CN116911859A - 一种手势支付方法、装置、设备和介质 - Google Patents
一种手势支付方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116911859A CN116911859A CN202310912727.6A CN202310912727A CN116911859A CN 116911859 A CN116911859 A CN 116911859A CN 202310912727 A CN202310912727 A CN 202310912727A CN 116911859 A CN116911859 A CN 116911859A
- Authority
- CN
- China
- Prior art keywords
- gesture
- payment
- user
- target
- request
- 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 64
- 230000002452 interceptive effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 46
- 238000003062 neural network model Methods 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 12
- 230000003993 interaction Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/40—Authorisation, e.g. identification of payer or payee, verification of customer or shop credentials; Review and approval of payers, e.g. check credit lines or negative lists
- G06Q20/401—Transaction verification
- G06Q20/4014—Identity check for transactions
- G06Q20/40145—Biometric identity checks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开一种手势支付方法、装置、设备和介质,可应用于大数据领域或金融领域,响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定支付请求对应的目标支付手势。进而展示支付请求对应的手势支付页面,手势支付页面中包括目标支付手势、手势录入按钮和支付提示信息,支付提示信息用于提示目标用户利用手势录入按钮和目标支付手势进行支付。接着,响应于针对手势录入按钮的交互操作,采集目标用户的用户手势。若确定用户手势与目标支付手势匹配,根据用户手势进行支付。可见,对于任一支付请求,都可以从支付手势库中确定目标支付手势作为标准手势,提高了作为标准手势的目标支付手势的随机性,从而有利于提高支付安全性。
Description
技术领域
本申请涉及大数据领域,特别是涉及一种手势支付方法、装置、设备和介质。
背景技术
随着互联网的快速发展,移动支付因其具备良好便捷地支付体验等优势,被普遍应用在日常的各种支付场景中。
手势支付作为移动支付的一种,能够在日常的各种支付场景中带给用户更为便捷的支付体验,已逐渐成为一种常用的移动支付方式。相关技术中,通过预先录入用户指定的手势作为该用户的支付手势,具体可以是用户通过手形成的某一指定的手势。如此,在支付时,采集当前支付对应的手势,与预先录入的支付手势进行匹配,若二者匹配,则可以进行支付,反之,则不进行支付。
然而,相关技术中提供的手势支付方式,存在支付安全性低的问题。如何提高手势支付安全性,对于保护资产安全等具有重要意义。
发明内容
为了解决上述技术问题,本申请提供了一种手势支付方法、装置、设备和介质,提高了作为标准手势的目标支付手势的随机性,从而有利于提高支付安全性。
本申请实施例公开了如下技术方案:
一方面,本申请实施例提供了一种手势支付方法,所述方法包括:
响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定所述支付请求对应的目标支付手势;
展示所述支付请求对应的手势支付页面;所述手势支付页面中包括所述目标支付手势、手势录入按钮和支付提示信息,所述支付提示信息用于提示所述目标用户利用所述手势录入按钮和所述目标支付手势进行支付;
响应于针对所述手势录入按钮的交互操作,采集所述目标用户的用户手势;
若确定所述用户手势与所述目标支付手势匹配,根据所述用户手势进行支付。
在一种可能的实现方式中,所述目标支付手势的手势类型是支付类型,所述方法还包括:
利用预先训练好的循环神经网络模型对所述用户手势进行分类识别,输出所述用户手势对应的手势分类结果;
若所述手势分类结果指示所述用户手势的手势类型是所述支付类型,对所述用户手势和所述目标支付手势进行匹配。
在一种可能的实现方式中,所述对所述用户手势和所述目标支付手势进行匹配,包括:
对所述用户手势进行特征提取得到用户手势特征,以及对所述目标支付手势进行特征提取得到支付手势特征;
所述确定所述用户手势与所述目标支付手势匹配,包括:
若所述用户手势特征与所述支付手势特征一致,确定所述用户手势与所述目标支付手势匹配。
在一种可能的实现方式中,所述方法还包括:
若所述手势分类结果指示所述用户手势的手势类型不是所述支付类型,确定所述用户手势与所述目标支付手势不匹配,以及生成支付异常提示信息;所述支付异常提示信息用于提示所述目标用户手势异常。
在一种可能的实现方式中,所述循环神经网络模型通过如下方式训练获得:
获取具有样本标签的训练样本手势;所述样本标签用于标识所述训练样本手势的手势类型是所述支付类型或不是所述支付类型;
利用所述训练样本手势对初始网络模型进行模型训练,直至所述初始网络模型满足训练结束条件,将完成模型训练的初始网络模型确定为所述循环神经网络模型。
在一种可能的实现方式中,所述方法还包括:
对所述支付请求对应的支付数据进行记录;所述支付数据包括所述目标支付手势和所述用户手势。
在一种可能的实现方式中,在所述响应于目标用户发起的支付请求之前,所述方法还包括:
响应于所述目标用户发起的登录操作,对所述目标用户基于所述登录操作输入的登录信息进行校验;所述登录操作用于指示根据所述登录信息登录所述目标用户对应的目标账户;
若确定所述登录信息通过校验,确定所述目标账户的状态为已登录;所述支付请求是通过所述目标账户发起的。
另一方面,本申请实施例提供了一种手势支付装置,所述装置包括确定单元、展示单元、采集单元和支付单元:
所述确定单元,用于响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定所述支付请求对应的目标支付手势;
所述展示单元,用于展示所述支付请求对应的手势支付页面;所述手势支付页面中包括所述目标支付手势、手势录入按钮和支付提示信息,所述支付提示信息用于提示所述目标用户利用所述手势录入按钮和所述目标支付手势进行支付;
所述采集单元,用于响应于针对所述手势录入按钮的交互操作,采集所述目标用户的用户手势;
所述支付单元,用于若确定所述用户手势与所述目标支付手势匹配,根据所述用户手势进行支付。
在一种可能的实现方式中,所述目标支付手势的手势类型是支付类型,所述装置还包括识别单元和匹配单元:
所述识别单元,用于利用预先训练好的循环神经网络模型对所述用户手势进行分类识别,输出所述用户手势对应的手势分类结果;
所述匹配单元,用于若所述手势分类结果指示所述用户手势的手势类型是所述支付类型,对所述用户手势和所述目标支付手势进行匹配。
在一种可能的实现方式中,所述匹配单元还用于:
对所述用户手势进行特征提取得到用户手势特征,以及对所述目标支付手势进行特征提取得到支付手势特征;
所述支付单元,还用于若所述用户手势特征与所述支付手势特征一致,确定所述用户手势与所述目标支付手势匹配。
在一种可能的实现方式中,所述匹配单元还用于:
若所述手势分类结果指示所述用户手势的手势类型不是所述支付类型,确定所述用户手势与所述目标支付手势不匹配,以及生成支付异常提示信息;所述支付异常提示信息用于提示所述目标用户手势异常。
在一种可能的实现方式中,所述循环神经网络模型通过如下方式训练获得:
获取具有样本标签的训练样本手势;所述样本标签用于标识所述训练样本手势的手势类型是所述支付类型或不是所述支付类型;
利用所述训练样本手势对初始网络模型进行模型训练,直至所述初始网络模型满足训练结束条件,将完成模型训练的初始网络模型确定为所述循环神经网络模型。
在一种可能的实现方式中,所述装置还包括记录单元:
所述记录单元,用于对所述支付请求对应的支付数据进行记录;所述支付数据包括所述目标支付手势和所述用户手势。
在一种可能的实现方式中,所述装置还包括校验单元和确定单元:
所述校验单元,用于响应于所述目标用户发起的登录操作,对所述目标用户基于所述登录操作输入的登录信息进行校验;所述登录操作用于指示根据所述登录信息登录所述目标用户对应的目标账户;
所述确定单元,用于若确定所述登录信息通过校验,确定所述目标账户的状态为已登录;所述支付请求是通过所述目标账户发起的。
又一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行以上方面所述的手势支付方法。
又一方面,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用于存储计算机程序,所述计算机程序用于执行以上方面所述的手势支付方法。
由上述技术方案可以看出,在手势支付场景中,可以响应于目标用户发起的支付请求,首先从支付手势库所包括的多个支付手势中确定支付请求对应的目标支付手势,即,目标支付手势是此次支付请求对应的、用于支付的标准手势。进而可以展示支付请求对应的手势支付页面,该手势支付页面中可以包括目标支付手势、手势录入按钮和支付提示信息,其中,支付提示信息可以用于提示目标用户利用手势录入按钮和目标支付手势进行支付,具体可以是提示目标用户通过与手势录入按钮进行交互以录入目标支付手势所指示的手势。接着,可以响应于针对手势录入按钮的交互操作,采集目标用户的用户手势,采集到的用户手势可以是指目标用户针对此次支付请求做出的手势。若确定用户手势与目标支付手势匹配,表明目标用户录入了此次支付请求对应的标准手势,故此时可以根据用户手势进行支付。可见,采用本申请,对于任一支付请求,都可以从支付手势库中确定目标支付手势作为当前支付请求的标准手势,从而使得目标支付手势具有随机性,对于同一用户发起的不同支付请求,目标支付手势可能有所不同。相较于相关技术中以预先录入的某一指定手势作为标准手势的方式,采用本申请后提高了作为标准手势的目标支付手势的随机性,从而有利于提高支付安全性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为本申请实施例提供的一种手势支付方法的流程图;
图2为本申请实施例提供的一种手势支付装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请实施例所提供的手势支付方法可以通过计算机设备实施,该计算机设备可以是终端设备或服务器,其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请对此不做任何限制。
需要说明的是,本申请提供的一种手势支付方法、装置、设备和介质可用大数据领域或金融领域。上述仅为示例,并不对本申请提供的一种手势支付方法、装置、设备和介质的应用领域进行限定。
具体通过如下实施例进行说明:
图1为本申请实施例提供的一种手势支付方法的流程图,以终端设备作为前述计算机设备为例进行说明,所述方法包括S101-S104:
S101:响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定支付请求对应的目标支付手势。
在手势支付场景中,可以将需要进行手势支付的用户确定为目标用户,想要支付时,目标用户可以发起支付请求。相应的,可以响应于目标用户发起的支付请求,首先从支付手势库所包括的多个支付手势中确定支付请求对应的目标支付手势,即,目标支付手势是此次支付请求对应的、用于支付的标准手势。其中,支付手势库可以是预先构建好的,支付手势库中可以包括多个支付手势,多个支付手势中的任一支付手势均可以作为任一支付请求对应的、用于支付的标准手势。基于此,对于每一次的支付请求,都能动态的、随机的从支付手势库中确定目标支付手势,从而提高目标支付手势的随机性,有利于提高后续的支付安全性。
需要说明的是,对于目标支付手势的数量,本申请不做任何限定。例如,目标支付手势的数量可以是一个,从而简化支付流程,便于更快速高效地完成手势支付。又如,目标支付手势的数量可以是多个,从而提高支付安全性。
在实际应用中,手势支付场景可以是通过支付系统实现的,支付系统例如可以是运行在目标用户的终端设备中的支付应用程序等。为了能够使用支付系统进行手势支付,通常需要进行登录。为了进一步提高支付安全性,还可以在响应于目标用户发起的支付请求之前,进行登录验证。具体实施时,可以响应于目标用户发起的登录操作,对目标用户基于登录操作输入的登录信息进行校验,其中,登录操作可以用于指示根据登录信息登录目标用户对应的目标账户,登录信息例如可以包括账户名、账户密码、校验码等。若确定登录信息通过校验,表明登录信息与目标账户相匹配,可以认为此次登录操作是合法的,此时可以确定目标账户的状态为已登录。对应的,前述的支付请求可以是通过目标账户发起的,其中,目标账户可以是指目标用户在前述的支付系统开通的账户。
在实际应用中,可以开发设计有支付验证模块,利用支付验证模块完成前述的登录验证,实现对于目标用户的用户身份与登录信息的验证,以加强支付安全性。
S102:展示支付请求对应的手势支付页面。
在确定出支付请求对应的目标支付手势后,接着可以展示支付请求对应的手势支付页面,以便于目标用户能够继续进行后续的手势支付。具体的,手势支付页面中可以包括目标支付手势、手势录入按钮和支付提示信息,支付提示信息可以用于提示目标用户利用手势录入按钮和目标支付手势进行支付,具体可以是提示目标用户通过与手势录入按钮进行交互以录入目标支付手势所指示的手势。其中,手势录入按钮能够提供与目标用户进行交互操作的功能,增强用户支付时的交互操作体验。
S103:响应于针对手势录入按钮的交互操作,采集目标用户的用户手势。
在实际应用中,目标用户可以基于手势支付页面进行后续的支付。具体的,目标用户可以针对手势录入按钮触发交互操作,相应可以响应于针对手势录入按钮的交互操作,采集目标用户的用户手势,采集到的用户手势可以是指目标用户针对此次支付请求做出的手势。
在实际应用中,可以利用摄像头采集用户手势,具体可以开发设计有图像采集模块,利用图像采集模块获取采集到的用户手势,具体的,用户手势可以是以图像这种形式展示的。以及可以开发设计有交互模块,利用交互模块发起前述的支付请求、以及针对手势录入按钮的交互操作等,如此以提高用户在支付时的交互体验。
S104:若确定用户手势与目标支付手势匹配,根据用户手势进行支付。
最后,若确定用户手势与目标支付手势匹配,表明目标用户录入了此次支付请求对应的标准手势,故此时可以根据用户手势进行支付。可见,采用本申请,对于任一支付请求,都可以从支付手势库中确定目标支付手势作为当前支付请求的标准手势,从而使得目标支付手势具有随机性,对于同一用户发起的不同支付请求,目标支付手势可能有所不同。相较于相关技术中以预先录入的某一指定手势作为标准手势的方式,采用本申请后提高了作为标准手势的目标支付手势的随机性,从而有利于提高支付安全性,减低支付风险。
在实际应用中,支付请求对应的目标支付手势作为用于支付的标准手势,是从支付手势库所包括的多个支付手势中确定的,通常,支付手势库所包括的多个支付手势的手势类型可以是支付类型,支付类型用于标识这些手势都可以作为用于支付的标准手势。与之对应的,手势类型不是支付类型的,如是非支付类型,则用于标识不可以作为用于支付的标准手势。相应的,目标支付手势的手势类型可以是支付类型,此时,可以利用预先训练好的循环神经网络模型对用户手势进行分类识别,输出用户手势对应的手势分类结果。其中,手势分类结果可以用于指示用户手势的手势类型,以便于指示用户手势是否属于支付手势。若手势分类结果指示用户手势的手势类型是支付类型,表明用户手势是可以作为支付的手势,此时可以对用户手势和目标支付手势进行匹配,以判断二者是否匹配。
反之,若手势分类结果指示用户手势的手势类型不是支付类型,表明用户手势不是可以作为支付的手势,此时可以直接确定用户手势与目标支付手势不匹配,以及生成支付异常提示信息。其中,支付异常提示信息可以用于提示目标用户手势异常。
基于此,可以利用手势类型对用户手势与目标支付手势进行初步判断,以作为是否对二者进行匹配判断的条件,有利于提高后续的匹配效率。
其中,循环神经网络模型可以通过如下方式训练获得:首先,可以获取具有样本标签的训练样本手势,其中,样本标签可以用于标识训练样本手势的手势类型是支付类型或不是支付类型。在实际应用中,训练样本手势可以包括正训练样本和负训练样本,正训练样本的手势类型可以是支付类型,负训练样本的手势类型可以不是支付类型,例如,正训练样本可以是基于前述的支付手势库所包括的多个支付手势构建的,负训练样本可以是基于除多个支付手势外的非支付手势构建的。接着,可以利用训练样本手势对初始网络模型进行模型训练,直至初始网络模型满足训练结束条件,将完成模型训练的初始网络模型确定为循环神经网络模型。其中,训练结束条件可以用于判断是否结束模型训练,例如可以是初始网络模型是否收敛等。当初始网络模型满足训练结束条件时,表明此时的初始网络模型具有良好的预测效果,故可以结束模型训练,得到对应的循环神经网络,后续便可以利用循环神经网络对任一用户手势的手势类别进行识别、预测,输出手势分类结果。
为了更好地理解利用循环神经网络模型对用户手势进行分类识别的过程。以用户手势可以是利用图像这种形式展示的为例,首先可以利用图像采集模块从用户手势输入设备中获取图像,并使用图像预处理单元对获取图像进行预处理,预处理可以包括调整图像大小、去噪、增强对比度、归一化等操作,以提高后续特征提取的准确性和鲁棒性。接着,可以针对预处理后的图像,可以利用循环神经网络模型中的特征提取单元采用卷积神经网络(Convolutional Neural Network,CNN)技术进行特征提取,然后利用循环神经网络模型中的循环神经网络单元采用长短时记忆网络(Long Short-Term Memory,LSTM)技术对特征序列进行处理,最后可以利用循环神经网络模型中的输出层采用支持向量机(SupportVector Machine,SVM)技术对用户手势进行分类识别,输出手势分类结果,以指示用户手势的手势类型,判断用户手势的含义。采用循环神经网络模型的方式,有利于提高图像分类识别的准确性,从而减免因手势的复杂度、光线、噪声等因素的影响,容易出现误识别和漏识别的情况。在实际应用中,可以开发设计有手势识别模块,利用手势识别模块调用循环神经网络模型完成对用户手势的分别识别。基于此,本申请所提供的手势支付方法也可以称为是一种基于循环神经网络技术的手势支付方法,能够有效地提高手势支付的准确性、快捷性和安全性,以解决现有的手势支付系统中存在的精度不高、识别速度较慢、安全风险高等问题,从而更好地满足用户的需求,带给用户更好的支付体验。
具体的,利用循环神经网络模型对用户手势进行分类识别的过程可以包括以下几个步骤:
首先,在利用CNN进行特征提取时,CNN能够捕捉图像中所包括的空间局部性和层级抽象特征,有助于识别手势中的关键特征。具体的,利用卷积运算提取图像中的局部特征(边缘轮廓),并依次分割为多个单独的手指图像。在每个卷积层的卷积运算之后,接着可以应用非线性激活函数进行网络建模,通过使用非线性激活函数,循环神经网络能够对手指图像中的非线性关系进行建模,以提高特征表达力。接着,可以进行池化操作以降低特征的维度,具体可以是将网络建模建立的三维模型转化为二维平面图,利用各个手指图像对应的单独平面图元素,搜索距离最远两点的坐标,计算最长距离,减少捕捉特征。同时由两点坐标,进行连线,确定二维连线特征。基于此,能够实现特征降维,去除冗余信息。然后,可以采用全连接层进行处理,整合单个手掌所有单个手指(通常数量为5个),计算各个手指连线之间的夹角,将各个手指最长距离与夹角,作为一组特征向量,从而实现整合和组合,捕捉全局信息。
接着,可以对特征向量进行特征序列处理。在实际应用中,特征提取单元提取的特征序列是一系列包含手势信息的特征向量。每个特征向量包含用户手势在不同时间步的表示,这些特征向量构成了一个特征序列,在进行特征序列处理时,可以采用前述的LSTM的内部结构对由特征提取单元提取的特征序列进行处理。由于LSTM主要通过记忆单元(MemoryCell)来保存并更新时间步之间的重要信息,故采用LSTM可以更好地处理特征序列这一时序数据,有利于提高处理效果。
最后,在经过上述处理后所得到的特征序列表示可以用于表征用户手势的相关信息。接着,可以采用SVM技术对用户手势进行分类与验证。其中,SVM是一种常用的分类器,可以根据学习到的特征模式将用户手势的手势信息映射到相应的支付指令或验证结果。一旦手势被SVM分类和验证,便可以反馈结果给用户。以分类为例,可以包括用户手势的手势分类结果。以验证为例,可以包括显示支付指令的确认、验证成功或失败的提示信息等,具体可以在不同阶段具有不同展示。基于此,通过采用SVM的分类和验证,能够快速准确地确定用户手势的含义,并执行相应的操作。
需要说明的是,针对如何对用户手势和目标支付手势进行匹配的方式,本申请不做任何限定。为了便于理解,本申请实施例提供以下方式作为示例:
在实际应用中,可以首先对用户手势进行特征提取得到用户手势特征,以及对目标支付手势进行特征提取得到支付手势特征。基于此,用户手势特征能够表征用户手势的具体情况,如手势形状等,支付手势特征能够表征目标支付手势的具体情况,如手势形状等。对应的,若用户手势特征与支付手势特征一致,表明二者具体情况一致,具有相同的特征表达,故可以认为用户手势是按照目标支付手势作为标准手势录入的,其含义是进行支付,此时可以确定用户手势与目标支付手势匹配,以便进行后续的支付。
为了便于对手势支付进行后续的追溯等,在一种可能的实现方式中,针对支付请求,还可以对支付请求对应的支付数据进行记录,其中,支付数据可以包括目标支付手势和用户手势。如此,在需要对任一支付请求进行追溯时,便可以调用对应的支付数据进行追溯。
在实际应用中,可以开发设计有支付记录管理模块,利用支付记录管理模块对支付请求对应的支付数据进行记录。具体的,支付记录管理模块可以提供有支付数据的存储功能与查询功能,基于存储功能实现记录,基于查询功能实现追溯时的调用,方便对支付历史进行管理。在实际应用中,还可以对支付记录管理模块存储的支付数据进行数据可视化和报告,即,可以以适当的格式对支付数据进行数据分析以获得的结果可视化,便于用户理解。例如,可视化可以采用图表、图形、仪表板等形式,报告可以采用PDF、Excel等格式交付。
由上述技术方案可以看出,在手势支付场景中,可以响应于目标用户发起的支付请求,首先从支付手势库所包括的多个支付手势中确定支付请求对应的目标支付手势,即,目标支付手势是此次支付请求对应的、用于支付的标准手势。进而可以展示支付请求对应的手势支付页面,该手势支付页面中可以包括目标支付手势、手势录入按钮和支付提示信息,其中,支付提示信息可以用于提示目标用户利用手势录入按钮和目标支付手势进行支付,具体可以是提示目标用户通过与手势录入按钮进行交互以录入目标支付手势所指示的手势。接着,可以响应于针对手势录入按钮的交互操作,采集目标用户的用户手势,采集到的用户手势可以是指目标用户针对此次支付请求做出的手势。若确定用户手势与目标支付手势匹配,表明目标用户录入了此次支付请求对应的标准手势,故此时可以根据用户手势进行支付。可见,采用本申请,对于任一支付请求,都可以从支付手势库中确定目标支付手势作为当前支付请求的标准手势,从而使得目标支付手势具有随机性,对于同一用户发起的不同支付请求,目标支付手势可能有所不同。相较于相关技术中以预先录入的某一指定手势作为标准手势的方式,采用本申请后提高了作为标准手势的目标支付手势的随机性,从而有利于提高支付安全性。
图2为本申请实施例提供的一种手势支付装置的结构图,所述装置包括确定单元201、展示单元202、采集单元203和支付单元204:
所述确定单元201,用于响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定所述支付请求对应的目标支付手势;
所述展示单元202,用于展示所述支付请求对应的手势支付页面;所述手势支付页面中包括所述目标支付手势、手势录入按钮和支付提示信息,所述支付提示信息用于提示所述目标用户利用所述手势录入按钮和所述目标支付手势进行支付;
所述采集单元203,用于响应于针对所述手势录入按钮的交互操作,采集所述目标用户的用户手势;
所述支付单元204,用于若确定所述用户手势与所述目标支付手势匹配,根据所述用户手势进行支付。
在一种可能的实现方式中,所述目标支付手势的手势类型是支付类型,所述装置还包括识别单元和匹配单元:
所述识别单元,用于利用预先训练好的循环神经网络模型对所述用户手势进行分类识别,输出所述用户手势对应的手势分类结果;
所述匹配单元,用于若所述手势分类结果指示所述用户手势的手势类型是所述支付类型,对所述用户手势和所述目标支付手势进行匹配。
在一种可能的实现方式中,所述匹配单元还用于:
对所述用户手势进行特征提取得到用户手势特征,以及对所述目标支付手势进行特征提取得到支付手势特征;
所述支付单元,还用于若所述用户手势特征与所述支付手势特征一致,确定所述用户手势与所述目标支付手势匹配。
在一种可能的实现方式中,所述匹配单元还用于:
若所述手势分类结果指示所述用户手势的手势类型不是所述支付类型,确定所述用户手势与所述目标支付手势不匹配,以及生成支付异常提示信息;所述支付异常提示信息用于提示所述目标用户手势异常。
在一种可能的实现方式中,所述循环神经网络模型通过如下方式训练获得:
获取具有样本标签的训练样本手势;所述样本标签用于标识所述训练样本手势的手势类型是所述支付类型或不是所述支付类型;
利用所述训练样本手势对初始网络模型进行模型训练,直至所述初始网络模型满足训练结束条件,将完成模型训练的初始网络模型确定为所述循环神经网络模型。
在一种可能的实现方式中,所述装置还包括记录单元:
所述记录单元,用于对所述支付请求对应的支付数据进行记录;所述支付数据包括所述目标支付手势和所述用户手势。
在一种可能的实现方式中,所述装置还包括校验单元和确定单元:
所述校验单元,用于响应于所述目标用户发起的登录操作,对所述目标用户基于所述登录操作输入的登录信息进行校验;所述登录操作用于指示根据所述登录信息登录所述目标用户对应的目标账户;
所述确定单元,用于若确定所述登录信息通过校验,确定所述目标账户的状态为已登录;所述支付请求是通过所述目标账户发起的。
由上述技术方案可以看出,在手势支付场景中,可以响应于目标用户发起的支付请求,首先从支付手势库所包括的多个支付手势中确定支付请求对应的目标支付手势,即,目标支付手势是此次支付请求对应的、用于支付的标准手势。进而可以展示支付请求对应的手势支付页面,该手势支付页面中可以包括目标支付手势、手势录入按钮和支付提示信息,其中,支付提示信息可以用于提示目标用户利用手势录入按钮和目标支付手势进行支付,具体可以是提示目标用户通过与手势录入按钮进行交互以录入目标支付手势所指示的手势。接着,可以响应于针对手势录入按钮的交互操作,采集目标用户的用户手势,采集到的用户手势可以是指目标用户针对此次支付请求做出的手势。若确定用户手势与目标支付手势匹配,表明目标用户录入了此次支付请求对应的标准手势,故此时可以根据用户手势进行支付。可见,采用本申请,对于任一支付请求,都可以从支付手势库中确定目标支付手势作为当前支付请求的标准手势,从而使得目标支付手势具有随机性,对于同一用户发起的不同支付请求,目标支付手势可能有所不同。相较于相关技术中以预先录入的某一指定手势作为标准手势的方式,采用本申请后提高了作为标准手势的目标支付手势的随机性,从而有利于提高支付安全性。
又一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行上述实施例提供的手势支付方法。
该计算机设备可以包括终端设备或服务器,前述的手势支付装置可以配置在该计算机设备中。
又一方面,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的手势支付方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语(如果存在)仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例提供的一种手势支付方法、装置、设备和介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法。同时,对于本领域的一般技术人员,依据本申请的方法,在具体实施方式及应用范围上均会有改变之处。
综上所述,本说明书内容不应理解为对本申请的限制,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。而且本申请在上述各方面提供的实现方式的基础上,还可以进行进一步组合以提供更多实现方式。
Claims (10)
1.一种手势支付方法,其特征在于,所述方法包括:
响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定所述支付请求对应的目标支付手势;
展示所述支付请求对应的手势支付页面;所述手势支付页面中包括所述目标支付手势、手势录入按钮和支付提示信息,所述支付提示信息用于提示所述目标用户利用所述手势录入按钮和所述目标支付手势进行支付;
响应于针对所述手势录入按钮的交互操作,采集所述目标用户的用户手势;
若确定所述用户手势与所述目标支付手势匹配,根据所述用户手势进行支付。
2.根据权利要求1所述的方法,其特征在于,所述目标支付手势的手势类型是支付类型,所述方法还包括:
利用预先训练好的循环神经网络模型对所述用户手势进行分类识别,输出所述用户手势对应的手势分类结果;
若所述手势分类结果指示所述用户手势的手势类型是所述支付类型,对所述用户手势和所述目标支付手势进行匹配。
3.根据权利要求2所述的方法,其特征在于,所述对所述用户手势和所述目标支付手势进行匹配,包括:
对所述用户手势进行特征提取得到用户手势特征,以及对所述目标支付手势进行特征提取得到支付手势特征;
所述确定所述用户手势与所述目标支付手势匹配,包括:
若所述用户手势特征与所述支付手势特征一致,确定所述用户手势与所述目标支付手势匹配。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述手势分类结果指示所述用户手势的手势类型不是所述支付类型,确定所述用户手势与所述目标支付手势不匹配,以及生成支付异常提示信息;所述支付异常提示信息用于提示所述目标用户手势异常。
5.根据权利要求2所述的方法,其特征在于,所述循环神经网络模型通过如下方式训练获得:
获取具有样本标签的训练样本手势;所述样本标签用于标识所述训练样本手势的手势类型是所述支付类型或不是所述支付类型;
利用所述训练样本手势对初始网络模型进行模型训练,直至所述初始网络模型满足训练结束条件,将完成模型训练的初始网络模型确定为所述循环神经网络模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述支付请求对应的支付数据进行记录;所述支付数据包括所述目标支付手势和所述用户手势。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,在所述响应于目标用户发起的支付请求之前,所述方法还包括:
响应于所述目标用户发起的登录操作,对所述目标用户基于所述登录操作输入的登录信息进行校验;所述登录操作用于指示根据所述登录信息登录所述目标用户对应的目标账户;
若确定所述登录信息通过校验,确定所述目标账户的状态为已登录;所述支付请求是通过所述目标账户发起的。
8.一种手势支付装置,其特征在于,所述装置包括确定单元、展示单元、采集单元和支付单元:
所述确定单元,用于响应于目标用户发起的支付请求,从支付手势库所包括的多个支付手势中确定所述支付请求对应的目标支付手势;
所述展示单元,用于展示所述支付请求对应的手势支付页面;所述手势支付页面中包括所述目标支付手势、手势录入按钮和支付提示信息,所述支付提示信息用于提示所述目标用户利用所述手势录入按钮和所述目标支付手势进行支付;
所述采集单元,用于响应于针对所述手势录入按钮的交互操作,采集所述目标用户的用户手势;
所述支付单元,用于若确定所述用户手势与所述目标支付手势匹配,根据所述用户手势进行支付。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7中任意一项所述的方法。
10.一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用于存储计算机程序,所述计算机程序用于执行权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912727.6A CN116911859A (zh) | 2023-07-24 | 2023-07-24 | 一种手势支付方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912727.6A CN116911859A (zh) | 2023-07-24 | 2023-07-24 | 一种手势支付方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911859A true CN116911859A (zh) | 2023-10-20 |
Family
ID=88352788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912727.6A Pending CN116911859A (zh) | 2023-07-24 | 2023-07-24 | 一种手势支付方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911859A (zh) |
-
2023
- 2023-07-24 CN CN202310912727.6A patent/CN116911859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147726B (zh) | 业务质检方法和装置、存储介质及电子装置 | |
CN109255499B (zh) | 投诉、投诉案件处理方法、装置及设备 | |
CN108596616B (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
CN111652087B (zh) | 验车方法、装置、电子设备和存储介质 | |
CN109086834B (zh) | 字符识别方法、装置、电子设备及存储介质 | |
CN107679997A (zh) | 医疗理赔拒付方法、装置、终端设备及存储介质 | |
WO2020082673A1 (zh) | 发票检验方法、装置、计算设备和存储介质 | |
CN113656761B (zh) | 基于生物识别技术的业务处理方法、装置和计算机设备 | |
CN110795714A (zh) | 一种身份验证方法、装置、计算机设备及存储介质 | |
CN112712429A (zh) | 汇款业务审核方法、装置、计算机设备和存储介质 | |
CN105740808A (zh) | 人脸识别方法和装置 | |
CN114693192A (zh) | 风控决策方法、装置、计算机设备和存储介质 | |
CN114550051A (zh) | 一种车损检测方法、装置、计算机设备及存储介质 | |
CN112634017A (zh) | 远程开卡激活方法、装置、电子设备及计算机存储介质 | |
CN113591603A (zh) | 证件的验证方法、装置、电子设备及存储介质 | |
CN114245204B (zh) | 基于人工智能的视频面签方法、装置、电子设备及介质 | |
CN116911859A (zh) | 一种手势支付方法、装置、设备和介质 | |
CN110533297B (zh) | 一种识别异常设备的方法及装置 | |
CN114549221A (zh) | 车辆事故损失处理方法、装置、计算机设备及存储介质 | |
CN115442149B (zh) | 一种基于深度学习的数据入侵分析方法及服务器 | |
CN111275035A (zh) | 一种识别背景信息的方法及系统 | |
US11710328B2 (en) | Systems and methods for identifying a presence of a completed document | |
KR102529552B1 (ko) | 신경망을 이용한 영상통화 기반의 인증 모니터링 방법 및 시스템 | |
CN118131893A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN116795707A (zh) | 软件隐私合规性前置检测方法及其相关设备 |
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 |