CN115829575A - 支付验证方法、装置、终端、服务器及存储介质 - Google Patents
支付验证方法、装置、终端、服务器及存储介质 Download PDFInfo
- Publication number
- CN115829575A CN115829575A CN202111095306.6A CN202111095306A CN115829575A CN 115829575 A CN115829575 A CN 115829575A CN 202111095306 A CN202111095306 A CN 202111095306A CN 115829575 A CN115829575 A CN 115829575A
- Authority
- CN
- China
- Prior art keywords
- account
- image
- candidate
- face
- palm
- 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
Images
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本申请实施例公开了一种支付验证方法、装置、终端、服务器及存储介质,属于非接触式支付技术领域。该方法包括:获取掌纹图像和人脸图像;基于掌纹图像确定至少两个第一候选帐号,以及基于人脸图像确定至少两个第二候选帐号;基于第一候选帐号的掌纹相似度,确定第一候选帐号对应的第一误识别率,以及基于第二候选帐号对应的人脸相似度,确定第二候选帐号对应的第二误识别率;基于第一误识别率和第二误识别率,从第一候选帐号和第二候选帐号中确定目标帐号;基于目标帐号进行支付。能够避免始终侧重一种生物特征的情况,无需引入额外的参数,提高掌脸支付的准确性。
Description
技术领域
本申请实施例涉及非接触式支付技术领域,特别涉及一种支付验证方法、装置、终端、服务器及存储介质。
背景技术
现如今,基于人脸识别的非接触式支付系统已经得到的广泛的应用。由于目前的人脸识别模型仍难以区分相似的人脸(如同卵双胞胎),因此为了解决这一问题并保持生物识别的便捷性,现阶段通常采取融合手掌特征的方式进行身份识别。
相关技术中,系统采集用户的多项特征识别结果,包括人脸识别结果、掌纹识别结果以及掌静脉识别结果,当三项特征对应的相似度均超过阈值时确定识别成功并支付,或者,采用加权的方式对三种识别结果进行融合,或者,对三种特征向量进行特征融合,基于融合特征进行身份识别等。
然而,基于三种阈值进行身份确认会导致通过率较低,容易造成重复操作进行支付的问题,支付效率低;加权计算识别结果的方式导致过分依赖于某一种生物特征,并不会对识别结果的准确性带来增益;而依赖于特征融合的方式,会引入更多的超参数,导致融合特征并不一定强于单个生物特征。
发明内容
本申请实施例提供了一种支付验证方法、装置、终端、服务器及存储介质,能够提高掌脸支付结果的准确性。所述技术方案如下:
一方面,本申请实施例提供了一种支付验证方法,所述方法包括:
获取掌纹图像和人脸图像;
基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,所述第一候选帐号对应的掌纹相似度高于其它帐号对应的掌纹相似度,所述第二候选帐号对应的人脸相似度高于其它帐号对应的人脸相似度;
基于所述第一候选帐号的掌纹相似度,确定所述第一候选帐号对应的第一误识别率,以及基于所述第二候选帐号对应的人脸相似度,确定所述第二候选帐号对应的第二误识别率;
基于所述第一误识别率和所述第二误识别率,从所述第一候选帐号和所述第二候选帐号中确定目标帐号;
基于所述目标帐号进行支付。
另一方面,本申请实施例提供了一种支付验证方法,所述方法包括:
通过摄像头采集掌纹图像和人脸图像;
将所述掌纹图像以及所述人脸图像发送至服务器,所述服务器用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,基于所述第一候选帐号对应的第一误识别率以及所述第二候选帐号对应的第二误识别率确定目标帐号,并基于所述目标帐号进行支付;
接收所述服务器发送的所述支付结果,基于所述支付结果显示支付结果界面,所述支付结果用于指示待支付帐号支付成功或支付失败。
另一方面,本申请实施例提供了一种支付验证装置,所述装置包括:
获取模块,用于获取掌纹图像和人脸图像;
第一确定模块,用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,所述第一候选帐号对应的掌纹相似度高于其它帐号对应的掌纹相似度,所述第二候选帐号对应的人脸相似度高于其它帐号对应的人脸相似度;
第二确定模块,用于基于所述第一候选帐号的掌纹相似度,确定所述第一候选帐号对应的第一误识别率,以及基于所述第二候选帐号对应的人脸相似度,确定所述第二候选帐号对应的第二误识别率;
第三确定模块,用于基于所述第一误识别率和所述第二误识别率,从所述第一候选帐号和所述第二候选帐号中确定目标帐号;
支付模块,用于基于所述目标帐号进行支付。
另一方面,本申请实施例提供了一种支付验证装置,所述装置包括:
图像采集模块,用于通过摄像头采集掌纹图像和人脸图像;
发送模块,用于将所述掌纹图像以及所述人脸图像发送至服务器,所述服务器用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,基于所述第一候选帐号对应的第一误识别率以及所述第二候选帐号对应的第二误识别率确定目标帐号,并基于所述目标帐号进行支付;
显示模块,用于接收所述服务器发送的所述支付结果,基于所述支付结果显示支付结果界面,所述支付结果用于指示待支付帐号支付成功或支付失败。
另一方面,本申请实施例提供了一种终端,所述终端包括处理器和存储器;所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的支付验证方法。
另一方面,本申请实施例提供了一种服务器,所述服务器包括处理器和存储器;所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的支付验证方法。
另一方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现如上述方面所述的支付验证方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备或终端的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备或终端执行上述方面的各种可选实现方式中提供的支付验证方法。
本申请实施例提供的技术方案至少包括以下有益效果:
本申请实施例中,基于前期测试分别得到掌纹识别结果的误识别率以及人脸识别结果的误识别率,在支付验证时,基于各个候选帐号与获取到的掌纹图像和人脸图像之间的相似度,选取出掌纹相似度最高的多个第一候选帐号以及人脸相似度最高的多个第二候选帐号,基于各个候选帐号对应的误识别率,从中确定需要进行支付的目标帐号,相比于特征融合或加权计算的方式,能够避免始终侧重一种特征的情况,并且基于误识别率确定目标帐号,无需引入额外的参数,还能够使得结果更加符合实际,以提高掌脸支付的准确性。
附图说明
图1是本申请一个示例性实施例提供的实施环境的示意图;
图2是本申请一个示例性实施例提供的支付验证方法的流程图;
图3是本申请另一个示例性实施例提供的支付验证方法的流程图;
图4是本申请一个示例性实施例提供的第一映射表的示意图;
图5是本申请一个示例性实施例提供的第二映射表的示意图;
图6是本申请一个示例性实施例提供的分数映射表的示意图;
图7是本申请另一个示例性实施例提供的支付验证方法的流程图;
图8是本申请另一个示例性实施例提供的支付验证方法的流程图;
图9是本申请另一个示例性实施例提供的支付验证方法的流程图;
图10是本申请另一个示例性实施例提供的支付验证方法的流程图;
图11是本申请一个示例性实施例提供的对手掌图像进行图像预处理的示意图;
图12是本申请一个示例性实施例提供的对脸部图像进行图像预处理的示意图;
图13是本申请一个示例性实施例提供的不同质量的掌纹图像的示意图;
图14是本申请一个示例性实施例提供的支付验证装置的结构框图;
图15是本申请一个示例性实施例提供的支付验证装置的结构框图;
图16是本申请一个示例性实施例提供的服务器的结构框图;
图17是本申请一个示例性实施例提供的终端的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
相关技术中,基于掌纹特征以及人脸特征的非接触式支付方法,主要包括三种实现方式,一种是设置掌纹相似度阈值、人脸相似度阈值和掌静脉阈值,当三种生物信息的识别结果都满足相应的阈值时,认定识别成功,然而这种凡是会导致通过率极低,容易验证失败,导致用户需要二次验证或改为接触式支付;第二种是获取多种生物特征识别结果,即人脸识别结果、掌纹识别结果、掌静脉识别结果,当三种识别结果产生冲突时(例如掌纹识别结果和人脸识别结果识别出的帐号不一致),以某一种生物特征识别结果为准(如以人脸识别结果为准),该种设置方式过于依赖某一种生物特征识别结果,并不会对识别的准确性带来增益;第三种是生成生物特征向量,采用特定方式对三种向量进行加权融合,然而改种方法依赖于特征融合,将引入更多的超参数,并且融合后的特征是否强于单个生物特征仍未知。
为了解决上述几种支付验证方法存在的问题,提高支付验证的准确性和支付效率,本申请提供了一种支付验证方法。图1示出了本申请一个实施例提供的实施环境的示意图。该实施环境可以包括:支付终端110、服务器120和帐号注册终端130。
支付终端110安装和运行有支持非接触式支付的应用程序111,当支付终端110运行应用程序111时,支付终端110开启摄像头实时采集用户的掌纹图像和人脸图像,并将掌纹图像和人脸图像发送至服务器120进行支付验证,在接收到服务器120发送的支付结果时进行显示,以告知用户是否支付成功。应用程序111可以是购物类应用程序、支付类应用程序以及金融交易类应用程序等支持非接触式支付的应用程序。
帐号注册终端130安装和运行有支持非接触式支付的应用程序131。可选的,支付终端110和帐号注册终端130上安装的应用程序是相同的,或者两个终端上安装的应用程序是不同操作系统平台(安卓或IOS)上的同一类型应用程序,或者两个终端上安装的应用程序是同一类应用程序的不同版本(例如支持付款的应用程序和支持收款的应用程序)。帐号注册终端130接收到帐号注册操作时,开启摄像头采集用户132的人脸图像和掌纹图像,并将采集到的图像和注册帐号发送至服务器120,以使服务器120更新用户帐号数据库123,该用户帐号数据库123中存储有用户帐号以及对应的人脸特征和掌纹特征。
图1中仅示出了一个支付终端和一个帐号注册终端,但在不同实施例中存在多个其它终端可以接入服务器120。可选地,还存在一个或多个终端是开发者对应的终端,在该终端上安装有支持非接触式支付的应用程序的开发和编辑平台,开发者可在该终端上对应用程序进行编辑和更新,并将更新后的应用程序安装包通过有线或无线网络传输至服务器120,第一终端110和第二终端130可从服务器120下载应用程序安装包实现对应用程序的更新。
支付终端110、帐号注册终端130以及其它终端通过无线网络或有线网络与服务器120相连。
服务器120包括一台服务器、多台服务器组成的服务器集群、云计算平台和虚拟化中心中的至少一种。在一个示意性的例子中,服务器120包括存储器121、处理器122、用户帐号数据库123、支付验证模块124、面向用户的输入/输出接口(Input/Output Interface,I/O接口)125。其中,处理器122用于加载服务器120中存储的指令,处理用户帐号数据库123和支付验证模块124中的数据;用户帐号数据库123用于存储帐号注册终端130以及其它终端所使用的用户帐号的数据,该数据包括用户帐号以及对应的人脸特征和掌纹特征;支付验证模块124用于在获取到人脸特征和掌纹特征,确定需进行支付验证时,基于掌纹图像确定至少两个第一候选帐号,以及基于人脸图像确定至少两个第二候选帐号,基于第一候选帐号对应的第一误识别率以及第二候选帐号对应的第二误识别率确定目标帐号,并所述目标帐号进行支付;面向用户的I/O接口125用于通过无线网络或有线网络和支付终端110和/或帐号注册终端130建立通信交换数据。
图2示出了本申请一个示例性实施例提供的支付验证方法的流程图。本实施例以该方法应用于支持非接触式支付功能的应用程序的后台服务器为例进行说明,该方法包括如下步骤。
步骤201,获取掌纹图像和人脸图像。
在一种可能的实施方式中,商户内配备有支付终端,当顾客需进行支付时,商户控制支付终端开始采集信息,顾客需出示手掌以及脸部,以使支付终端采集掌纹图像和人脸图像并发送至服务器进行支付验证。服务器接收支付终端发送的数据,获取掌纹图像和人脸图像。
可选的,支付终端按照预设频率持续采集,通过对采集到的图像进行筛选,向服务器发送优选后得到的掌纹图像和人脸图像。
步骤202,基于掌纹图像确定至少两个第一候选帐号,以及基于人脸图像确定至少两个第二候选帐号。
其中,第一候选帐号对应的掌纹相似度高于其它帐号对应的掌纹相似度,第二候选帐号对应的人脸相似度高于其它帐号对应的人脸相似度。
在一种可能的实施方式中,服务器中存储有特征库,该特征库包含了支付应用程序所有帐号的特征数据,即帐号与人脸特征、掌纹特征之间的对应关系。例如,第一特征库中包含帐号对应的掌纹特征,第二特征库中包含帐号对应的人脸特征。服务器在获取到掌纹图像和人脸图像,进行支付验证时,分别对掌纹图像以及人脸图像进行特征提取,进而对掌纹图像对应的掌纹特征与第一特征库中的掌纹特征进行特征比对,得到各个帐号对应的掌纹相似度,以及对人脸图像对应的人脸特征与第二特征库中的人脸特征进行特征比对,得到各个帐号对应的人脸相似度。
由于掌纹和人脸是两个独立的生物特征,服务器对二者的特征比对是分别进行的,因此同样分别确定出对应的候选帐号。掌纹特征比对的结果与人脸特征比对的结果可能不同,即相似度最高的帐号可能不一致,因此服务器需要分别确定出至少两个第一候选帐号,以及至少两个第二候选帐号,从中确定出一个目标帐号进行支付。
例如,服务器对掌纹图像进行特征提取,基于提取到的特征与第一特征库中的掌纹特征进行特征比对,计算各个帐号对应的掌纹相似度(例如余弦相似度),将掌纹相似度最高的n个帐号确定为第一候选帐号,n为大于1的整数,并给予同样的方式确定第二候选帐号。
步骤203,基于第一候选帐号的掌纹相似度,确定第一候选帐号对应的第一误识别率,以及基于第二候选帐号对应的人脸相似度,确定第二候选帐号对应的第二误识别率。
在一种可能的实施方式中,服务期内存储有掌纹相似度与第一误识别率的对应关系,以及人脸相似度与第二误识别率的对应关系,从而基于第一候选帐号的掌纹相似度,确定第一候选帐号对应的第一误识别率,以及基于第二候选帐号对应的人脸相似度,确定第二候选帐号对应的第二误识别率。
第一误识别率为掌纹相似度满足帐号筛选条件,且不属于掌纹图像对应帐号的概率;第二误识别率为人脸相似度满足帐号筛选条件,且不属于人脸图像对应帐号的概率。例如第一候选帐号A的第一误识别率为0.002,意味着基于掌纹特征将帐号A确定为掌纹图像对应的帐号,错误的概率为0.002。
步骤204,基于第一误识别率和第二误识别率,从第一候选帐号和第二候选帐号中确定目标帐号。
为了提高支付验证的准确性,服务器并非直接基于第一误识别率或第二误识别率确定目标帐号,而是基于各个候选帐号的第一误识别率和第二误识别率确定出每个候选帐号的综合评分,进而得到目标帐号。其中,可能存在部分候选帐号仅被确定为第一候选帐号或第二候选帐号,服务器无法直接获取该类帐号的两个误识别率,而是基于预设的误识别率进行评分。
例如,第一候选帐号包含帐号A、帐号B和帐号C,第二候选帐号包含帐号B、帐号C和帐号D,对于帐号B和帐号C,服务器可直接得到第一误识别率和第二误识别率,对于帐号A,则只能基于对应关系直接获取其第一误识别率,由于帐号A的人脸相似度较低,未被确定为第二候选帐号,因此服务器将预设误识别率确定为帐号A的第二误识别率,该预设误识别率较高(例如1),意味着若基于人脸特征将帐号A确定为目标帐号,则识别结果错误的概率较高。同样,服务器将预设误识别率确定为帐号C的第一误识别率。
步骤205,基于目标帐号进行支付。
服务器确定出目标帐号后,基于支付终端发送的支付请求数据中包含的支付金额、支付方式等数据,通过目标帐号进行支付,并将支付结果返回支付终端。
综上所述,本申请实施例中,通过前期测试分别得到掌纹识别结果的误识别率以及人脸识别结果的误识别率,在支付验证时,基于各个候选帐号与获取到的掌纹图像和人脸图像之间的相似度,选取出掌纹相似度最高的多个第一候选帐号以及人脸相似度最高的多个第二候选帐号,基于各个候选帐号对应的误识别率,从中确定需要进行支付的目标帐号,相比于特征融合或加权计算的方式,能够避免始终侧重一种特征的情况,并且基于误识别率确定目标帐号,无需引入额外的参数,还能够使得结果更加符合实际,以提高掌脸支付的准确性。
图3示出了本申请另一个示例性实施例提供的支付验证方法的流程图。本实施例以该方法应用于支持非接触式支付功能的应用程序的后台服务器为例进行说明,该方法包括如下步骤。
步骤301,获取掌纹图像和人脸图像。
步骤302,基于掌纹图像确定至少两个第一候选帐号,以及基于人脸图像确定至少两个第二候选帐号,
步骤301至步骤302的具体实施方式可以参考上述步骤201至步骤202,本申请实施例在此不再赘述。
步骤303,查询第一映射表,确定第一候选帐号的掌纹相似度对应的第一相似度区间,第一映射表中包含相似度区间与第一误识别率的对应关系。
服务器中存储有第一映射表,该第一映射表是基于误识别率测试得到的。服务器确定候选帐号的掌纹相似度所属的第一相似度区间,从而基于第一映射表确定其第一误识别率。
在另一种可能的实施方式中,第一映射表中存储的是掌纹相似度阈值与第一误识别率之间的对应关系,其含义为,当采用某一掌纹相似度阈值进行支付验证时,将掌纹相似度高于该掌纹相似度阈值的帐号确定为目标帐号,但该帐号不属于获取到的掌纹图像对应帐号的概率,即识别结果错误的概率。因此掌纹相似度阈值与第一误识别率之间呈负相关关系,即掌纹相似度阈值越低,满足筛选条件的帐号越多,服务器将错误帐号确定为目标帐号的概率越大。
示意性的,图4示出了一种第一映射表,该第一映射表中包含三个掌纹相似度阈值对应的第一误识别率,且其中第一误识别率是通过数量级进行表示的。例如,当采取0.85作为掌纹相似度阈值时,识别结果错误,即满足该掌纹相似度阈值但实际不属于获取到的掌纹图像对应的帐号的概率为10^(-3)。
该第一映射表的获取过程如下:选取x个(例如10000个)帐号作为测试帐号;建立第一测试集和第二测试集,其中,第一测试集由每个测试帐号对应的一张注册掌纹图像组成,共x张,第二测试集由每个测试帐号对应的y张测试掌纹图像组成,共xy张(例如10000*3张,y为正整数);计算第二测试集中每张测试掌纹图像与第一测试集中各个注册掌纹图像之间的掌纹相似度,即对于每一张测试掌纹图像,其对应有一对正样本对(帐号一致)和(x-1)对负样本对(帐号不一致),且每个样本对对应有一个掌纹相似度,总共有xy对正样本对以及x*(xy-1)对负样本对;为负样本对所组成的负样本集设置掌纹相似度阈值,基于满足掌纹相似度阈值的负样本对数以及负样本对总数确定该掌纹相似度阈值对应的第一误识别率,分别选取不同的掌纹相似度阈值,得到对应的第一误识别率,建立第一映射表。
步骤304,基于第一相似度区间以及第一映射表,确定第一误识别率。
服务器基于第一映射表,确定各个第一候选帐号对应的第一误识别率。
步骤305,查询第二映射表,确定第二候选帐号的人脸相似度对应的第二相似度区间,第二映射表中包含相似度区间与第二误识别率的对应关系。
步骤306,基于第二相似度区间以及第二映射表,确定第二误别识率。
相应的,类似于第一误识别率的确定过程,服务器采取同样的方式确定第二候选帐号的第二误识别率。第二映射表中存储的是人脸相似度阈值与第二误识别率之间的对应关系,其含义为,当采用某一人脸相似度阈值进行支付验证时,将人脸相似度高于该人脸相似度阈值的帐号确定为目标帐号,但该帐号不属于获取到的人脸图像对应帐号的概率,即识别结果错误的概率。因此人脸相似度阈值与第二误识别率之间呈负相关关系,即人脸相似度阈值越低,满足筛选条件的帐号越多,服务器将错误帐号确定为目标帐号的概率越大。
示意性的,图5示出了一种第二映射表,该第二映射表中包含四个人脸相似度阈值对应的第二误识别率,且其中第二误识别率是通过数量级进行表示的。例如,当采取0.8作为人脸相似度阈值时,识别结果错误,即满足该人脸相似度阈值但实际不属于获取到的人脸图像对应的帐号的概率为10^(-4)。
第二映射表的制定过程与第一映射表类似,本申请实施例在此不再赘述。
步骤307,基于第一误识别率、第二误识别率以及候选帐号的帐号类型,确定候选帐号的帐号误识别率。
其中,帐号类型包括交集帐号和非交集帐号,交集帐号既属于第一候选帐号也属于第二候选帐号。帐号误识别率用于指示候选帐号的掌纹相似度和人脸相似度均满足帐号筛选条件,且不属于掌纹图像和人脸图像对应帐号的概率,例如,服务器确定出的第一候选帐号包括帐号A、帐号B和帐号C,第二候选帐号包括帐号A、帐号B和帐号D,则其中帐号A和帐号B属于交集帐号,帐号C和帐号D属于非交集帐号。
对于交集帐号,服务器能够直接获取其第一误识别率和第二误识别率,而对于非交集帐号,由于其存在某一特征的相似度较低,未被确定为该特征对应的候选帐号,在一种可能的实施方式中,步骤307包括如下步骤:
步骤307a,响应于候选帐号为交集帐号,基于候选帐号对应的第一误识别率和第二误识别率,确定候选帐号的帐号误识别率。
在一种可能的实施方式中,服务器基于第一误识别率和第二误识别率,确定候选帐号的帐号误识别率,例如,服务器将第一误识别率和第二误识别率的乘积,确定为帐号误识别率,该帐号误识别率用于指示当候选帐号对应的掌纹相似度满足采用的掌纹相似度阈值,并且人脸相似度满足采用的人脸相似度阈值,但该候选帐号不属于获取到的掌纹图像和人脸图像对应的帐号的概率。
步骤307b,响应于候选帐号为非交集帐号且属于第一候选帐号,确定候选帐号的第二误识别率为1;基于候选帐号对应的第一误识别率和第二误识别率,确定候选帐号的帐号误识别率。
步骤307c,响应于候选帐号为非交集帐号且属于第二候选帐号,确定候选帐号的第一误识别率为1;基于候选帐号对应的第一误识别率和第二误识别率,确定候选帐号的帐号误识别率。
由于非交集帐号对应某一特征的相似度较低,未被确定为该特征对应的候选帐号,为了使目标帐号的筛选更加严格,避免出现多个账号误识别率较低、验证分数较高的候选帐号,服务器直接将非交集帐号的第一误识别率或第二误识别率确定为1,即10^0。
在一种可能的实施方式中,第一误识别率和第二误识别率通过数量级进行表示,由于特征提取模型的缺陷、相似度计算失误、获取到的掌纹图像或人脸图像不清晰等原因,服务器实际的帐号误识别率通常高于理论计算得到的帐号误识别率,即存在一定的损耗,上述步骤“基于候选帐号对应的第一误识别率和第二误识别率,确定候选帐号的帐号误识别率”,具体还可以包括如下步骤:
步骤一,基于第一误识别率和第二误识别率的乘积,确定候选帐号的目标误识别率。
步骤二,基于目标误识别率以及数量级损耗,确定帐号误识别率,数量级损耗为理论计算得到的误识别率与实际测试得到的误识别率的数量级之差。
在理想情况下,人脸特征和掌纹特征在空间中的分布是相互独立的,因此能够直接将第一误识别率和第二误识别率相乘,计算得到候选帐号对应的综合的帐号误识别率。然而在实际应用场景中,人脸和掌纹的误识别空间存在相交的部分。为了保证误识别率计算结果的真实性和可靠性,开发人员通过计算现实误识别率和理论误识别率的差距,确定数量级损耗,使得服务器基于目标误识别率和数量级损耗,确定候选帐号的帐号误识别率。
基于步骤303中的示例,数量级损耗的计算过程如下:对于样本空间中的x个样本,在掌纹相似度阈值T1对应的误识别率为10^(-a),以及人脸相似度阈值T2对应的误识别率为10^(-b)时,计算出其理论误识别率应当为10^[-(a+b)],则x个样本中,理论上误识别的样本数numtheoretical应当为x*10^[-(a+b)];接着先基于掌纹识别技术和对应的掌纹相似度阈值T1,过滤出掌纹误识别的样本,数量为numface,在这批掌纹误识别样本的基础上,利用人脸识别技术和对应的人脸相似度阈值T2,过滤出人脸误识别的样本,数量为numface+palm,则数量级损耗waste可以计算为10^waste=numface+palm/numtheoretical,计算得到的损耗值可能不是整数,此时设定向上取整函数ceil(),则最终确定阈值组合T1、T2对应的数量级损耗为ceil(waste)。通过计算各个阈值组合对应的数量级损耗,将数值最大的损耗确定为最终系统的数量级损耗,以使目标帐号的选取更加严格。
示意性的,服务器确定出第一候选帐号,包含帐号A,掌纹相似度为0.9,帐号B,掌纹相似度为0.7,帐号C,掌纹相似度为0.7;第二候选帐号,包含帐号B,人脸相似度为0.8,帐号A,人脸相似度为0.8,帐号D,人脸相似度为0.7。服务器通过查询第一映射表以及第二映射表,确定帐号A的第一误识别率为10^(-3),帐号B的第一误识别率为10^(-2),帐号C的第一误识别率为10^(-1),帐号A的第二误识别率为10^(-4),帐号B的第二误识别率为10^(-4),帐号D的第二误识别率为10^(-1),则帐号A的目标误识别率为10^(-7),帐号B的目标误识别率为10^(-6),帐号C的目标误识别率为10^(-2),帐号D的目标误识别率为10^(-2)。若数量级损耗为10^2,则帐号A的帐号误识别率为10帐号A的目标误识别率为10^(-5),帐号B的目标误识别率为10^(-4),帐号C的目标误识别率为10^0,帐号D的目标误识别率为10^0。
步骤308,基于帐号误识别率,从候选帐号中确定目标帐号。
服务器可以直接将帐号误识别率最低,且低于误识别率阈值的候选帐号确定为目标帐号。在一种可能的实施方式中,步骤308具体包括如下步骤:
步骤308a,基于帐号误识别率以及分数映射表,确定候选帐号的验证分数。
其中,分数映射表中包含帐号误别识率与验证分数之间的对应关系,且帐号误别识率与验证分数呈负相关关系。服务器基于帐号误识别率查询分数映射表,确定各个候选帐号的验证分数。
示意性的,图6示出了一种分数映射表,帐号误识别率基于数量级进行表示,其中含有帐号误识别率从10^0至10^(-7)各个数量级对应的验证分数。
步骤308b,响应于存在候选帐号对应的验证分数满足分数阈值,将验证分数最高的候选帐号确定为目标帐号。
步骤308c,响应于候选帐号对应的验证分数均小于分数阈值,确定目标帐号不存在。
在一种可能的实施方式中,服务器中设置有分数阈值(例如90分),服务器将高于该分数阈值的候选帐号中,验证分数最高的候选帐号确定为目标帐号。若验证结果中不存在候选帐号的分数高于分数阈值,则确定支付验证失败。
步骤309,基于目标帐号进行支付。
步骤309的具体实施方式可以参考上述步骤205,本申请实施例在此不再赘述。
本申请实施例中,基于候选帐号的第一误识别率和第二误识别率综合得到候选帐号的帐号误识别率,进而基于帐号误识别率进行评分,基于两种生物特征的误识别率确定目标帐号,使得掌纹特征和人脸特征相互弥补,避免了对其中一种生物特征的侧重所引起的错误识别情况;并且,在计算帐号误识别率时,在计算得到理论误识别率的基础上,考虑了理论计算与实际应用之间的误差,设置数量级损耗,使得帐号误识别率更加接近真实数据,提高帐号误识别率的真实性和可靠性,使得目标帐号的筛选更加严格。
上述实施例示出了服务器接收到支付请求后的支付验证过程,在一种可能的实施方式中,服务器还会接收用户的注册终端发送的帐号注册请求以及用于注册的人脸图像和掌纹图像,以更新特征库。图7示出了本申请另一个示例性实施例提供的支付验证方法的流程图。本实施例以该方法应用于支持非接触式支付功能的应用程序的后台服务器为例进行说明,该方法包括如下步骤。
步骤701,接收帐号注册终端发送的帐号注册请求以及支付验证数据。
支付验证数据中包含注册帐号、注册人脸图像以及注册掌纹图像。
用户在进行帐号注册时,注册终端开启摄像头并提示用户进行生物信息采集,获取用户的注册人脸图像以及注册掌纹图像。当确定注册人脸图像以及注册掌纹图像满足注册条件(清晰、完整)时,注册终端将包含注册帐号、注册人脸图像以及注册掌纹图像的支付验证数据以及帐号注册请求发送至服务器,以使服务器基于支付验证数据以及帐号注册请求,创建相应的帐号并更新特征库。
步骤702,对注册人脸图像以及注册掌纹图像进行特征提取,获取注册帐号对应的深度特征,深度特征包掌纹特征以及人脸特征。
服务器接收到帐号注册请求以及支付验证数据后,对对注册人脸图像以及注册掌纹图像进行深度特征提取,得到该注册帐号对应的掌纹特征以及人脸特征。
步骤703,基于注册帐号以及深度特征更新特征库。
服务器在特征库中添加注册帐号,并添加该注册帐号对应的掌纹特征以及人脸特征。例如,特征库包含用于存储掌纹特征的第一特征库,以及用于存储人脸特征的第二特征库,服务器创建注册帐号,并在第一特征库中添加该注册帐号对应的掌纹特征,在第二特征库中添加该注册帐号对应的人脸特征。
图8示出了注册终端以及后台服务器在帐号注册时的交互过程,该过程包括如下步骤:步骤801,终端启用支付应用程序;步骤802,终端获取注册帐号标识;步骤803,终端采集掌纹图像;步骤804,终端采集人脸图像;步骤805,终端将图像发送至服务器;步骤806,服务器进行掌纹识别;步骤807,服务器进行人脸识别;步骤808,服务器更新特征库并返回注册结果至终端。
本申请实施例中,服务器接收注册终端发送的帐号注册请求以及支付验证数据,更新特征库,使得注册该帐号的用户后续可以进行非接触式支付。
上述各个实施例为支付验证过程中,支付应用程序的后台服务器所执行的步骤。在服务器进行特征比对之前,支付终端还需对采集到的图像进行图像预处理,以确保将高质量的掌纹图像和人脸图像发送至服务器,进而保证后台服务器中特征识别和特征对比的准确性,提高支付验证的准确率。图9示出了本申请一个示例性实施例提供的支付验证方法的流程图。本实施例以该方法应用于支持非接触式支付功能的支付终端为例进行说明,该方法包括如下步骤。
步骤901,通过摄像头采集掌纹图像和人脸图像。
在一种可能的实施方式中,商户、银行等存在支付行为的场所配备支付终端,该支付终端用于采集用户的生物特征图像,即掌纹图像和人脸图像,将其发送至服务器进行特征识别,使服务器基于识别结果进行支付,从而代替传统的接触式支付方式(例如密码支付、指纹识别支付等)。
步骤902,将掌纹图像以及人脸图像发送至服务器。
其中,服务器用于基于掌纹图像确定至少两个第一候选帐号,以及基于人脸图像确定至少两个第二候选帐号,基于第一候选帐号对应的第一误识别率以及第二候选帐号对应的第二误识别率确定目标帐号,并基于目标帐号进行支付。
在一种可能的实施方式中,终端按照一定的频率采集掌纹图像和人脸图像,判断获取到的图像是否符合图像识别条件(例如手掌和人脸完整、角度正确、图像清晰等),当检测到符合图像识别条件的掌纹图像以及人脸图像时,停止采集,并将符合条件的图像发送至服务器进行支付验证,以免由于采集到的图像不清晰导致支付验证错误或失败的情况。
步骤903,接收服务器发送的支付结果,基于支付结果显示支付结果界面,支付结果用于指示待支付帐号支付成功或支付失败。
服务器基于目标帐号进行支付后,确定支付成功或支付失败,将结果返回至支付终端,其中支付失败的类型包括余额不足、身份验证失败等。终端显示支付结果界面,以向用户反馈支付结果。
综上所述,在支付验证时,基于各个候选帐号与获取到的掌纹图像和人脸图像之间的相似度,选取出掌纹相似度最高的多个第一候选帐号以及人脸相似度最高的多个第二候选帐号,基于各个候选帐号对应的误识别率,从中确定需要进行支付的目标帐号,相比于特征融合或加权计算的方式,能够避免始终侧重一种特征的情况,并且基于误识别率确定目标帐号,无需引入额外的参数,还能够使得结果更加符合实际,以提高掌脸支付的准确性。
由于支付终端所在位置通常是公共场所,因此其采集到的图像中可能包含较多的信息,例如包含多个人脸等,为了避免对后台服务器特征识别造成干扰,提高特征识别效率和准确率,支付终端需要对采集到的图像进行图像预处理,确保将高质量的人脸图像和掌纹图像发送至服务器。图10示出了本申请一个示例性实施例提供的支付验证方法的流程图。本实施例以该方法应用于支持非接触式支付功能的支付终端为例进行说明,该方法包括如下步骤。
步骤1001,响应于通过第一摄像头检测到手掌,确定接收到支付指令。
由于支付终端所在位置通常是公共场所,支付终端附近可能人数较多且分布密集,并且待支付的用户可能未进行特征采集的准备或者并未决定进行支付,因此若在检测到支付发起操作时直接采集图像可能会导致无效图像,甚至可能错误采集到其他人的特征或者误触发支付流程。在一种可能的实施方式中,支付终端采用抬掌开启支付流程的机制,即用户确认进行支付时,对终端上设置的摄像头出示手掌,终端检测到抬掌操作后,确认接收到支付指令,开启支付流程。
步骤1002,通过第一摄像头采集手掌图像,以及通过第二摄像头采集脸部图像。
在一种可能的实施方式中,在地铁闸机等应用场景中,由于对刷掌和刷脸的耗时要求较高,因此终端至少设置有第一摄像头和第二摄像头,其拍摄角度不同,分别用于采集掌纹图像和人脸图像,以提高支付效率。
步骤1003,对手掌图像进行图像预处理得到掌纹图像,对脸部图像进行图像预处理得到人脸图像。
在一种可能的实施方式中,终端对手掌图像进行图像预处理的过程包括如下步骤:
步骤1003a,将手掌图像输入手掌检测器,得到手掌框选数据,手掌框选数据用于指示手掌图像中手掌对应的区域。
在一种可能的实施方式中,终端内部署有手掌检测器,该手掌检测器为一种级联卷积神经网络(Convolutional Neural Network,CNN),用于确定图像中手掌的大致所在区域。
步骤1003b,基于手掌框选数据对手掌图像进行裁剪,得到手掌中间图像。
手掌检测器输出的手掌框选数据用于指示手掌图像中手掌区域的位置,为了避免手掌检测器所框选出的区域未包含完整的手掌区域,导致后续掌纹不完整进而掌纹识别有误,进一步的,终端将手掌框选数据对应的区域确定为第一手掌区域,基于第一手掌区域以及第一预设比例确定第二手掌区域,按照第二手掌区域进行裁剪得到手掌中间图像,第一预设比例小于1(例如1:1.5、1:2等),即第二手掌区域覆盖第一手掌区域,且范围更大,以确保手掌中间图像中包含完整的掌纹。
如图11所示,手掌检测器输出的手掌框选数据所指示的手掌区域为手掌中间图像1101中方框所示的区域,终端基于手掌框选数据以及第一预设比例对手掌图像进行裁剪得到手掌中间图像1101,即手掌中间图像1101包含了手掌框选数据对应的图像区域且范围更大。
步骤1003c,将手掌中间图像输入手掌关键点检测模型,得到手掌中间图像中的手掌关键点。
在上一步确定出手掌检测框的基础上,使用手掌关键点检测模型得到手掌关键点,其中,手掌关键点检测模型属于一种回归模型,模型输出至少三个手掌关键点,用于构建坐标系以及确定ROI位置。
示意性的,如图11所示,终端将手掌中间图像1101输入手掌关键点检测模型,得到手掌关键点A、B和C的位置。
步骤1003d,基于手掌关键点对应的手掌坐标系,确定手掌感兴趣区域(Region ofInterest,ROI),手掌ROI是手掌区域中包含手掌掌纹的区域。
步骤1003e,将手掌ROI对应的图像确定为掌纹图像。
如图11所示,终端以食指对应的关键点A和无名指对应的关键点C所在直线为横轴,以经过中指对应的关键点B且垂直于横轴的直线为纵轴,建立坐标系。沿纵轴负方向找到掌纹中心点D,BD的长度等于第一预设倍数(例如,二分之三倍)的AC的长度。将AC长度的第二预设倍数(例如,六分之七倍)作为手掌ROI区域的边长,以点D为中心、边平行于横轴或纵轴的区域作为手掌ROI区域,按照手掌ROI对手掌中间图像1101进行裁剪,得到掌纹图像1102。
在一种可能的实施方式中,终端对脸部图像进行图像预处理的过程包括如下步骤:
步骤1003f,将脸部图像输入人脸检测器,得到人脸框选数据,人脸框选数据用于指示脸部图像中人脸对应的区域。
在一种可能的实施方式中,终端内部署有人脸检测器,该人脸检测器为一种级联CNN模型,用于确定图像中人脸的大致所在区域。
步骤1003g,基于人脸框选数据对脸部图像进行裁剪,得到人脸中间图像。
人脸检测器输出的人脸框选数据用于指示脸部图像中人脸区域的位置,为了避免人脸检测器所框选出的区域未包含完整的人脸,导致后续人脸不完整进而人脸识别有误,进一步的,终端将人脸框选数据对应的区域确定为第一人脸区域,基于第一人脸区域以及第二预设比例确定第二人脸区域,按照第二人脸区域进行裁剪得到人脸中间图像,第二预设比例小于1(例如1:1.5、1:2等),即第二人脸区域覆盖第一人脸区域,且范围更大,以确保人脸中间图像中包含完整的人脸。
如图12所示,人脸检测器输出的人脸框选数据所指示的人脸区域为人脸中间图像1201中方框所示的区域,终端基于人脸框选数据以及第二预设比例对人脸图像进行裁剪得到人脸中间图像1201,即人脸中间图像1201包含了人脸框选数据对应的图像区域且范围更大。
步骤1003h,将人脸中间图像输入人脸关键点检测模型,得到人脸中间图像中的人脸关键点。
在获取到上一步的人脸检测框的基础上,基于人脸关键点检测模型回归得到人脸五官的关键点。可选的,人脸关键点检测模型与手掌关键点检测模型为相互独立的两个模型,或者,为同一模型。如图12所示,终端将人脸中间图像1201输入关键点检测模型,得到有5个人脸关键点的位置数据。
步骤1003i,基于人脸关键点确定人脸ROI区域,将人脸ROI区域对应的图像确定为人脸图像,人脸ROI区域为人脸区域中包含人脸特征的区域。
终端基于人脸关键点的位置确定人脸ROI区域,如图12所示,终端基于人脸关键点确定人脸ROI区域,并基于人脸ROI区域对人脸中间图像1201进行裁剪得到人脸图像1202。
步骤1004,将掌纹图像和人脸图像输入质量评估模型,得到掌纹质量分和人脸质量分。
其中,质量分用于指示图像的特征可识别度。具体地,本申请实施例中的质量评估模型从图像的清晰度、特征的完整度、图像的明暗度以及拍摄角度等多个维度对掌纹图像和人脸图像进行质量评估,得到质量分。如图13所示,图像质量可以大致分为5种,除却正常类型的图像以外,其余四类的质量分都较低。通过质量分,终端能够从拍摄得到的一系列视频帧中挑选出最佳图像,再将其传送至服务器,以此提升支付验证的准确率和可用性。
在一种可能的实施方式中,支付终端将经过图像预处理得到的掌纹图像和人脸图像分别输入质量评估模型,得到掌纹图像的掌纹质量分,以及人脸图像的人脸质量分,基于质量分筛选出高质量的掌纹图像和人脸图像。
可选的,掌纹图像和人脸图像的质量评估采用同一个质量评估模型,或者,掌纹图像和人脸图像分别输入独立的两个质量评估模型。本申请实施例对此不作限定。本申请实施例以掌纹图像和人脸图像分别输入两个独立的质量评估模型为例进行说明,终端设置有第一摄像头和第二摄像头时,可以同时采集脸部图像和手掌图像,同步对脸部图像和手掌图像进行图像预处理以及质量评估,以减少支付流程所耗费的时间。
步骤1005,响应于掌纹质量分和人脸质量分均高于质量分阈值,将掌静脉图像输入活体识别模型,得到活体识别模型的活体识别结果。
终端还设置有红外摄像头,当接收到支付指令时,在通过第一摄像头采集手掌图像、通过第二摄像头采集脸部图像的同时,终端还通过红外摄像头采集手掌对应的静脉图像。相应地,终端对静脉图像进行图像预处理,得到静脉图像的静脉ROI,并将静脉ROI对应的图像提取为掌静脉图像,将掌静脉图像输入活体识别模型,得到活体识别模型的活体识别结果。
终端首先将掌静脉图像输入活体模型中,基于模型的输出,判别当前进行支付操作的用户是否为活体用户。通过活体识别机制,终端将得以避开如照片等二维攻击手段,提升非接触式支付的安全性。
可选的,响应于掌纹质量分低于质量分阈值,通过第一摄像头采集下一掌纹图像;响应于人脸质量分低于质量分阈值,通过第二摄像头采集下一人脸图像。即终端持续采集手掌图像和脸部图像,若采集到掌纹质量分达到质量分阈值的掌纹图像,则第一摄像头停止拍摄,若采集到人脸质量分达到质量分阈值的掌纹图像,则第二摄像头停止拍摄。
步骤1006,响应于活体识别结果为图像采集对象属于活体,将掌纹图像和人脸图像发送至服务器。
当活体识别结果指示图像采集对象属于活体时,终端才会将掌纹图像和人脸图像发送至服务器进行身份验证和支付,否则终止支付流程。在一种可能的实施方式中,为避免模型检测结果错误导致用户支付失败,同时提高系统的安全性,当活体识别结果为图像采集对象属于非活体时,重新采集手掌图像和脸部图像,若活体识别结果指示同一图像采集对象属于非活体的次数达到次数阈值,则终止支付流程并生成告警信息。
步骤1007,接收服务器发送的支付结果,基于支付结果显示支付结果界面,支付结果用于指示待支付帐号支付成功或支付失败。
步骤1007的具体实施方式可以参考上述步骤903,本申请实施例在此不再赘述。
本申请实施例中,采用抬掌启动支付流程的支付机制,结合活体识别,确保用户在确定有支付意愿的情况下进行支付,提高了非接触式支付的安全性;对采集到的手掌图像和脸部图像进行图像预处理,将ROI对应的图像发送至服务器进行特征识别和比对,以提高服务器的识别效率;通过进行质量检测,确保将高质量的图像发送至服务器,以提升支付验证的准确率和可用性。
在另一种可能的实施方式中,为了降低硬件的设计和花费,在对支付耗时要求不高的场景,终端可以通过复用同一个摄像头串行地采集手掌图像和脸部图像,上述步骤901还包括如下步骤:
步骤901a,响应于通过摄像头检测到手掌,确定接收到支付指令,通过摄像头采集手掌图像。
同样地,终端基于抬掌触发支付流程的机制,当检测到手掌时,通过摄像头采集手掌图像以及掌静脉图像。在基于掌静脉图像进行活体识别,确认属于活体手掌时,继续对手掌图像进行图像预处理。
步骤901b,对手掌图像进行图像预处理,得到掌纹图像。
终端经过手掌检测器以及手掌关键点检测模型,确定出手掌ROI,然后进行质量评估,当采集到质量分满足质量分阈值的掌纹图像后,将该掌纹图像发送至服务器,继续通过该摄像头采集人脸图像。在一种可能的实施方式中,终端还设置有红外摄像头,在通过普通摄像头采集手掌图像的同时,通过红外摄像头采集掌静脉图像,用以进行活体识别。
步骤901c,复用摄像头采集脸部图像。
步骤901d,对脸部图像进行图像预处理,得到人脸图像。
相应的,终端通过摄像头采集到脸部图像后,基于人脸检测器以及人脸关键点检测模型,确定出人脸ROI,然后进行质量评估,当采集到质量分满足质量分阈值的人脸图像后,将该人脸图像发送至服务器,结束图像检测环节。
图14是本申请一个示例性实施例提供的支付验证装置的结构框图,该装置包括:
获取模块1401,用于获取掌纹图像和人脸图像;
第一确定模块1402,用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,所述第一候选帐号对应的掌纹相似度高于其它帐号对应的掌纹相似度,所述第二候选帐号对应的人脸相似度高于其它帐号对应的人脸相似度;
第二确定模块1403,用于基于所述第一候选帐号的掌纹相似度,确定所述第一候选帐号对应的第一误识别率,以及基于所述第二候选帐号对应的人脸相似度,确定所述第二候选帐号对应的第二误识别率;
第三确定模块1404,用于基于所述第一误识别率和所述第二误识别率,从所述第一候选帐号和所述第二候选帐号中确定目标帐号;
支付模块1405,用于基于所述目标帐号进行支付。
可选的,所述第二确定模块1403,包括:
第一查询单元,用于查询第一映射表,确定所述第一候选帐号的掌纹相似度对应的第一相似度区间,所述第一映射表中包含相似度区间与所述第一误识别率的对应关系;
第一确定单元,用于基于所述第一相似度区间以及所述第一映射表,确定所述第一误识别率;
第二查询单元,用于查询第二映射表,确定所述第二候选帐号的人脸相似度对应的第二相似度区间,所述第二映射表中包含相似度区间与所述第二误识别率的对应关系;
第二确定单元,用于基于所述第二相似度区间以及所述第二映射表,确定所述第二误别识率。
可选的,所述第三确定模块1404,包括:
第三确定单元,用于基于所述第一误识别率、所述第二误识别率以及候选帐号的帐号类型,确定所述候选帐号的帐号误识别率,所述帐号类型包括交集帐号和非交集帐号,所述交集帐号既属于所述第一候选帐号也属于所述第二候选帐号;
第四确定单元,用于基于所述帐号误识别率,从所述候选帐号中确定所述目标帐号。
可选的,所述第三确定单元,还用于:
响应于所述候选帐号为所述交集帐号,基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率;
响应于所述候选帐号为所述非交集帐号且属于所述第一候选帐号,确定所述候选帐号的所述第二误识别率为1;基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率;
响应于所述候选帐号为所述非交集帐号且属于所述第二候选帐号,确定所述候选帐号的所述第一误识别率为1;基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率。
可选的,所述第一误识别率和所述第二误识别率通过数量级进行表示;
所述第三确定单元,还用于:
基于所述第一误识别率和所述第二误识别率的乘积,确定所述候选帐号的目标误识别率;
基于所述目标误识别率以及数量级损耗,确定所述帐号误识别率,所述数量级损耗为理论计算得到的误识别率与实际测试得到的误识别率的数量级之差。
可选的,所述第四确定单元,还用于:
基于所述帐号误识别率以及分数映射表,确定所述候选帐号的验证分数,所述分数映射表中包含所述帐号误别识率与所述验证分数之间的对应关系,且所述帐号误别识率与所述验证分数呈负相关关系;
响应于存在候选帐号对应的验证分数满足分数阈值,将验证分数最高的候选帐号确定为所述目标帐号;
响应于所述候选帐号对应的验证分数均小于所述分数阈值,确定所述目标帐号不存在。
可选的,所述装置还包括:
接收模块,用于接收帐号注册终端发送的帐号注册请求以及支付验证数据,所述支付验证数据中包含注册帐号、注册人脸图像以及注册掌纹图像;
特征提取模块,用于对所述注册人脸图像以及所述注册掌纹图像进行特征提取,获取所述注册帐号对应的深度特征,所述深度特征包掌纹特征以及人脸特征;
更新模块,用于基于所述注册帐号以及所述深度特征更新特征库。
图15是本申请一个示例性实施例提供的支付验证装置的结构框图,该装置包括:
图像采集模块1501,用于通过摄像头采集掌纹图像和人脸图像;
发送模块1502,用于将所述掌纹图像以及所述人脸图像发送至服务器,所述服务器用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,基于所述第一候选帐号对应的第一误识别率以及所述第二候选帐号对应的第二误识别率确定目标帐号,并基于所述目标帐号进行支付;
显示模块1503,用于接收所述服务器发送的所述支付结果,基于所述支付结果显示支付结果界面,所述支付结果用于指示待支付帐号支付成功或支付失败。
可选的,所述终端设置有第一摄像头和第二摄像头;
所述图像采集模块1501,包括:
第五确定单元,用于响应于通过所述第一摄像头检测到手掌,确定接收到支付指令;
第一采集单元,用于通过所述第一摄像头采集手掌图像,以及通过所述第二摄像头采集脸部图像;
第一处理单元,用于对所述手掌图像进行图像预处理得到所述掌纹图像,对所述脸部图像进行图像预处理得到所述人脸图像。
可选的,所述图像处理单元,还用于:
将所述手掌图像输入手掌检测器,得到手掌框选数据,所述手掌框选数据用于指示所述手掌图像中手掌对应的区域;
基于所述手掌框选数据对所述手掌图像进行裁剪,得到手掌中间图像;
将所述手掌中间图像输入手掌关键点检测模型,得到所述手掌中间图像中的手掌关键点;
基于所述手掌关键点对应的手掌坐标系,确定手掌感兴趣区域ROI,所述手掌ROI是所述手掌区域中包含手掌掌纹的区域;
将所述手掌ROI对应的图像确定为所述掌纹图像。
可选的,所述图像处理单元,还用于:
将所述脸部图像输入人脸检测器,得到人脸框选数据,所述人脸框选数据用于指示所述脸部图像中人脸对应的区域;
基于所述人脸框选数据对所述脸部图像进行裁剪,得到人脸中间图像;
将所述人脸中间图像输入人脸关键点检测模型,得到所述人脸中间图像中的人脸关键点;
基于所述人脸关键点确定人脸ROI区域,将所述人脸ROI区域对应的图像确定为所述人脸图像,所述人脸ROI区域为所述人脸区域中包含人脸特征的区域。
可选的,所述终端还设置有红外摄像头,所述红外摄像头用于采集掌静脉图像;所述发送模块1502,包括:
质量检测单元,用于将所述掌纹图像和所述人脸图像输入质量评估模型,得到掌纹质量分和人脸质量分,其中,质量分用于指示图像的清晰度以及完整度;
活体检测单元,用于响应于所述掌纹质量分和所述人脸质量分均高于质量分阈值,将所述掌静脉图像输入活体识别模型,得到所述活体识别模型的活体识别结果,所述活体识别结果用于指示图像采集对象属于活体或非活体;
发送单元,用于响应于所述活体识别结果为所述图像采集对象属于活体,将所述掌纹图像和所述人脸图像发送至所述服务器。
可选的,所述图像采集模块1501,包括:
第二采集单元,用于响应于通过所述摄像头检测到手掌,确定接收到支付指令,通过所述摄像头采集手掌图像;
第二处理单元,用于对所述手掌图像进行图像预处理,得到所述掌纹图像;
第三采集单元,用于复用所述摄像头采集脸部图像;
第三处理单元,用于对所述脸部图像进行图像预处理,得到所述人脸图像。
综上所述,本申请实施例中,通过前期测试分别得到掌纹识别结果的误识别率以及人脸识别结果的误识别率,在支付验证时,基于各个候选帐号与获取到的掌纹图像和人脸图像之间的相似度,选取出掌纹相似度最高的多个第一候选帐号以及人脸相似度最高的多个第二候选帐号,基于各个候选帐号对应的误识别率,从中确定需要进行支付的目标帐号,相比于特征融合或加权计算的方式,能够避免始终侧重一种特征的情况,并且基于误识别率确定目标帐号,无需引入额外的参数,还能够使得结果更加符合实际,以提高掌脸支付的准确性。
请参考图16,其示出了本申请一个实施例提供的服务器的结构示意图。具体来讲:
所述服务器1600包括中央处理单元(Central Processing Unit,CPU)1601、包括随机存取存储器(Random Access Memory,RAM)1602和只读存储器(Read Only Memory,ROM)1603的系统存储器1604,以及连接系统存储器1604和中央处理单元1601的系统总线1605。所述服务器1600还包括帮助计算机内的各个器件之间传输信息的基本输入/输出(Input/Output,I/O)控制器1606,和用于存储操作系统1613、应用程序1614和其他程序模块1615的大容量存储设备1607。
所述基本输入/输出系统1606包括有用于显示信息的显示器1608和用于用户输入信息的诸如鼠标、键盘之类的输入设备1609。其中所述显示器1608和输入设备1609都通过连接到系统总线1605的输入输出控制器1610连接到中央处理单元1601。所述基本输入/输出系统1606还可以包括输入输出控制器1610以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入/输出控制器1610还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1607通过连接到系统总线1605的大容量存储控制器(未示出)连接到中央处理单元1601。所述大容量存储设备1607及其相关联的计算机可读介质为服务器1600提供非易失性存储。也就是说,所述大容量存储设备1607可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory,CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存或其他固态存储其技术,CD-ROM、数字视频光盘(Digital Video Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1604和大容量存储设备1607可以统称为存储器。
根据本申请的各种实施例,所述服务器1600还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1600可以通过连接在所述系统总线1605上的网络接口单元1611连接到网络1612,或者说,也可以使用网络接口单元1611来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集存储于存储器中,且经配置以由一个或者一个以上处理器执行,以实现上述支付验证方法。
请参考图17,其示出了本申请一个示例性实施例提供的终端1700的结构框图。该终端1700可以是便携式移动终端,比如:智能手机、平板电脑、动态影像专家压缩标准音频层面3(Moving Picture Experts Group Audio Layer III,MP3)播放器、动态影像专家压缩标准音频层面4(Moving Picture Experts Group Audio Layer IV,MP4)播放器。终端1700还可能被称为用户设备、便携式终端等其他名称。
通常,终端1700包括有:处理器1701和存储器1702。
处理器1701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1701可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器1701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1701可以在集成有图像处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1701还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是有形的和非暂态的。存储器1702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1702中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1701所执行以实现本申请实施例提供的方法。
在一些实施例中,终端1700还可选包括有:外围设备接口1703和至少一个外围设备。具体地,外围设备包括:射频电路1704、触摸显示屏1705、摄像头1706、音频电路1707、定位组件1708和电源1709中的至少一种。
外围设备接口1703可被用于将输入/输出(Input/Output,I/O)相关的至少一个外围设备连接到处理器1701和存储器1702。在一些实施例中,处理器1701、存储器1702和外围设备接口1703被集成在同一芯片或电路板上;在一些其他实施例中,处理器1701、存储器1702和外围设备接口1703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1704用于接收和发射射频(Radio Frequency,RF)信号,也称电磁信号。射频电路1704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1704包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或无线保真(Wireless Fidelity,WiFi)网络。在一些实施例中,射频电路1704还可以包括近距离无线通信(Near Field Communication,NFC)有关的电路,本申请对此不加以限定。
触摸显示屏1705用于显示UI。该UI可以包括图形、文本、图标、视频及其它们的任意组合。触摸显示屏1705还具有采集在触摸显示屏1705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1701进行处理。触摸显示屏1705用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,触摸显示屏1705可以为一个,设置终端1700的前面板;在另一些实施例中,触摸显示屏1705可以为至少两个,分别设置在终端1700的不同表面或呈折叠设计;在再一些实施例中,触摸显示屏1705可以是柔性显示屏,设置在终端1700的弯曲表面上或折叠面上。甚至,触摸显示屏1705还可以设置成非矩形的不规则图形,也即异形屏。触摸显示屏1705可以采用液晶显示器(LiquidCrystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等材质制备。
摄像头组件1706用于采集图像或视频。可选地,摄像头组件1706包括前置摄像头和后置摄像头。通常,前置摄像头用于实现视频通话或自拍,后置摄像头用于实现照片或视频的拍摄。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能,主摄像头和广角摄像头融合实现全景拍摄以及虚拟现实(Virtual Reality,VR)拍摄功能。在一些实施例中,摄像头组件1706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1707用于提供用户和终端1700之间的音频接口。音频电路1707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1701进行处理,或者输入至射频电路1704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1701或射频电路1704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1707还可以包括耳机插孔。
定位组件1708用于定位终端1700的当前地理位置,以实现导航或基于位置的服务(Location Based Service,LBS)。定位组件1708可以是基于美国的全球定位系统(GlobalPositioning System,GPS)、中国的北斗系统或俄罗斯的伽利略系统的定位组件。
电源1709用于为终端1700中的各个组件进行供电。电源1709可以是交流电、直流电、一次性电池或可充电电池。当电源1709包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端1700还包括有一个或多个传感器1710。该一个或多个传感器1710包括但不限于:加速度传感器1711、陀螺仪传感器1712、压力传感器1713、指纹传感器1714、光学传感器1715以及接近传感器1716。
加速度传感器1711可以检测以终端1700建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1711可以用于检测重力加速度在三个坐标轴上的分量。处理器1701可以根据加速度传感器1711采集的重力加速度信号,控制触摸显示屏1705以横向视图或纵向视图进行用户界面的显示。加速度传感器1711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1712可以检测终端1700的机体方向及转动角度,陀螺仪传感器1712可以与加速度传感器1711协同采集用户对终端1700的3D动作。处理器1701根据陀螺仪传感器1712采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1713可以设置在终端1700的侧边框和/或触摸显示屏1705的下层。当压力传感器1713设置在终端1700的侧边框时,可以检测用户对终端1700的握持信号,根据该握持信号进行左右手识别或快捷操作。当压力传感器1713设置在触摸显示屏1705的下层时,可以根据用户对触摸显示屏1705的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1714用于采集用户的指纹,以根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1701授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1714可以被设置终端1700的正面、背面或侧面。当终端1700上设置有物理按键或厂商标志(Logo)时,指纹传感器1714可以与物理按键或厂商Logo集成在一起。
光学传感器1715用于采集环境光强度。在一个实施例中,处理器1701可以根据光学传感器1715采集的环境光强度,控制触摸显示屏1705的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏1705的显示亮度;当环境光强度较低时,调低触摸显示屏1705的显示亮度。在另一个实施例中,处理器1701还可以根据光学传感器1715采集的环境光强度,动态调整摄像头组件1706的拍摄参数。
接近传感器1716,也称距离传感器,通常设置在终端1700的正面。接近传感器1716用于采集用户与终端1700的正面之间的距离。在一个实施例中,当接近传感器1716检测到用户与终端1700的正面之间的距离逐渐变小时,由处理器1701控制触摸显示屏1705从亮屏状态切换为息屏状态;当接近传感器1716检测到用户与终端1700的正面之间的距离逐渐变大时,由处理器1701控制触摸显示屏1705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图13中示出的结构并不构成对终端1700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如上各个实施例所述的支付验证方法。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备或终端的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备或终端执行上述方面的各种可选实现方式中提供的支付验证方法。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读存储介质中或者作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (19)
1.一种支付验证方法,其特征在于,所述方法包括:
获取掌纹图像和人脸图像;
基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,所述第一候选帐号对应的掌纹相似度高于其它帐号对应的掌纹相似度,所述第二候选帐号对应的人脸相似度高于其它帐号对应的人脸相似度;
基于所述第一候选帐号的掌纹相似度,确定所述第一候选帐号对应的第一误识别率,以及基于所述第二候选帐号对应的人脸相似度,确定所述第二候选帐号对应的第二误识别率;
基于所述第一误识别率和所述第二误识别率,从所述第一候选帐号和所述第二候选帐号中确定目标帐号;
基于所述目标帐号进行支付。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一候选帐号的掌纹相似度,确定所述第一候选帐号对应的第一误识别率,包括:
查询第一映射表,确定所述第一候选帐号的掌纹相似度对应的第一相似度区间,所述第一映射表中包含相似度区间与所述第一误识别率的对应关系;
基于所述第一相似度区间以及所述第一映射表,确定所述第一误识别率;
所述基于所述第二候选帐号对应的人脸相似度,确定所述第二候选帐号对应的第二误识别率,包括:
查询第二映射表,确定所述第二候选帐号的人脸相似度对应的第二相似度区间,所述第二映射表中包含相似度区间与所述第二误识别率的对应关系;
基于所述第二相似度区间以及所述第二映射表,确定所述第二误别识率。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一误识别率和所述第二误识别率,从所述第一候选帐号和所述第二候选帐号中确定目标帐号,包括:
基于所述第一误识别率、所述第二误识别率以及候选帐号的帐号类型,确定所述候选帐号的帐号误识别率,所述帐号类型包括交集帐号和非交集帐号,所述交集帐号既属于所述第一候选帐号也属于所述第二候选帐号;
基于所述帐号误识别率,从所述候选帐号中确定所述目标帐号。
4.根据权利要求3所述的方法,其特征在于,所述基于所述第一误识别率、所述第二误识别率以及候选帐号的帐号类型,确定所述候选帐号的帐号误识别率,包括:
响应于所述候选帐号为所述交集帐号,基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率;
响应于所述候选帐号为所述非交集帐号且属于所述第一候选帐号,确定所述候选帐号的所述第二误识别率为1;基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率;
响应于所述候选帐号为所述非交集帐号且属于所述第二候选帐号,确定所述候选帐号的所述第一误识别率为1;基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率。
5.根据权利要求4所述的方法,其特征在于,所述第一误识别率和所述第二误识别率通过数量级进行表示;
所述基于所述候选帐号对应的所述第一误识别率和所述第二误识别率,确定所述候选帐号的所述帐号误识别率,包括:
基于所述第一误识别率和所述第二误识别率的乘积,确定所述候选帐号的目标误识别率;
基于所述目标误识别率以及数量级损耗,确定所述帐号误识别率,所述数量级损耗为理论计算得到的误识别率与实际测试得到的误识别率的数量级之差。
6.根据权利要求3至5任一所述的方法,其特征在于,所述基于所述帐号误识别率,从所述候选帐号中确定所述目标帐号,包括:
基于所述帐号误识别率以及分数映射表,确定所述候选帐号的验证分数,所述分数映射表中包含所述帐号误别识率与所述验证分数之间的对应关系,且所述帐号误别识率与所述验证分数呈负相关关系;
响应于存在候选帐号对应的验证分数满足分数阈值,将验证分数最高的候选帐号确定为所述目标帐号;
响应于所述候选帐号对应的验证分数均小于所述分数阈值,确定所述目标帐号不存在。
7.根据权利要求1至5任一所述的方法,其特征在于,所述方法还包括:
接收帐号注册终端发送的帐号注册请求以及支付验证数据,所述支付验证数据中包含注册帐号、注册人脸图像以及注册掌纹图像;
对所述注册人脸图像以及所述注册掌纹图像进行特征提取,获取所述注册帐号对应的深度特征,所述深度特征包掌纹特征以及人脸特征;
基于所述注册帐号以及所述深度特征更新特征库。
8.一种支付验证方法,其特征在于,所述方法包括:
通过摄像头采集掌纹图像和人脸图像;
将所述掌纹图像以及所述人脸图像发送至服务器,所述服务器用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,基于所述第一候选帐号对应的第一误识别率以及所述第二候选帐号对应的第二误识别率确定目标帐号,并基于所述目标帐号进行支付;
接收所述服务器发送的所述支付结果,基于所述支付结果显示支付结果界面,所述支付结果用于指示待支付帐号支付成功或支付失败。
9.根据权利要求8所述的方法,其特征在于,终端设置有第一摄像头和第二摄像头;
所述通过摄像头采集掌纹图像和人脸图像,包括:
响应于通过所述第一摄像头检测到手掌,确定接收到支付指令;
通过所述第一摄像头采集手掌图像,以及通过所述第二摄像头采集脸部图像;
对所述手掌图像进行图像预处理得到所述掌纹图像,对所述脸部图像进行图像预处理得到所述人脸图像。
10.根据权利要求9所述的方法,其特征在于,所述对所述手掌图像进行图像预处理得到所述掌纹图像,包括:
将所述手掌图像输入手掌检测器,得到手掌框选数据,所述手掌框选数据用于指示所述手掌图像中手掌对应的区域;
基于所述手掌框选数据对所述手掌图像进行裁剪,得到手掌中间图像;
将所述手掌中间图像输入手掌关键点检测模型,得到所述手掌中间图像中的手掌关键点;
基于所述手掌关键点对应的手掌坐标系,确定手掌感兴趣区域ROI,所述手掌ROI是所述手掌区域中包含手掌掌纹的区域;
将所述手掌ROI对应的图像确定为所述掌纹图像。
11.根据权利要求9所述的方法,其特征在于,所述对所述脸部图像进行图像预处理得到所述人脸图像,包括:
将所述脸部图像输入人脸检测器,得到人脸框选数据,所述人脸框选数据用于指示所述脸部图像中人脸对应的区域;
基于所述人脸框选数据对所述脸部图像进行裁剪,得到人脸中间图像;
将所述人脸中间图像输入人脸关键点检测模型,得到所述人脸中间图像中的人脸关键点;
基于所述人脸关键点确定人脸ROI区域,将所述人脸ROI区域对应的图像确定为所述人脸图像,所述人脸ROI区域为所述人脸区域中包含人脸特征的区域。
12.根据权利要求9至11任一所述的方法,其特征在于,所述终端还设置有红外摄像头,所述红外摄像头用于采集掌静脉图像;
所述将所述掌纹图像以及所述人脸图像发送至服务器,包括:
将所述掌纹图像和所述人脸图像输入质量评估模型,得到掌纹质量分和人脸质量分,其中,质量分用于指示图像的特征可识别度;
响应于所述掌纹质量分和所述人脸质量分均高于质量分阈值,将所述掌静脉图像输入活体识别模型,得到所述活体识别模型的活体识别结果,所述活体识别结果用于指示图像采集对象属于活体或非活体;
响应于所述活体识别结果为所述图像采集对象属于活体,将所述掌纹图像和所述人脸图像发送至所述服务器。
13.根据权利要求8至11任一所述的方法,其特征在于,所述通过摄像头采集掌纹图像和人脸图像,包括:
响应于通过所述摄像头检测到手掌,确定接收到支付指令,通过所述摄像头采集手掌图像;
对所述手掌图像进行图像预处理,得到所述掌纹图像;
复用所述摄像头采集脸部图像;
对所述脸部图像进行图像预处理,得到所述人脸图像。
14.一种支付验证装置,其特征在于,所述装置包括:
获取模块,用于获取掌纹图像和人脸图像;
第一确定模块,用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,所述第一候选帐号对应的掌纹相似度高于其它帐号对应的掌纹相似度,所述第二候选帐号对应的人脸相似度高于其它帐号对应的人脸相似度;
第二确定模块,用于基于所述第一候选帐号的掌纹相似度,确定所述第一候选帐号对应的第一误识别率,以及基于所述第二候选帐号对应的人脸相似度,确定所述第二候选帐号对应的第二误识别率;
第三确定模块,用于基于所述第一误识别率和所述第二误识别率,从所述第一候选帐号和所述第二候选帐号中确定目标帐号;
支付模块,用于基于所述目标帐号进行支付。
15.一种支付验证装置,其特征在于,所述装置包括:
图像采集模块,用于通过摄像头采集掌纹图像和人脸图像;
发送模块,用于将所述掌纹图像以及所述人脸图像发送至服务器,所述服务器用于基于所述掌纹图像确定至少两个第一候选帐号,以及基于所述人脸图像确定至少两个第二候选帐号,基于所述第一候选帐号对应的第一误识别率以及所述第二候选帐号对应的第二误识别率确定目标帐号,并基于所述目标帐号进行支付;
显示模块,用于接收所述服务器发送的所述支付结果,基于所述支付结果显示支付结果界面,所述支付结果用于指示待支付帐号支付成功或支付失败。
16.一种终端,其特征在于,所述终端包括处理器和存储器;所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的支付验证方法。
17.一种服务器,其特征在于,所述服务器包括处理器和存储器;所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求8至13任一所述的支付验证方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条计算机程序,所述计算机程序由处理器加载并执行以实现如权利要求1至7任一所述的支付验证方法,或,权利要求8至13任一所述的支付验证方法。
19.一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中。终端的处理器从所述计算机可读存储介质读取所述计算机指令,所述处理器执行所述计算机指令,使得所述终端执行如权利要求1至7任一所述的支付验证方法,或,服务器的处理器从所述计算机可读存储介质读取所述计算机指令,所述处理器执行所述计算机指令,使得所述服务器执行如权利要求8至13任一所述的支付验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095306.6A CN115829575A (zh) | 2021-09-17 | 2021-09-17 | 支付验证方法、装置、终端、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095306.6A CN115829575A (zh) | 2021-09-17 | 2021-09-17 | 支付验证方法、装置、终端、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115829575A true CN115829575A (zh) | 2023-03-21 |
Family
ID=85515929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095306.6A Pending CN115829575A (zh) | 2021-09-17 | 2021-09-17 | 支付验证方法、装置、终端、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829575A (zh) |
-
2021
- 2021-09-17 CN CN202111095306.6A patent/CN115829575A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348543B (zh) | 眼底图像识别方法、装置、计算机设备及存储介质 | |
CN108399349B (zh) | 图像识别方法及装置 | |
CN111079576B (zh) | 活体检测方法、装置、设备及存储介质 | |
CN109815150B (zh) | 应用测试方法、装置、电子设备及存储介质 | |
CN110807361A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
US20220309836A1 (en) | Ai-based face recognition method and apparatus, device, and medium | |
CN110795019B (zh) | 软键盘的按键识别方法、装置及存储介质 | |
CN111368811B (zh) | 活体检测方法、装置、设备及存储介质 | |
CN110059686B (zh) | 字符识别方法、装置、设备及可读存储介质 | |
CN110490186B (zh) | 车牌识别方法、装置及存储介质 | |
CN112036331A (zh) | 活体检测模型的训练方法、装置、设备及存储介质 | |
CN113378705B (zh) | 车道线检测方法、装置、设备及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN111027490A (zh) | 人脸属性识别方法及装置、存储介质 | |
CN113515987A (zh) | 掌纹识别方法、装置、计算机设备及存储介质 | |
CN112115748B (zh) | 证件图像识别方法、装置、终端及存储介质 | |
CN111586279B (zh) | 确定拍摄状态的方法、装置、设备及存储介质 | |
CN112749590A (zh) | 目标检测方法、装置、计算机设备和计算机可读存储介质 | |
CN112818733B (zh) | 信息处理方法、装置、存储介质及终端 | |
CN110232417B (zh) | 图像识别方法、装置、计算机设备及计算机可读存储介质 | |
CN112818979A (zh) | 文本识别方法、装置、设备及存储介质 | |
CN110163192B (zh) | 字符识别方法、装置及可读介质 | |
CN114140839B (zh) | 用于人脸识别的图像发送方法、装置、设备及存储介质 | |
CN115829575A (zh) | 支付验证方法、装置、终端、服务器及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40083838 Country of ref document: HK |