CN104484803A - 基于神经网络的三维人脸识别的手机支付方法 - Google Patents

基于神经网络的三维人脸识别的手机支付方法 Download PDF

Info

Publication number
CN104484803A
CN104484803A CN201410677322.XA CN201410677322A CN104484803A CN 104484803 A CN104484803 A CN 104484803A CN 201410677322 A CN201410677322 A CN 201410677322A CN 104484803 A CN104484803 A CN 104484803A
Authority
CN
China
Prior art keywords
neural network
face
dimensional
human face
image
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
Application number
CN201410677322.XA
Other languages
English (en)
Inventor
张会林
孙利华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Fufeng Technology Co Ltd
Original Assignee
Suzhou Fufeng Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Fufeng Technology Co Ltd filed Critical Suzhou Fufeng Technology Co Ltd
Priority to CN201410677322.XA priority Critical patent/CN104484803A/zh
Publication of CN104484803A publication Critical patent/CN104484803A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q20/30—Payment architectures, schemes or protocols characterised by the use of specific devices or networks
    • G06Q20/32—Payment architectures, schemes or protocols characterised by the use of specific devices or networks using wireless devices
    • G06Q20/322—Aspects of commerce using mobile devices [M-devices]
    • G06Q20/3227—Aspects of commerce using mobile devices [M-devices] using secure elements embedded in M-devices
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/166—Detection; Localisation; Normalisation using acquisition arrangements
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Finance (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于神经网络的三维人脸识别的手机支付方法，包括以下步骤：S01，获取人脸识别标准样本,构成训练样本；S02，确定BP神经网络模型参数；S03，手机摄像头获取人脸图像；S04，将三维图像投射到二维空间；S05，对步骤S03获取的人脸图像进行预处理，滤除噪音，进行二值化图像处理；S06，提取人脸图像特征；S07，基于模糊逻辑补偿的方法，获取所述人脸图像的样本参数；、S08，依据步骤S07获取的样本参数与标准样本参数进行对比匹配。本发明基于神经网络进行三维人脸匹配，安全性能高，方便人脸图像与标准样本参数的快速匹配，响应效率高，算法简单，不需要经过神经网络复杂运算，计算匹配效率高。

Description

基于神经网络的三维人脸识别的手机支付方法
技术领域
本发明属智能支付领域，尤其涉及一种基于神经网络的三维人脸识别的手机支付方法。
背景技术
目前，手机支付和手机钱包的用户身份识别技术中，人脸识别逐步进入安防领域，由于手机支付对安全性要求高，二维人脸识别不能够满足其高安全性，需要使用三维人脸识别进行手机支付，现有技术的三维人脸识别的手机支付方法，基于数学先验概率进行三维人脸识别技术，计算复杂，占用内容较大，识别相应慢，且对拍照的角度和光照强度要求苛刻，不能够推广应用。
发明内容
为了解决现有技术问题，本发明提供了一种基于神经网络的三维人脸识别的手机支付方法，基于神经网络进行样本训练，计算简单，配置参数快速，能够满足手机支付效率的要求，基于神经网络进行三维人脸匹配，安全性能高。
本发明采用的技术方案为：
一种基于神经网络的三维人脸识别的手机支付方法，包括以下步骤：
S01，获取人脸识别标准样本，人脸识别标准样本包括正脸、左侧脸和有侧脸，并存储人脸识别标准样本参数构成训练样本；
S02，确定BP神经网络模型参数，BP神经网络模型包括输入层、隐含层和输出层；BP神经网络模型参数包括输入层神经元、隐含层神经元和输出层神经元；输入层神经元为标准样本参数，；隐含层神经元为隐含层的节点，隐含层的节点在训练过程中根据训练精度进行节点数调整；输出层神经元为实时采集的人脸图像与标准样本参数的匹配度；
S03，手机摄像头获取人脸图像；
S04，使用非线性分段色彩变换，将三维图像投射到二维空间 ；
S05，对步骤S03获取的人脸图像进行预处理，滤除噪音，进行二值化图像处理；
S06，提取人脸图像特征；
S07，通过模糊逻辑补偿的方法，基于步骤S06提取的人脸图像特征获取人脸图像的样本参数；
S08，依据步骤S07获取的样本参数与步骤S01存储的标准样本参数进行对比匹配，当匹配度超过匹配阈值时，进入手机支付***，否则，支付失败。
步骤S01人脸识别标准样本参数包括人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
步骤S04具体包括以下步骤，将每个像素点的颜色值从三维的色彩空间投射到二维子空间，在二维子空间中，代表肤色的像素点聚集在一起。
步骤S05具体包括以下步骤：
（501）将整幅图像中所有像素的亮度从高到低排列，
（502）设最高亮度阈值为，预设基准亮度为，其中表示最高亮度阈值的百分比，的取值范围为0~100%；
（503）如果图像中像素的亮度值大于预设基准亮度的像素点数与图像总的像素点数的比例到达预设比例限定值，则将预设基准亮度调整为参考白，参考白的灰度值为255，将整幅图像的其他像素点的灰度值按预设基准亮度与参考白的亮度调整的尺度进行变换。
步骤S06具体包括以下步骤，对步骤S05获取的二值化图像进行网格化分块，提取4类特征，4类特征包括归一化的灰度值、分块均值、分块标准差和相邻灰度差绝对值；依据获取的归一化的灰度值、分块均值、分块标准差、相邻灰度差绝对值获取人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
步骤S06具体还包括以下步骤，人脸图像自学习识别，基于样本训练方法将不同脸部表情的图像进行标准化处理。
步骤S07人脸图像的样本参数包括人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
与现有技术相比，本发明有益效果包括：
本发明基于神经网络进行三维人脸匹配，安全性能高，同时对获取的人脸图像进行光照预处理和二值化处理，方便人脸图像与标准样本参数的快速匹配，响应效率高，算法简单，不需要经过神经网络复杂运算，计算匹配效率高。
附图说明
图1为本发明一般基于神经网络的三维人脸识别的手机支付方法的结构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于神经网络的三维人脸识别的手机支付方法，包括以下步骤：
S01，获取人脸识别标准样本，人脸识别标准样本包括正脸、左侧脸和有侧脸，并存储人脸识别标准样本参数构成训练样本；人脸识别标准样本参数包括人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
S02，确定BP神经网络模型参数，BP神经网络模型包括输入层、隐含层和输出层；BP神经网络模型参数包括输入层神经元、隐含层神经元和输出层神经元；输入层神经元为标准样本参数，；隐含层神经元为隐含层的节点，隐含层的节点在训练过程中根据训练精度进行节点数调整；输出层神经元为实时采集的人脸图像与标准样本参数的匹配度；
S03，手机摄像头获取人脸图像；
S04，使用非线性分段色彩变换，将三维图像投射到二维空间 ；步骤S04具体包括以下步骤，将每个像素点的颜色值从三维的色彩空间投射到二维子空间，在二维子空间中，代表肤色的像素点聚集在一起。
S05，对步骤S03获取的人脸图像进行预处理，滤除噪音，进行二值化图像处理；
步骤S05具体包括以下步骤：
（501）将整幅图像中所有像素的亮度从高到低排列，
（502）设最高亮度阈值为，预设基准亮度为，其中表示最高亮度阈值的百分比，的取值范围为0~100%；
（503）如果图像中像素的亮度值大于预设基准亮度的像素点数与图像总的像素点数的比例到达预设比例限定值，则将预设基准亮度调整为参考白，参考白的灰度值为255，将整幅图像的其他像素点的灰度值按预设基准亮度与参考白的亮度调整的尺度进行变换。
S06，提取人脸图像特征；
步骤S06具体包括以下步骤，对步骤S05获取的二值化图像进行网格化分块，提取4类特征，4类特征包括归一化的灰度值、分块均值、分块标准差和相邻灰度差绝对值；依据获取的归一化的灰度值、分块均值、分块标准差、相邻灰度差绝对值获取人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
步骤S06具体还包括以下步骤，人脸图像自学习识别，基于样本训练方法将不同脸部表情的图像进行标准化处理。
S07，通过模糊逻辑补偿的方法，基于步骤S06提取的人脸图像特征获取人脸图像的样本参数；与步骤S01相同，步骤S07人脸图像的样本参数包括人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
S08，依据步骤S07获取的样本参数与步骤S01存储的标准样本参数进行对比匹配，当匹配度超过匹配阈值时，进入手机支付***，否则，支付失败。
以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于神经网络的三维人脸识别的手机支付方法，其特征在于，包括以下步骤：
S01，获取人脸识别标准样本，人脸识别标准样本包括正脸、左侧脸和有侧脸，并存储人脸识别标准样本参数构成训练样本；
S02，确定BP神经网络模型参数：所述BP神经网络模型包括输入层、隐含层和输出层；所述BP神经网络模型参数包括输入层神经元、隐含层神经元和输出层神经元；所述输入层神经元为标准样本参数，；所述隐含层神经元为隐含层的节点，所述隐含层的节点在训练过程中根据训练精度进行节点数调整；所述输出层神经元为实时采集的人脸图像与标准样本参数的匹配度；
S03，手机摄像头获取人脸图像；
S04，使用非线性分段色彩变换，将三维图像投射到二维空间 ；
S05，对步骤S03获取的人脸图像进行预处理，滤除噪音，进行二值化图像处理；
S06，提取人脸图像特征；
S07，通过模糊逻辑补偿的方法，基于步骤S06提取的人脸图像特征获取所述人脸图像的样本参数；
S08，依据步骤S07获取的样本参数与步骤S01存储的标准样本参数进行对比匹配，当匹配度超过匹配阈值时，进入手机支付***，否则，支付失败。
2.根据权利要求1所述的基于神经网络的三维人脸识别的手机支付方法，其特征在于，步骤S01所述人脸识别标准样本参数包括人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
3.根据权利要求1所述的基于神经网络的三维人脸识别的手机支付方法，其特征在于，步骤S04具体包括以下步骤，将每个像素点的颜色值从三维的色彩空间投射到二维子空间，在二维子空间中，代表肤色的像素点聚集在一起。
4.根据权利要求1所述的基于神经网络的三维人脸识别的手机支付方法，其特征在于，步骤S05具体包括以下步骤：
将整幅图像中所有像素的亮度从高到低排列，
设最高亮度阈值为，预设基准亮度为，其中表示最高亮度阈值的百分比，的取值范围为0~100%；
如果图像中像素的亮度值大于预设基准亮度的像素点数与图像总的像素点数的比例到达预设比例限定值，则将所述预设基准亮度调整为参考白，所述参考白的灰度值为255，将整幅图像的其他像素点的灰度值按预设基准亮度与所述参考白的亮度调整的尺度进行变换。
5.根据权利要求1所述的基于神经网络的三维人脸识别的手机支付方法，其特征在于，步骤S06具体包括以下步骤，
对步骤S05获取的二值化图像进行网格化分块，提取4类特征，所述4类特征包括归一化的灰度值、分块均值、分块标准差、相邻灰度差绝对值；
依据获取的归一化的灰度值、分块均值、分块标准差、相邻灰度差绝对值获取人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
6.根据权利要求1所述的基于神经网络的三维人脸识别的手机支付方法，其特征在于，步骤S06具体还包括以下步骤，人脸图像自学习识别，基于样本训练方法将不同脸部表情的图像进行标准化处理。
7.根据权利要求1所述的基于神经网络的三维人脸识别的手机支付方法，其特征在于，所述步骤S07所述人脸图像的样本参数包括人脸图形的长宽比例，左右眼睛、鼻子、嘴巴位置坐标以及相应的长度、宽度参数。
CN201410677322.XA 2014-11-24 2014-11-24 基于神经网络的三维人脸识别的手机支付方法 Pending CN104484803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410677322.XA CN104484803A (zh) 2014-11-24 2014-11-24 基于神经网络的三维人脸识别的手机支付方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410677322.XA CN104484803A (zh) 2014-11-24 2014-11-24 基于神经网络的三维人脸识别的手机支付方法

Publications (1)

Publication Number Publication Date
CN104484803A true CN104484803A (zh) 2015-04-01

Family

ID=52759343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410677322.XA Pending CN104484803A (zh) 2014-11-24 2014-11-24 基于神经网络的三维人脸识别的手机支付方法

Country Status (1)

Country Link
CN (1) CN104484803A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225328A (zh) * 2015-08-25 2016-01-06 浙江工业大学 基于人脸特征识别的移动终端电子投票方法及***
CN107346423A (zh) * 2017-06-30 2017-11-14 重庆科技学院 基于细胞神经网络的自联想记忆的人脸识别方法
CN107423678A (zh) * 2017-05-27 2017-12-01 电子科技大学 一种提取特征的卷积神经网络的训练方法及人脸识别方法
CN108257079A (zh) * 2016-12-29 2018-07-06 北京国双科技有限公司 图形变换方法及装置
CN108921926A (zh) * 2018-07-02 2018-11-30 广州云从信息科技有限公司 一种基于单张图像的端到端三维人脸重建方法
WO2019041660A1 (zh) * 2017-08-31 2019-03-07 苏州科达科技股份有限公司 人脸去模糊方法及装置
CN110706420A (zh) * 2019-08-28 2020-01-17 北京联合大学 一种智能快递柜实现方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971630A (zh) * 2006-12-01 2007-05-30 浙江工业大学 基于人脸鉴别技术的门禁和考勤装置
US20140214666A1 (en) * 2008-03-13 2014-07-31 Giftya Llc System and method for managing gifts
CN104013414A (zh) * 2014-04-30 2014-09-03 南京车锐信息科技有限公司 一种基于移动智能手机的驾驶员疲劳检测***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1971630A (zh) * 2006-12-01 2007-05-30 浙江工业大学 基于人脸鉴别技术的门禁和考勤装置
US20140214666A1 (en) * 2008-03-13 2014-07-31 Giftya Llc System and method for managing gifts
CN104013414A (zh) * 2014-04-30 2014-09-03 南京车锐信息科技有限公司 一种基于移动智能手机的驾驶员疲劳检测***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴育文 等: "基于BP网络的人脸朝向识别模型", 《影像技术》 *
沈凌云 等: "一种基于人工神经网络的人脸识别方法", 《液晶与显示》 *
王万良 等: "模糊逻辑补偿的网络PI控制***及稳定性分析", 《控制理论与应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225328A (zh) * 2015-08-25 2016-01-06 浙江工业大学 基于人脸特征识别的移动终端电子投票方法及***
CN108257079A (zh) * 2016-12-29 2018-07-06 北京国双科技有限公司 图形变换方法及装置
CN107423678A (zh) * 2017-05-27 2017-12-01 电子科技大学 一种提取特征的卷积神经网络的训练方法及人脸识别方法
CN107346423A (zh) * 2017-06-30 2017-11-14 重庆科技学院 基于细胞神经网络的自联想记忆的人脸识别方法
WO2019041660A1 (zh) * 2017-08-31 2019-03-07 苏州科达科技股份有限公司 人脸去模糊方法及装置
CN108921926A (zh) * 2018-07-02 2018-11-30 广州云从信息科技有限公司 一种基于单张图像的端到端三维人脸重建方法
CN108921926B (zh) * 2018-07-02 2020-10-09 云从科技集团股份有限公司 一种基于单张图像的端到端三维人脸重建方法
CN110706420A (zh) * 2019-08-28 2020-01-17 北京联合大学 一种智能快递柜实现方法

Similar Documents

Publication Publication Date Title
CN104484803A (zh) 基于神经网络的三维人脸识别的手机支付方法
CN106874871B (zh) 一种活体人脸双摄像头识别方法及识别装置
CN104484669A (zh) 基于三维人脸识别的手机支付方法
CN106845388B (zh) 基于复杂场景的移动终端掌纹感兴趣区域的提取方法
CN101359365B (zh) 一种基于最大类间方差和灰度信息的虹膜定位方法
CN104268583B (zh) 基于颜色区域特征的行人重识别方法及***
CN108268850B (zh) 一种基于图像的大数据处理方法
CN110462633A (zh) 一种人脸识别的方法、装置和电子设备
CN108985134A (zh) 基于双目摄像机的人脸活体检测及刷脸交易方法及***
CN103985172A (zh) 一种基于三维人脸识别的出入口控制***
CN104143091B (zh) 基于改进mLBP的单样本人脸识别方法
CN112487922B (zh) 一种多模态人脸活体检测方法及***
CN104392220A (zh) 基于云服务器的三维人脸识别机场安检方法
CN103793692A (zh) 低分辨率多光谱掌纹、掌静脉实时身份识别方法与***
CN103634680A (zh) 一种智能电视的播放控制方法及装置
CN104484652A (zh) 一种指纹识别方法
CN104063686A (zh) 作物叶部病害图像交互式诊断***与方法
CN104599367A (zh) 基于三维人脸图像识别的多人并行门禁识别方法
CN111178130A (zh) 一种基于深度学习的人脸识别方法、***和可读存储介质
CN103984922A (zh) 一种基于稀疏表示和形状约束的人脸识别方法
CN112101260B (zh) 一种作业人员安全带识别方法、装置、设备和存储介质
CN107516083A (zh) 一种面向识别的远距离人脸图像增强方法
CN110222647B (zh) 一种基于卷积神经网络的人脸活体检测方法
CN101271465A (zh) 一种基于信息瓶颈理论的镜头聚类方法
KR101174103B1 (ko) 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20150401