人脸识别在移动设备支付系统中的应用

胡赵宇

【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。1888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究。自动人脸识别的技术研究论文最早发表于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究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，将人脸识别当成是一般性的模式识别问题来研究，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，人脸识别作为其研究的重要领域，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、通信及信息技术（CeBIT）博览会上，马云现场演示了支付宝新技术“Smile to Pay（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，必须对人脸图像的噪声过滤（去噪）、灰度矫正等预处理，主要包括：灰度变换、直方图均衡化、归一化、几何校正等；经过预处理的图像人脸五官结构分布清晰，进行人脸特征提取，人脸特征提取与人脸检测相似，有基于先验知识、基于几何特征、基于模板匹配的方法；最后云端服务器进行人脸识别，简单来讲，这就是一个人脸匹配的过程，可分为两类：一是辨别，将用提取的人脸特征参数与人脸图像库中千万级的特征模板进行匹配，这是一个一对多的过程；二类是确认，在云端存储的个人注册信息中，采集了个人的多种状态下的图像，例如戴眼镜与未戴眼镜，化妆与不化妆等等，将辨别后的身份各类图像再与提取的人脸特征进行一对一的比较。最后将人脸识别的结果传输到移动端，如果识别匹配成功，则完成支付过程；否则取消支付。

三、人脸识别未来展望

2015年3月，支付宝的“刷脸支付”技术亮相之后，遭到了外媒的质疑，他们表示这一项技术目前还不成熟，实现起来有很大的技术难度，存在安全问题。2016年4月，支付宝在杭州西湖文化广场展示了其全新的“刷脸支付”，识别准确率达到99.5%，高于人眼识别97.52%的准确率，甚至可以分辨双胞胎。并且一旦有盗用账号的情况发生，会在支付过程中的人脸图像采集环节留下犯罪证据，有利于打击犯罪行为。近来，由于人脸识别的优势突出，如它的非接触性不会让人们产生排斥感，使得这门技术正被广泛应用于银行、电子商务、安全防务等领域，金融和互联网巨头纷纷加重对其的研究开发，推动了人脸识别产业的爆发式增长。而随着软硬件基础设备条件的完善、云技术的普及加速、云计算的大量应用，业内人士预计，人脸识别未来潜在的市场规模将超过千亿级，行业大潮已至，能基本确立向上发展趋势。

总结：人脸识别自古以来都是人类进行身份识别的一个重要方式，近些年智能手机等穿戴设备新盛，应市场所需，将人脸识別应用在移动设备的支付系统中，让支付认证更加方便、安全、可靠。在未来，移动终端进行人脸图像识别将应用在越来越多的领域中去，而人脸识别本身具有的独特性和稳定的安全性将给人类带来越来越多的好处。

参 考 文 献

[1]张翠平，苏光大. 人脸识别技术综述[J]. 中国图象图形学报，2000，（11）：7-16.

[2]袁正海. 人脸识别系统及关键技术研究[D].南京邮电大学，2013.

[3]舒晓苓. 云支付：移动数字钱包之人脸识别技术[J]. 电脑知识与技术，2015，（08）：179-181.