[發明專利]人臉識別方法及金融系統

有效

• 申請號: 202011380435.5
• 申請日: 2020-11-30
• 公開（公告）號: CN112364828B
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 姜召英
• 申請（專利權）人: 天津金城銀行股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06Q40/02
• 代理公司: 天津盛理知識產權代理有限公司 12209
• 代理人: 趙瑤瑤

本發明公開了一種金融系統人臉識別方法及金融系統，包括：采集得到用戶的人臉視頻，從人臉視頻中取出質量達標的一張人臉圖像作為待識別的人臉圖像；將所述人臉圖像輸入預先訓練好的人臉識別模型中，通過人臉識別模型提取出待識別的人臉圖像的人臉特征向量；在大數據庫中獲得與人臉特征向量匹配的身份信息作為用戶的身份信息；所述人臉識別模型包括自編碼結構和監督結構，選取質量達標的人臉圖像作為輸入，提高了識別的精度，通過全連接層和第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層和第六卷積層之間的配合，最后輸出的人臉特征向量能夠準確表示人臉的特性，可識別性高，從而基于人臉特征向量識別用戶的身份信息的準確性高。

技術領域

本發明涉及計算機技術領域，具體而言涉及一種人臉識別方法及金融系統。

背景技術

人臉識別技術廣泛應用于金融領域，例如金融支付系統中的刷臉支付等等?，F有技術中，通常采用基于背景差法的人臉識別方法、基于機器學習的人臉識別方法，基于背景差法的人臉識別方法提取到的人臉特征圖已經消失了大部分的人了信息，為此，基于這種方法進行人臉識別精度低?；跈C器學習的人臉阿識別方法需要對模型進行大量的訓練，具體在于需要大量的訓練樣本，這種方式的識別精度有所提高，但是消耗的人力物力大，成本高。

發明內容

本發明的目的在于提供了一種金融系統人臉識別方法及金融系統，用以解決上述存在的技術問題。

本發明實施例提供了一種金融系統人臉識別方法，所述方法包括：

采集得到用戶的人臉視頻，從人臉視頻中取出質量達標的一張人臉圖像作為待識別的人臉圖像；

將所述人臉圖像輸入預先訓練好的人臉識別模型中，通過人臉識別模型提取出待識別的人臉圖像的人臉特征向量；

在大數據庫中獲得與人臉特征向量匹配的身份信息作為用戶的身份信息；

所述人臉識別模型包括自編碼結構和監督結構；

自編碼結構包括第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層和第六卷積層；所述監督結構包括全連接層；

第一卷積層的輸入是所述人臉圖像，所述第二卷積層的輸入是第一卷積層的輸出，所述第三卷積層的輸入是第二卷積層的輸出，所述第四卷積層的輸入包括第三卷積層的輸出，所述第五卷積層的輸入是第四卷積層的輸出，所述第六卷積層的輸入是第五卷積層的輸出，所述全連接層的輸入包括第三卷積層的輸出。

可選的， 所述人臉識別模型的訓練方法包括：

獲得訓練樣本，所述訓練樣本包括已標注的人臉圖像和未標注的人臉圖像；

將所述訓練樣本輸入第一卷積層，第一卷積層對訓練樣本進行下采樣特征提取，得到第一下采樣特征；

第二卷積層對第一下采樣特征進行下采樣特征提取，得到第二下采樣特征；

第三卷積層對第二下采樣特征進行下采樣特征提取，得到第三下采樣特征；

所述全連接層對已標注的人臉圖像對應的所述第三下采樣特征進行有監督學習，全連接層對已標注的人臉圖像對應的所述第三下采樣特征進行有監督學習時的損失函數采用的是第一有監督損失函數；

通過第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層和第六卷積層對未標注的人臉圖像進行無監督學習，第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層和第六卷積層對未標注的人臉圖像進行無監督學習采用的損失函數采用的是無監督損失函數；

當全連接層對已標注的人臉圖像對應的所述第三下采樣特征進行有監督學習結束，以及第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層和第六卷積層對未標注的人臉圖像進行無監督學習結束時，確定人臉識別模型訓練結束，人臉識別模型的損失函數如下公式確定：