人脸识别在移动设备支付系统中的应用

《人脸识别在移动设备支付系统中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人脸识别在移动设备支付系统中的应用【摘要】随着科学技术的进步，人们的消费习惯和支付方式都发生了巨大的改变，用手机这一移动设备进行在线支付，已然成为我们日常消费中的一大主要组成部分。本文以人脸识别技术在手机支付系统中的应用为例，分析人脸识别技术的原理和工作过程，以及对该技术进行展望，加深对人脸识别技术的理解。【关键词】人脸识别图像处理技术原理系统应用一、人脸识别发展与现状人脸识别是指从输入端获取的人脸图像经过一系列算法处理，与系统图像库的图像进行匹配分析，以实现身份认证的过程。它的研究拥有着一百多年的历史经验。18

2、88年，Galton在《Nature》杂志上发表了一篇利用人脸进行身份识别的文章，从此开启了人类对人脸识别的研宄。自动人脸识别的技术研宄论文最早发表于1965年，经过50多年的发展，人脸识别技术融合数字图像处理、计算机图形学、模式识别、计算机视觉、人工神经网络和生物特征等多个学科的理论和方法，技术日趋成熟。尤其是近二十年间，人脸识别技术突飞猛进，每年都有技术上的研宄突破和大量的学术论文产出。人脸识别的发展进程根据时间线可分为三个阶段：第一阶段：1964年-1990年期间。这一阶段的研究属于人脸识别的初步探索时期，

3、将人脸识别当成是一般性的模式识别问题来研宄，涉及的主要技术方案是基于人脸几何结构特征的方法。人脸几何特征表示的是人脸的五官及五官之间的距离关系的位置信息。人的五官具有天生的生物独特性和结构独特性，每个人的五官都不尽然相同，结合五官的特性和他们之间的位置关系来表示不同人脸，是非常有效的特征信息。但是这一阶段研究的人脸识别过程需要全程由操作人员手动操作，无法实现自动地识别人脸。第二阶段：1991年-1997年期间。这一阶段的研究属于人机交互式研究阶段，主要使用人的脸部特征参数来表示人脸正面图像信息。虽然只有短短六年时

4、间，但是人类研究出大量代表性的人脸识别算法，并且商业化运作的人脸识别系统开始涌现，这一切将人脸识别技术推入快速发展浪潮。但是此阶段依然需要操作人员的先验知识，不能达到完全自动识别人脸。第三阶段：1998年至今。这一阶段属于机器识别阶段。近些年，随着高效图像识别算法的出现和计算机性能的不断优化，人脸识别技术取得了重大突破。2016年被称为“人工智能元年”，人工智能各个领域全面开花，人脸识别作为其研宄的重要领域，也取得了令人瞩目的成就。二、移动设备支付系统中的人脸识别2015年3月，在德国汉诺威消费电子、通信及信息技

5、术（CeBIT）博览会上，马云现场演示了支付宝新技术"SmiletoPay（刷脸支付）”，惊艳世界，掀起了一股在手机端“刷脸支付”的热潮。人脸识别在移动设备支付系统中主要分为前端的人脸图像获取、后端的人脸识别（如下图所示）。2.1移动设备端移动设备端一般设有前置摄像头，在使用移动支付的时候，系统通过移动设备的前置摄像头获取图像，通过人脸检测算法，从图像中分割出人脸图像信息，然后传输到云端服务器进行人脸识别处理。因此移动设备端最主要的任务是做人脸检测。人脸检测方法主要分为三个：基于先验知识的检测方法、基于模板的检测

6、方法和基于学习模板的检验方法。基于先验知识的检测方法是利用人类在人脸认识过程中建立的知识经验，这些先验知识中存在的普遍规律为：人脸五官基本对称、五官具有相同的布局、面部基本属于椭圆轮廓等规律。利用这些规律对人的眼睛进行定位，然后根据五官的空间结构定位面部其他器官，达到一个面部全局检测。基于模板的检测方法同样利用人脸的先验知识，和上一种方法有所不同的是，它建立一个人脸模板，让获取的图像与这个模板按照系统设置的匹配算法和参数调整进行对比，以获得人脸检测结果。基于学习模板的检测方法，区分于上一个人脸模板检测方法，它是建

7、立在对训练集联系上的，通过自我学习而得到一个人脸模板，而不是利用先验知识建立模板。这种方法采用有人脸和无人脸两种图像作为训练集，结合机器学习方法对图像进行学习，并通过数据降维达到高速的人脸检测。2.2云端服务器2011年以后，云端开始处理海量数据，紧接着越来越多的云存储和云技术涌现出来，由此在移动端出现了强烈的业务需求，其中包括移动支付。在移动支付逐渐走向人们生活的同时，各类木马和蠕虫等病毒成为了移动支付安全性的心腹大患，如果手机遭受病毒攻击，很容易造成支付密码泄密的发生。利用云存储将个人、密码、财务等信息存储于

8、云端，用户可以随时随地通过网络访问自己的信息，相比较将信息存储在自己的移动设备上，用户不用担心因为设备的丢失而带来的数据的泄露。在移动支付系统的人脸图像库中存在着成千上万个人脸信息，在进行人脸匹配时，需要大量的计算，而云计算的快速高效给人脸识别提供了巨大便利。云端服务器主要完成图像预处理、特征提取、人脸识别的任务。从移动设备端接受的人脸图像收到各种条件限制和噪声干扰，必须