CN113487374A - 一种基于5g网络的区块电商平台交易*** - Google Patents

Abstract

本发明公开了一种基于5G网络的区块电商平台交易***，解决了现有普通人脸识别精准度不够和安全性等问题，包括人脸图像采集模块、人脸图像分析模块、图像处理模块和云服务器；人脸图像采集模块包括双目摄像头，双目摄像头包括处于同一水平位置的第一摄像头与第二摄像头。本发明采用双摄像头采集双数据分析对比，并进行分析，提高人脸识别精准度，使用更加安全。

Description

一种基于5G网络的区块电商平台交易***

技术领域

本发明涉及一种电商平台交易***技术领域，尤其涉及一种基于5G网络的区块电商平台交易***。

背景技术

电子商务已经发展成为经济的重要组成部分，消费者现在可以在线购买物品，并在不访问实体商业机构的情况下交付物品。随着信息技术的快速发展，线上支付由于其便捷、易操作且效率高等优势越来越广泛的走近人们的生活。区块链(英语：blockchain或block chain)是用分布式数据库识别、传播和记载信息的智能化对等网络,也称为价值互联网。

现有的线上支付机制占据主流的是人脸识别支付机制，但对于用户本人相似度很高的人脸信息，在进行人脸识别过程中是可以识别通过的，具有不安全性，降低了人脸识别的匹配率和准确性，如在面对的家庭成员具有一些普通人脸识别应用环境所不同的地方，即家庭成员之间极容易获得相互的个人资料，比如脸部的照片，从而可以通过有效的照片进行人脸识别的欺骗，使得人脸识别在这些产品上的应用出现缺陷。

此外，现有技术中还存在采集的人脸图像数据清晰度不足，原始采集的人脸图像解像度较低，无法精确进行人脸轮廓的建模，及局部五官特征的清晰化对比分析问题，使得最终的人脸识别精确度较低等问题。

而且在计算机人脸识别、视觉等领域，让计算机***能够模仿人类的视觉处理方式，对输入的图像进行分析，输出图像中目标的位置及类别信息，是重要的应用之一，深度学习对图像分类准确度的大幅度提高，基于深度学习的目标检测算法逐渐成为主流目标。但检测算法还一直存在计算密集和参数冗余的缺点，若能够提高算法泛用性，对网络数据传输中冗余信息的优化消除，则能够有效提高网络数据传输效率，或减少检测精度损失。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种基于5G网络的区块电商平台交易***，解决现有普通人脸识别精准度不够、安全性等问题。

本发明的目的之一采用如下技术方案实现：一种基于5G网络的区块电商平台交易***，包括人脸图像采集模块、人脸图像分析模块、图像处理模块和云服务器；人脸图像采集模块包括双目摄像头，双目摄像头包括处于同一水平位置的第一摄像头与第二摄像头，人脸数据采集步骤如下：

1、获取用户的账户信息中的预存人脸信息；

2、第一摄像头采集用户的第一人脸信息；

3、采集用户所购商品的标签信息；

4、第二摄像头采集用户的第二人脸信息；

5、将第一人脸信息与第二人脸信息以及预存人脸信息传送至人脸图像分析模块进行分析后的数据，送至图像处理模块进行比对；

6、当第一人脸信息与第二人脸信息均与预存人脸信息匹配时，云服务器根据商品标签信息扣取购物金额、用户完成支付。云服务器可以存储区块链网络结构。

进一步的，人脸图像分析模块的分析方法为构建第一人脸与第二人脸图像数据集合，图像数据集合包含若干数量的人脸图像成对数据，即高解像度高解像度人脸图像和对应的低解像度人脸图像；将图像数据集合中的所有人脸图像对进行剪切，得到局部人脸图像剪切块；

分批次将得到的局部人脸图像剪切块输入，包含卷积计算且具有深度结构的前馈神经网络中，包含卷积计算且具有深度结构的前馈神经网络中又包括人脸全局时间循环神经网络和人脸局部加强神经网络，即将局部人脸图像剪切块分别输入到人脸全局时间循环神经网络和人脸局部加强神经网络进行特征抽取；

在人脸全局时间循环神经网络中，利用初始化摺积将低解像度局部人脸图像剪切块从人脸图像空间映射对应到***特征空间，获得初始基础人脸特征，再通过若干个密集残差模块提取基础人脸特征，将不同残差模块的输出集中起来，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，从初始基础人脸特征中学习得到人脸全局轮廓特征；

在人脸局部加强神经网络中，通过特定尺寸的数据采集器对输入图像进行采集，得到多个解像度局部人脸图像剪切块，为了获得合适的局部人脸图像剪切块，并保持一定的局部结构，通过原始输入尺寸1/i大小的数据采集器对输入图像进行无重复采集，得到i个低解像度局部人脸图像剪切块；

为了增强对局部特征关联的建模，利用若干个多路径途径残差操作处理来提取上述局部人脸特征，通过结合不同路径途径和阶段的人脸特征信息，学习低解像度到高解像度人脸图像剪切块之间的对应关系，得到基于人脸局部剪切块的特征表达；

将得到的人脸局部剪切块的特征表达输入到上采集层，利用亚像素摺积将这些人脸局部剪切块的特征表达进行编译重新排列，对应到***全局人脸空间，得到与原始输入人脸解像度大小的特征对应图，即完整的整体人脸的局部特征；

利用若干个摺积对得到的人脸全局轮廓特征和整体人脸的局部特征进行结合，并将结合后的特征输入到上采集层，利用亚像素摺积进行超解像度分析，实现人脸特征的全局和局部联合表达，并对应到原始的人脸图像空间，输出对应的人脸残差人脸图像，将回归得到的人脸残差人脸图像与低解像度清晰人脸图像的插值数据进行累加，输出得到清晰的人脸图像，作为最终人脸图像。

进一步的，通过最小化输出得到的清晰的人脸和原始高解像度人脸的余弦相似性，优化提出的人脸双途径深度融合整合网络，实现低解像度轮廓人脸的分析；优化具体为：使用基于超分辨率代价函数来控制网络生成的清晰的人脸图像尽可能逼近原始的高解像度人脸图像，实现途径深度整合的人脸分析方法的优化。

进一步的，所述图像处理模块采用人脸目标检测模型，对所述人脸目标检测模型进行优化如下：

引入基于深度学习的人脸目标模型的批次标准化层，将标准化层中的形状参数作为评估深度模型每一摺积层各通道对于该模型特征获取的重要尺度系数；所述批次标准化层，指对该层输入进行标准化操作，然后引入可学习重构形状参数；批次标准化层的输入为摺积层输出特征图像，每个通道的特征图像作为一个单独的神经模块，使用权重共享策略，且每个通道特征图像只有一对重构形状参数，即每个放大缩小系数和每个偏置系数均与输入特征图像通道一一对应，将批次标准化层的放大缩小系数形状参数作为模型剪切所需的通道重要性尺度系数；

根据所得模型摺积通道重要性尺度系数进行稀疏迭代，具体为，在原始模型的损失代价函数中增加了一项对模型所有标准化层的形状参数的核稀疏化向量中各个元素绝对值之和的约束，使得形状参数更加稀疏且大部分形状参数接近于0；所述增加核稀疏化向量中各个元素绝对值之和的约束，具体为，在人脸原始模型的迭代损失代价函数上增加一项关于形状参数的子项，其本质为该模型所有形状参数值绝对值和的惩罚系数，其值越大，则形状参数对迭代损失代价函数影响越大；模型迭代过程中，损失代价值函数不断减小，则所有形状参数值绝对值和不断减小，更多形状参数值不断趋近于0，即实现摺积通道重要性尺度系数的稀疏迭代；当模型代价值不再随迭代次数产生较大波动且大部分形状参数值趋近于0时，停止迭代，获得模型权重比例值；

原始模型的迭代损失代价函数包括四部分：第一部分为边框的中心的坐标损失代价函数，该损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界框的中心的坐标与真实目标的标注边界框的中心的坐标的差距；其中还需将模型输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界相对值转化为对于图像的真实坐标和预测边界真实宽高的计算过程；第二部分为边界宽高损失代价函数，该项损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界尺寸与真实目标的标注边界尺寸的差距；第三部分为置信概率损失代价函数，对于光学遥感图像，大部分内容不包含待检测物体，即没有物体的计算部分代价贡献会大于有物体的计算部分，这会导致模型倾向于预测单元格内不含物体，本损失函数减少不包含物体计算部分的贡献权重比例；第四部分为类型损失代价函数，该损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界类型概率与真实目标的标注边界类型概率的差距；

根据所得稀疏迭代之后的模型形状参数值进行摺积层通道剪切，具体如下，在通道稀疏迭代后，得到了的模型形状参数值大部分趋近于0，由标准化层形状参数的含义可知输入该层的特征图像的每个通道对应一个形状参数值；将重要性低于剪枝百分比的特征图通道废弃，废弃的特征图通道对应的摺积核也被废弃，这就完成了通道裁剪的过程；所述剪枝百分比，指核稀疏化迭代后所有形状参数的比例，即将模型所有形状参数从小到大排序，取前剪枝百分比对应数量的形状参数对应的特征图通道剪切，该特征图通道对应的摺积核同时废弃；当剪枝百分比较高时，通道剪切可能会暂时导致一些精度损失，但这在很大程度上可以通过后序步骤中的模型微调来进行规避；具体地，对于摺积层，剪枝后判断每一层通道数是否为零，若为零，强制保留形状参数绝对值最大的特征图参数对应的滤波器单通道，避免过度剪枝带来的模型结构破坏；对于没有后续接入批次标准化层的摺积层不进行通道剪切；对于捷径层，剪枝后判断该层所连接的两个摺积层通道数是否一致，若不一致，则将两层摺积层通道进行标记，未被剪枝通道标示为1，被剪枝通道标识为0，生成两组一维的二进制向量，对两组向量各位进行或操作，得到一个一维向量，其中内容为1的向量位数对应的两个摺积层通道保留，内容为0的向量位数对应的两个摺积层通道剪切；对于池化层，上采集层和连接层，不对其进行参数剪枝；最大池化层指对每个通道维度的特征图像进行最大池化操作，即将特征图像不重样地分割剪切成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再废弃其他节点后，保持原有的平面结构得到输出人脸特征图像；所述捷径层，指对输入的两个摺积层特征图像进行各对应通道参数叠加操作，其要求输入摺积层通道数相同；所述上采集层，是指对输入特征图像，在像素点值之间采用在两个方向分别进行一次线性插值的方法***新的元素；所述连接层，是指将输入的人脸特征图像按先后顺序，在通道维度上整合，即连接层输出人脸特征图通道数等于输入特征图通道数之和，在编码实现中，直接进行特征图数组在通道维度上的整合；

根据获取的通道剪切后的模型参数权重比例，对相同数据集进行人脸模型再迭代；迭代损失代价函数为稀疏迭代时的原始模型损失代价函数；当模型代价值不再随迭代次数产生较大波动时，停止训练，获得模型权重比例，所述迭代具体为：对输入迭代集图片划分网格，在各网格内通过预设尺寸的候选边界生成预测边界，通过预测边界参数和标注真实框参数计算损失代价函数，计算完迭代内所有图片得到本次迭代损失代价函数值，完成一次迭代。

进一步的，所述双目摄像头内部设置有处理器、传感器模组、镜头、MCU控制器与5G模组；所述处理器分别与传感器模组、镜头、MCU控制器和5G模组连接；所述MCU控制器与多种外设连接；所述5G模组用于将摄像头拍摄图像数据通过5G网络上传。

进一步的，所述外设包括按键、蜂鸣器、指示灯和USB接口中的一种或多种。

进一步的，所购商品的标签信息的采集以第一摄像头采集用户的第一人脸信息完成为触发条件。

进一步的，当第一人脸信息和第二人脸信息中有任一个与预存人脸信息不匹配时，***自行删除所购商品与账户信息的关联。

相比现有技术，本发明的有益效果在于：

本发明采用双摄像头采集双数据分析对比，并进行分析，提高人脸识别精准度，使用更加安全。

通过采用摺积和密集残差网络来联合学习平台全局人脸特征的长程依赖关系，辅助两个人脸数据采集的人脸全局轮廓的建模；同时加设的人脸局部加强神经网络，学习低解像度人脸局部剪切块到高解像度精准人脸剪切块之间的对应关系，用于增强对上述局部人脸特征，特别是人脸五官特征的建模；而且，通过联合***人脸全局轮廓特征和***整体人脸的局部特征，可实现全局和局部的人脸特征的联合表示，得到高清晰的***人脸分析；最后，通过对全局和局部部位人脸特征的联合表达，能够有效抽取和整合全局和局部特征，使得对于全局人脸特征的建模更准确，分析效果更好。

并通过批次标准化层来改善模型梯度，这样允许更大的学习率，从而能大幅提高迭代速度并减少对初始化的强烈依赖；同时，批次标准化层形状参数本质具有通道放大缩小属性，引入其作为评估各通道重要程度所需的尺度系数，不会给模型带来额外的参数和计算工作量；而且，通过增加一项对模型所有标准化层的形状参数的核稀疏化向量中各个元素绝对值之和的约束，这样解决了在标准化层的形状参数在原始模型中不具备很高的稀疏性，其值分布分散的问题，有利于后续根据通道重要性尺度系数进行通道剪切的过程；最后，针对目前的基于深度学习的目标检测模型精炼算法泛用性较差，检测精度损失较大的问题，引入标准化层的形状参数作为评估模型摺积通道重要性的尺度系数，通过稀疏迭代，模型自动识别冗余通道信息，在不影响泛化性能的前提下，可以安全地去除冗余参数，同时通过微调迭代有效地补偿了通道剪切带来的精度损失。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1为本实施例的模块图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

结合图1所示，一种基于5G网络的区块电商平台交易***，可用于PC端、移动端、实体售货机等多种需要人脸识别的使用场所。

***主要包括人脸图像采集模块、人脸图像分析模块、图像处理模块和云服务器，云服务器用来储存数据。

人脸图像采集模块包括双目摄像头，通过两个摄像头采集不同的人脸图像，进行人脸特征点的标定，利用标定的参数构造三维特征输入人脸图像分析模块进行图像处理，解决现有人脸识别精确度不足等问题。

具体的，本实施例将双目摄像头包括处于同一水平位置的第一摄像头与第二摄像头，通过两个摄像头分别采集数据进行比对，避免人为造假行为，提高***安全性。

具体的，人脸数据采集步骤如下：

1、获取用户的账户信息中的预存人脸信息；

2、第一摄像头采集用户的第一人脸信息；

3、采集用户所购商品的标签信息；

4、第二摄像头采集用户的第二人脸信息；

5、将第一人脸信息与第二人脸信息以及预存人脸信息传送至人脸图像分析模块进行分析后的数据，送至图像处理模块进行比对；

6、当第一人脸信息与第二人脸信息均与预存人脸信息匹配时，云服务器根据商品标签信息扣取购物金额、用户完成支付。

人脸图像分析模块的分析方法为构建第一人脸与第二人脸图像数据集合，图像数据集合包含若干数量的人脸图像成对数据，即高解像度高解像度人脸图像和对应的低解像度人脸图像；将图像数据集合中的所有人脸图像对进行剪切，得到局部人脸图像剪切块；

分批次将得到的局部人脸图像剪切块输入，包含卷积计算且具有深度结构的前馈神经网络中，包含卷积计算且具有深度结构的前馈神经网络中又包括人脸全局时间循环神经网络和人脸局部加强神经网络，即将局部人脸图像剪切块分别输入到人脸全局时间循环神经网络和人脸局部加强神经网络进行特征抽取；

在人脸全局时间循环神经网络中，利用初始化摺积将低解像度局部人脸图像剪切块从人脸图像空间映射对应到***特征空间，获得初始基础人脸特征，再通过若干个密集残差模块提取基础人脸特征，将不同残差模块的输出集中起来，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，从初始基础人脸特征中学习得到人脸全局轮廓特征；

在人脸局部加强神经网络中，通过特定尺寸的数据采集器对输入图像进行采集，得到多个解像度局部人脸图像剪切块，为了获得合适的局部人脸图像剪切块，并保持一定的局部结构，通过原始输入尺寸1/i大小的数据采集器对输入图像进行无重复采集，得到i个低解像度局部人脸图像剪切块；

为了增强对局部特征关联的建模，利用若干个多路径途径残差操作处理来提取上述局部人脸特征，通过结合不同路径途径和阶段的人脸特征信息，学习低解像度到高解像度人脸图像剪切块之间的对应关系，得到基于人脸局部剪切块的特征表达；

将得到的人脸局部剪切块的特征表达输入到上采集层，利用亚像素摺积将这些人脸局部剪切块的特征表达进行编译重新排列，对应到***全局人脸空间，得到与原始输入人脸解像度大小的特征对应图，即完整的整体人脸的局部特征；

利用若干个摺积对得到的人脸全局轮廓特征和整体人脸的局部特征进行结合，并将结合后的特征输入到上采集层，利用亚像素摺积进行超解像度分析，实现人脸特征的全局和局部联合表达，并对应到原始的人脸图像空间，输出对应的人脸残差人脸图像，将回归得到的人脸残差人脸图像与低解像度清晰人脸图像的插值数据进行累加，输出得到清晰的人脸图像，作为最终人脸图像。

通过最小化输出得到的清晰的人脸和原始高解像度人脸的余弦相似性，优化提出的人脸双途径深度融合整合网络，实现低解像度轮廓人脸的分析；优化具体为：使用基于超分辨率代价函数来控制网络生成的清晰的人脸图像尽可能逼近原始的高解像度人脸图像，实现途径深度整合的人脸分析方法的优化。

图像处理模块包括使用人脸图片提升人脸目标提取网络性能的方法，具体方法包括以下步骤：

引入基于深度学习的人脸目标模型的批次标准化层，将标准化层中的形状参数作为评估深度模型每一摺积层各通道对于该模型特征获取的重要尺度系数；所述批次标准化层，指对该层输入进行标准化操作，然后引入可学习重构形状参数；批次标准化层的输入为摺积层输出特征图像，每个通道的特征图像作为一个单独的神经模块，使用权重共享策略，且每个通道特征图像只有一对重构形状参数，即每个放大缩小系数和每个偏置系数均与输入特征图像通道一一对应，将批次标准化层的放大缩小系数形状参数作为模型剪切所需的通道重要性尺度系数；

根据所得模型摺积通道重要性尺度系数进行稀疏迭代，具体为，在原始模型的损失代价函数中增加了一项对模型所有标准化层的形状参数的核稀疏化向量中各个元素绝对值之和的约束，使得形状参数更加稀疏且大部分形状参数接近于0；所述增加核稀疏化向量中各个元素绝对值之和的约束，具体为，在人脸原始模型的迭代损失代价函数上增加一项关于形状参数的子项，其本质为该模型所有形状参数值绝对值和的惩罚系数，其值越大，则形状参数对迭代损失代价函数影响越大；模型迭代过程中，损失代价值函数不断减小，则所有形状参数值绝对值和不断减小，更多形状参数值不断趋近于0，即实现摺积通道重要性尺度系数的稀疏迭代；当模型代价值不再随迭代次数产生较大波动且大部分形状参数值趋近于0时，停止迭代，获得模型权重比例值；

原始模型的迭代损失代价函数包括四部分：第一部分为边框的中心的坐标损失代价函数，该损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界框的中心的坐标与真实目标的标注边界框的中心的坐标的差距；其中还需将模型输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界相对值转化为对于图像的真实坐标和预测边界真实宽高的计算过程；第二部分为边界宽高损失代价函数，该项损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界尺寸与真实目标的标注边界尺寸的差距；第三部分为置信概率损失代价函数，对于光学遥感图像，大部分内容不包含待检测物体，即没有物体的计算部分代价贡献会大于有物体的计算部分，这会导致模型倾向于预测单元格内不含物体，本损失函数减少不包含物体计算部分的贡献权重比例；第四部分为类型损失代价函数，该损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界类型概率与真实目标的标注边界类型概率的差距；

根据所得稀疏迭代之后的模型形状参数值进行摺积层通道剪切，具体如下，在通道稀疏迭代后，得到了的模型形状参数值大部分趋近于0，由标准化层形状参数的含义可知输入该层的特征图像的每个通道对应一个形状参数值；将重要性低于剪枝百分比的特征图通道废弃，废弃的特征图通道对应的摺积核也被废弃，这就完成了通道裁剪的过程；所述剪枝百分比，指核稀疏化迭代后所有形状参数的比例，即将模型所有形状参数从小到大排序，取前剪枝百分比对应数量的形状参数对应的特征图通道剪切，该特征图通道对应的摺积核同时废弃；当剪枝百分比较高时，通道剪切可能会暂时导致一些精度损失，但这在很大程度上可以通过后序步骤中的模型微调来进行规避；具体地，对于摺积层，剪枝后判断每一层通道数是否为零，若为零，强制保留形状参数绝对值最大的特征图参数对应的滤波器单通道，避免过度剪枝带来的模型结构破坏；对于没有后续接入批次标准化层的摺积层不进行通道剪切；对于捷径层，剪枝后判断该层所连接的两个摺积层通道数是否一致，若不一致，则将两层摺积层通道进行标记，未被剪枝通道标示为1，被剪枝通道标识为0，生成两组一维的二进制向量，对两组向量各位进行或操作，得到一个一维向量，其中内容为1的向量位数对应的两个摺积层通道保留，内容为0的向量位数对应的两个摺积层通道剪切；对于池化层，上采集层和连接层，不对其进行参数剪枝；最大池化层指对每个通道维度的特征图像进行最大池化操作，即将特征图像不重样地分割剪切成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再废弃其他节点后，保持原有的平面结构得到输出人脸特征图像；所述捷径层，指对输入的两个摺积层特征图像进行各对应通道参数叠加操作，其要求输入摺积层通道数相同；所述上采集层，是指对输入特征图像，在像素点值之间采用在两个方向分别进行一次线性插值的方法***新的元素；所述连接层，是指将输入的人脸特征图像按先后顺序，在通道维度上整合，即连接层输出人脸特征图通道数等于输入特征图通道数之和，在编码实现中，直接进行特征图数组在通道维度上的整合；

根据获取的通道剪切后的模型参数权重比例，对相同数据集进行人脸模型再迭代；迭代损失代价函数为稀疏迭代时的原始模型损失代价函数；当模型代价值不再随迭代次数产生较大波动时，停止训练，获得模型权重比例，所述迭代具体为：对输入迭代集图片划分网格，在各网格内通过预设尺寸的候选边界生成预测边界，通过预测边界参数和标注真实框参数计算损失代价函数，计算完迭代内所有图片得到本次迭代损失代价函数值，完成一次迭代。

此外，双目摄像头内部设置有处理器、传感器模组、镜头、MCU控制器与5G模组；处理器分别与传感器模组、镜头、MCU控制器和5G模组连接；镜头采用自动变焦模组，MCU控制器与多种外设连接；5G模组用于将摄像头拍摄图像数据通过5G网络上传，通过第五代通信技术，传书速度快，传输效率高。

外设包括按键、蜂鸣器、指示灯和USB接口中的一种或多种，方便操作、升级、维护等，蜂鸣器与指示灯用于故障等情况的警示。

所购商品的标签信息的采集以第一摄像头采集用户的第一人脸信息完成为触发条件，人脸信息较于用户账户信息更具唯一性，将人脸信息与商品标签信息绑定，有助于***数据的管理与追踪。

或者，当第一人脸信息和第二人脸信息中有任一个与预存人脸信息不匹配时，***判断购买失败，账户与人脸不匹配，因此，***自行删除所购商品与账户信息的关联，仅将人脸信息与商品的标签信息关联，并单独提取数据进行保存，用于***数据的管理与追踪。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (8)

1.一种基于5G网络的区块电商平台交易***，其特征在于：包括人脸图像采集模块、人脸图像分析模块、图像处理模块和云服务器；人脸图像采集模块包括双目摄像头，双目摄像头包括处于同一水平位置的第一摄像头与第二摄像头，人脸数据采集步骤如下：

1、获取用户的账户信息中的预存人脸信息；

2、第一摄像头采集用户的第一人脸信息；

3、采集用户所购商品的标签信息；

4、第二摄像头采集用户的第二人脸信息；

5、将第一人脸信息与第二人脸信息以及预存人脸信息传送至人脸图像分析模块进行分析后的数据，送至图像处理模块进行比对；

6、当第一人脸信息与第二人脸信息均与预存人脸信息匹配时，云服务器根据商品标签信息扣取购物金额、用户完成支付。

2.如权利要求1的一种基于5G网络的区块电商平台交易***，其特征在于：人脸图像分析模块的分析方法为构建第一人脸与第二人脸图像数据集合，图像数据集合包含若干数量的人脸图像成对数据，即高解像度人脸图像和对应的低解像度人脸图像；将图像数据集合中的所有人脸图像对进行剪切，得到局部人脸图像剪切块；

分批次将得到的局部人脸图像剪切块输入，包含卷积计算且具有深度结构的前馈神经网络中，包含卷积计算且具有深度结构的前馈神经网络中又包括人脸全局时间循环神经网络和人脸局部加强神经网络，即将局部人脸图像剪切块分别输入到人脸全局时间循环神经网络和人脸局部加强神经网络进行特征抽取；

在人脸全局时间循环神经网络中，利用初始化摺积将低解像度局部人脸图像剪切块从人脸图像空间映射对应到***特征空间，获得初始基础人脸特征，再通过若干个密集残差模块提取基础人脸特征，将不同残差模块的输出集中起来，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，从初始基础人脸特征中学习得到人脸全局轮廓特征；

在人脸局部加强神经网络中，通过特定尺寸的数据采集器对输入图像进行采集，得到多个解像度局部人脸图像剪切块，为了获得合适的局部人脸图像剪切块，并保持一定的局部结构，通过原始输入尺寸1/i大小的数据采集器对输入图像进行无重复采集，得到i个低解像度局部人脸图像剪切块；

为了增强对局部特征关联的建模，利用若干个多路径途径残差操作处理来提取上述局部人脸特征，通过结合不同路径途径和阶段的人脸特征信息，学习低解像度到高解像度人脸图像剪切块之间的对应关系，得到基于人脸局部剪切块的特征表达；

将得到的人脸局部剪切块的特征表达输入到上采集层，利用亚像素摺积将这些人脸局部剪切块的特征表达进行编译重新排列，对应到***全局人脸空间，得到与原始输入人脸解像度大小的特征对应图，即完整的整体人脸的局部特征；

利用若干个摺积对得到的人脸全局轮廓特征和整体人脸的局部特征进行结合，并将结合后的特征输入到上采集层，利用亚像素摺积进行超解像度分析，实现人脸特征的全局和局部联合表达，并对应到原始的人脸图像空间，输出对应的人脸残差人脸图像，将回归得到的人脸残差人脸图像与低解像度清晰人脸图像的插值数据进行累加，输出得到清晰的人脸图像，作为最终人脸图像。

3.如权利要求2的一种基于5G网络的区块电商平台交易***，其特征在于：通过最小化输出得到的清晰的人脸和原始高解像度人脸的余弦相似性，优化提出的人脸双途径深度融合整合网络，实现低解像度轮廓人脸的分析；优化具体为：使用基于超分辨率代价函数来控制网络生成的清晰的人脸图像尽可能逼近原始的高解像度人脸图像，实现途径深度整合的人脸分析方法的优化。

4.如权利要求1的一种基于5G网络的区块电商平台交易***，其特征在于：所述图像处理模块采用人脸目标检测模型，对所述人脸目标检测模型进行优化如下：

引入基于深度学习的人脸目标模型的批次标准化层，将标准化层中的形状参数作为评估深度模型每一摺积层各通道对于该模型特征获取的重要尺度系数；所述批次标准化层，指对该层输入进行标准化操作，然后引入可学习重构形状参数；批次标准化层的输入为摺积层输出特征图像，每个通道的特征图像作为一个单独的神经模块，使用权重共享策略，且每个通道特征图像只有一对重构形状参数，即每个放大缩小系数和每个偏置系数均与输入特征图像通道一一对应，将批次标准化层的放大缩小系数形状参数作为模型剪切所需的通道重要性尺度系数；

根据所得模型摺积通道重要性尺度系数进行稀疏迭代，具体为，在原始模型的损失代价函数中增加了一项对模型所有标准化层的形状参数的核稀疏化向量中各个元素绝对值之和的约束，使得形状参数更加稀疏且大部分形状参数接近于0；所述增加核稀疏化向量中各个元素绝对值之和的约束，具体为，在人脸原始模型的迭代损失代价函数上增加一项关于形状参数的子项，其本质为该模型所有形状参数值绝对值和的惩罚系数，其值越大，则形状参数对迭代损失代价函数影响越大；模型迭代过程中，损失代价值函数不断减小，则所有形状参数值绝对值和不断减小，更多形状参数值不断趋近于0，即实现摺积通道重要性尺度系数的稀疏迭代；当模型代价值不再随迭代次数产生较大波动且大部分形状参数值趋近于0时，停止迭代，获得模型权重比例值；

原始模型的迭代损失代价函数包括四部分：第一部分为边框的中心的坐标损失代价函数，该损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界框的中心的坐标与真实目标的标注边界框的中心的坐标的差距；其中还需将模型输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界相对值转化为对于图像的真实坐标和预测边界真实宽高的计算过程；第二部分为边界宽高损失代价函数，该项损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界尺寸与真实目标的标注边界尺寸的差距；第三部分为置信概率损失代价函数，对于光学遥感图像，大部分内容不包含待检测物体，即没有物体的计算部分代价贡献会大于有物体的计算部分，这会导致模型倾向于预测单元格内不含物体，本损失函数减少不包含物体计算部分的贡献权重比例；第四部分为类型损失代价函数，该损失代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界类型概率与真实目标的标注边界类型概率的差距；

根据所得稀疏迭代之后的模型形状参数值进行摺积层通道剪切，具体如下，在通道稀疏迭代后，得到了的模型形状参数值大部分趋近于0，由标准化层形状参数的含义可知输入该层的特征图像的每个通道对应一个形状参数值；将重要性低于剪枝百分比的特征图通道废弃，废弃的特征图通道对应的摺积核也被废弃，这就完成了通道裁剪的过程；所述剪枝百分比，指核稀疏化迭代后所有形状参数的比例，即将模型所有形状参数从小到大排序，取前剪枝百分比对应数量的形状参数对应的特征图通道剪切，该特征图通道对应的摺积核同时废弃；当剪枝百分比较高时，通道剪切可能会暂时导致一些精度损失，但这在很大程度上可以通过后序步骤中的模型微调来进行规避；具体地，对于摺积层，剪枝后判断每一层通道数是否为零，若为零，强制保留形状参数绝对值最大的特征图参数对应的滤波器单通道，避免过度剪枝带来的模型结构破坏；对于没有后续接入批次标准化层的摺积层不进行通道剪切；对于捷径层，剪枝后判断该层所连接的两个摺积层通道数是否一致，若不一致，则将两层摺积层通道进行标记，未被剪枝通道标示为1，被剪枝通道标识为0，生成两组一维的二进制向量，对两组向量各位进行或操作，得到一个一维向量，其中内容为1的向量位数对应的两个摺积层通道保留，内容为0的向量位数对应的两个摺积层通道剪切；对于池化层，上采集层和连接层，不对其进行参数剪枝；最大池化层指对每个通道维度的特征图像进行最大池化操作，即将特征图像不重样地分割剪切成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再废弃其他节点后，保持原有的平面结构得到输出人脸特征图像；所述捷径层，指对输入的两个摺积层特征图像进行各对应通道参数叠加操作，其要求输入摺积层通道数相同；所述上采集层，是指对输入特征图像，在像素点值之间采用在两个方向分别进行一次线性插值的方法***新的元素；所述连接层，是指将输入的人脸特征图像按先后顺序，在通道维度上整合，即连接层输出人脸特征图通道数等于输入特征图通道数之和，在编码实现中，直接进行特征图数组在通道维度上的整合；

根据获取的通道剪切后的模型参数权重比例，对相同数据集进行人脸模型再迭代；迭代损失代价函数为稀疏迭代时的原始模型损失代价函数；当模型代价值不再随迭代次数产生较大波动时，停止训练，获得模型权重比例，所述迭代具体为：对输入迭代集图片划分网格，在各网格内通过预设尺寸的候选边界生成预测边界，通过预测边界参数和标注真实框参数计算损失代价函数，计算完迭代内所有图片得到本次迭代损失代价函数值，完成一次迭代。

5.如权利要求1的一种基于5G网络的区块电商平台交易***，其特征在于：所述双目摄像头内部设置有处理器、传感器模组、镜头、MCU控制器与5G模组；所述处理器分别与传感器模组、镜头、MCU控制器和5G模组连接；所述MCU控制器与多种外设连接；所述5G模组用于将摄像头拍摄图像数据通过5G网络上传。

6.如权利要求5的一种基于5G网络的区块电商平台交易***，其特征在于：所述外设包括按键、蜂鸣器、指示灯和USB接口中的一种或多种。

7.如权利要求1的一种基于5G网络的区块电商平台交易***，其特征在于：所购商品的标签信息的采集以第一摄像头采集用户的第一人脸信息完成为触发条件。

8.如权利要求1的一种基于5G网络的区块电商平台交易***，其特征在于：当第一人脸信息和第二人脸信息中有任一个与预存人脸信息不匹配时，***自行删除所购商品与账户信息的关联。

Images