的聚焦点，直至采集到所述客户的主要识别特征。

9.如权利要求6所述的基于人脸的支付装置，其特征在于，所述记录模块，包括：

判断子模块，用于判断每个客户的最大离散值是否大于预设离散值；

记为子模块，用于将最大离散值不大于所述预设离散值的客户记为目标客户；

作为子模块，用于将所述目标客户的最大离散值和第二大离散值对应的两个特征矩阵作为其主要识别特征，以使后续识别所述两个特征矩阵作为识别所述目标客户的凭证。

10.如权利要求6所述的基于人脸的支付装置，其特征在于，所述支付装置，还包括：

上传模块，用于将扣除了支付价格的客户在所述区域数据库中的数据上传至预设的客户数据库中；

调取模块，用于当所述采集摄像头采集到所述扣除了支付价格的客户时，从所述客户数据库中调取该客户的数据传入所述区域数据库中。

Images