云支付：移动数字钱包之人脸识别技术

舒晓苓

摘要：该文从传统支付和初期移动支付安全问题考虑出发，随着移动设备的飞速发展，传统支付慢慢过渡到移动支付，从而诞生了移动数字钱包，本文将移动数字钱包需要用到的银行账户号码等重要财务信息以及人脸身份认证数据存储在云端，避免移动设备丢失造成的安全隐患；利用人脸识别技术和身份ID绑定一对一识别用户身份，大大降低了数字钱包财务信息受侵害的风险，通过实验测试本文提到的人脸识别方法能达到实时人脸检测与识别效果。

关键词：云支付； 移动数字钱包； 人脸识别技术

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2015）08-0179-03

Abstract：This article from the traditional payment and mobile payment security problem considering starting early， with the rapid development of mobile devices， traditional payment gradually transition to the mobile payment， to the birth of mobile digital wallet， this paper will mobile digital wallet need bank accounts and credit card numbers and other important financial information and the authentication data stored in the cloud， avoid moving equipment the loss of potential safety problems； one to one user identification using face recognition technology and identity the ID binding， greatly reduces the risk of a digital wallet financial information infringement， face recognition method by experimental test mentioned in this paper can achieve the effect of real-time detection and recognition of human face.

Keywords： cloud payment； mobile digital wallets； the technology of face recognition

现如今大部分人都加入了低头族，拿着各种智能手机或不同移动设备上网看新闻，聊天，看电影，看小说，玩游戏，购物等，这说明各种移动设备发展是多么的快，我们生活中越来越多的用手机进行团购美食，电影票，游玩，网购各种大的小的商品……，用手机进行移动支付慢慢变成我们生活中必不可少的部分，而同时，各类木马和蠕虫病毒也来凑热闹了，开始集中出现在手机支付中，特别是安全防护较为薄弱的Android平台，如果你不幸遇到了这类病毒，设定的密码很有可能泄露，造成钱财损失的同时可能你再也不敢用手机进行支付，所以移动支付成为用户非常想用又担心安全问题的关键。在安全与否和方便快捷的矛盾下，云计算开始在移动支付领域大量使用，由此诞生的“移动数字钱包”开始走俏，它是一种全新的移动支付模式。简单来说，它其实就是一款 app 应用或则说移动网站，它组合了支付、钱包、理财、记账、信用卡还款，车辆违章查询等日常生活中主要方面，是嵌入式工具和整体理财应用的整合，能满足个人财富管理的全面需求[1]。在数据存储方面，“数字钱包”将私密敏感的财务信息存储于云端，而不是自己的移动设备上，利用云存储的安全和便捷性，用户可随时随地通过任何设备访问自己的“钱包”，而不用担心因设备换了、掉了或升个级带来的麻烦。从“手机钱包”向“数字钱包”的过渡可以满足移动支付安全的根本需求，移动支付技术的这一发展趋势已经势不可挡。

1 移动数字钱包的身份认证技术

1.1 人脸识别技术

1.1.1 人脸识别技术支付应用架构

身份认证技术在移动数字钱包安全方面扮演最基本与最重要的角色[2]。如果移动支付只有简单的密码设定，而你用于支付绑定的卡有大额资金或绑定的没有支付限额的信用卡，一旦被犯罪分子采用非法途径和非法手段进行窃取账户信息和攻击，造成的损失可能是无法估量的。本文就采用了身份认证中的人脸识别技术作为移动数字钱包的安全保障。人脸识别技术的核心首先是人脸捕捉[3]，本文人脸识别技术设计分为前端的人脸注册，人脸抓图以及后端的人脸比对。详细来说，前端分两个大的流程，第一个就是人脸注册，人脸注册常用说法叫做人脸图像采集，用户在使用该移动数字钱包前，必须先注册，通过前端的视频设备采集用户人脸图像，放到云端数据库中；第二，用户使用移动数字钱包时，使用前端的视频抓图，通過它的前景分割和人脸检测以及特征定位进行矫正图像，再立即调取人脸数据特征与后端的云端数据库中的图片来进行比对，比对结果决定你是否能用该移动数字钱包。比对方式有一对多模式和一对一模式[4]，一对多的模式弊端：第一，在我们云端数据库里，可能会有成千上万个模板，当人脸要与上万的模板数据库中的人脸信息进行比对的时候就属于一对多模式，当数据越大，就越会拖慢整个寻找和识别时间，第二个就是准确度，如果是双胞胎识别会怎么样，带与不带眼镜或者化妆或者有其他遮挡的照片又会产生什么影响[5]。所以本文对于人脸识别技术采取一对一的模式，所谓一对一就是注册时除了人脸注册以外，再给该人脸身份信息上绑定一个ID号或银行卡号，在使用移动数字钱包时，两者绑定验证。当你支付时刷了注册时的银行卡或登录时输入了ID号，然后前端的视频实时抓图，再直接从云端数据库调取你注册时的照片信息进行一对一对比，这个对比成功率是百分之百的，不会有差错。图1是本文人脸识别移动支付端的架构图。

人脸识别最主要的目的就是做人脸的比对，这个比对就是身份的认证。这些人脸相关注册信息都存储在云端，即便当你移动支付设备丢失或者被盗，都不用担心你卡内的金额会被盗取，开个玩笑除非你被匪徒绑架，这个就属于刑事犯罪的讨论范畴了。图2是用户使用移动支付端的流程图。比对成功以后进行消费确认，如果比对失败会怎样？我们还设计了增值服务模块，以可以联络的方式通知到移动设备主人进行报警提示，那么用户可以先对你的手机卡挂失锁定，避免有可能的损失。还可以记录捡到手机非法使用该支付时的人脸采集信息，将其记入黑名单，不能再用该数字钱包支付。通过云平台除了储存黑名单、白名单的注册信息外，还可以下发这些信息，丢失手机或者丢失卡片或有非法使用信息都可以马上就发到前端去，真正实现实时处理。图1-图3 是移动客户端与云端的交互图。

1.1.2 人脸识别技术算法

人脸识别算法在检测时主要需解决的就是采用合适的数据集来测试其可行性。要考率人脸的各种不同因素：不同脸的图像，不同人种，不同表情，不同发型，妆面不同，光线不同，年龄不同，性别不同等等。我们首先在云平台构建一个拥有各种不同人脸的标准测试数据库。它拥有7500張不同人脸的图片，是从网络上收集的3000千个不同的公众人物。更重要的是，每个人都拥有不止一张人脸图片。首先进行人脸采集，利用带有人脸检测功能函数的前段视频进行拍摄，当屏幕中出现红色方框后再对镜头正前方的人脸进行图像抓取，要求用户尽可能正面脸部与视频平行，光线尽量的柔和，这样更有利于后面的比对工作；然后对图像处理，将图片主要分为5点特征，这些特征分别是：两只眼睛、鼻子和嘴角的位置。算法依据这些特征把每张脸图规格化成一个150*120的像素图，然后，再把每张图片以25*25像素为单位划分成重叠的区域，每个区域的基本特征采用一个数学向量来描述；接着进行图像上传云端数据库，如果云端数据库寻找到匹配的人脸信息将通知移动支付端进行接收，或者在云端数据库出现错误时要求移动端再次上传正确人脸图像，算法使用http协议配合套接字与多线程做数据传输；最后进行人脸识别比对，算法的任务是去比较两张不同的图片是否具有相同的5个特征，做完了这些，就可以比较出两张图片是否是同一个人了。算法需要的内存大小以及识别两幅图所需要的时间，用并行计算和特制处理器等技术来加快算法的运行时间。本文重点给出人脸识别的部分算法。

2 人脸识别率测试

本文采用基于Android系统人脸识别效率测试使用三星Note 3手机，配置如表1所示，对上文提到的标准测试数据库进行识别比对，先通过手机摄像头获取800*480像素人脸，使用150*120人脸兴趣区检测窗口和人脸识别算法对工作效率测试如表2所示，实验结果表明该方法达到实时人脸检测与识别效果。

3 结论

本文通过人脸识别和智能卡以及云端存储的完美结合构建的移动数字钱包，避免了以往用一张卡或者密码身份验证来保证金额的安全隐患，不会因为一个信用卡丢了，或者离开你的视线大概一二十分钟的样子就被复制出一张一模一样的信用卡而担心，也不会因为你输入的密码被旁边的人看到而害怕，也不用因移动设备丢失，与设备绑定的银行卡或钱包余额被盗用而担心，安全性问题得以解决。未来的移动数字钱包除了在外观设计上要做到简单易用漂亮外，线上和线下的应用一定要安全以及方便，才能够得到推广。移动数字钱包能够重新调整，实现整合效果，将所有消费者的购物和金融需求都归在一处，那么移动数字钱包应用将会取得巨大成功。

参考文献：

[1] Zhao W， Chellappa R. Phillips P J， et al. Face recognition： A literature survey[J]. Acm Comput Surv， Dec， 2003， 35（4）： 399-459

[2] SakthiM， Dr.Antnoy Selvadoss Thanamani. An Effective Determination of Initial Centroids in K-Means Clustering Using Kernel PCA[J]. International Journal of Computer Science and Information Technologies， 2011，2（3）： 955-959

[3] Jiang X. A method using long digital straight segments for fingerprint recognition. 2012. 77（1）： p. 28-35.

[4] Teoh T， Nguwi Y， Cho S. Intelligent Face Locator for Smartphone. in IEEE International Symposium on Industrial Electronics （ISIE 2009）. 2009. Seoul， Korea.

[5] Choi J Y， Ro Y M，Plataniotis K N. A comparative study of preprocessing mismatch effects in color image based face recognition， 2011，44（2）： 412-430.

[6] 柴秀娟，山世光，卿来云，等.基于3D人脸重建的光照、姿态不变人脸识别[J].软件学报，2006，17（3）：525-534.

[7] 周激流， 张晔， 人脸识别理论研究进展[J]. 计算机辅助设计与图形学学报， 1999. 11（2）： p. 180-184.

[8] 艾海舟，肖习攀，徐光佑.人脸检测与检索[J].计算机学报，2003， 26（7）：874-881.

[9] 段锦.人脸自动机器识别[M].北京：科学出版社，2009