本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
【专利摘要】本专利技术公开一种，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。本专利技术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。【专利说明】
本专利技术属智能支付领域，尤其涉及一种。
技术介绍
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。
技术实现思路
为了解决现有技术问题，本专利技术提供了一种，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。 本专利技术采用的技术方案为:一种，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，进入手机支付系统，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，本专利技术有益效果包括:本专利技术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。 【专利附图】【附图说明】 图1为本专利技术一般的结构示意图。 【具体实施方式】 下面结合附图对本专利技术作更进一步的说明。 如图1所示，一种，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，进入手机支付系统，否则，支付失败。 以上仅是本专利技术的优选实施方式，应当指出:对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本专利技术的保护范围。【权利要求】1.一种，其特征在于，包括以下步骤: SOl，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本文档来自技高网...
【技术保护点】
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，进入手机支付系统，否则，支付失败。
【技术特征摘要】
【专利技术属性】
技术研发人员：张会林，孙利华，
申请(专利权)人：苏州福丰科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。