[发明专利]人脸识别方法及金融系统

说明书

本发明公开了一种金融系统人脸识别方法及金融系统，包括：采集得到用户的人脸视频，从人脸视频中取出质量达标的一张人脸图像作为待识别的人脸图像；将所述人脸图像输入预先训练好的人脸识别模型中，通过人脸识别模型提取出待识别的人脸图像的人脸特征向量；在大数据库中获得与人脸特征向量匹配的身份信息作为用户的身份信息；所述人脸识别模型包括自编码结构和监督结构，选取质量达标的人脸图像作为输入，提高了识别的精度，通过全连接层和第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层之间的配合，最后输出的人脸特征向量能够准确表示人脸的特性，可识别性高，从而基于人脸特征向量识别用户的身份信息的准确性高。

技术领域

本发明涉及计算机技术领域，具体而言涉及一种人脸识别方法及金融系统。

背景技术

人脸识别技术广泛应用于金融领域，例如金融支付系统中的刷脸支付等等。现有技术中，通常采用基于背景差法的人脸识别方法、基于机器学习的人脸识别方法，基于背景差法的人脸识别方法提取到的人脸特征图已经消失了大部分的人了信息，为此，基于这种方法进行人脸识别精度低。基于机器学习的人脸阿识别方法需要对模型进行大量的训练，具体在于需要大量的训练样本，这种方式的识别精度有所提高，但是消耗的人力物力大，成本高。

发明内容

本发明的目的在于提供了一种金融系统人脸识别方法及金融系统，用以解决上述存在的技术问题。

本发明实施例提供了一种金融系统人脸识别方法，所述方法包括：

采集得到用户的人脸视频，从人脸视频中取出质量达标的一张人脸图像作为待识别的人脸图像；

将所述人脸图像输入预先训练好的人脸识别模型中，通过人脸识别模型提取出待识别的人脸图像的人脸特征向量；

在大数据库中获得与人脸特征向量匹配的身份信息作为用户的身份信息；

所述人脸识别模型包括自编码结构和监督结构；

自编码结构包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层；所述监督结构包括全连接层；

第一卷积层的输入是所述人脸图像，所述第二卷积层的输入是第一卷积层的输出，所述第三卷积层的输入是第二卷积层的输出，所述第四卷积层的输入包括第三卷积层的输出，所述第五卷积层的输入是第四卷积层的输出，所述第六卷积层的输入是第五卷积层的输出，所述全连接层的输入包括第三卷积层的输出。

可选的， 所述人脸识别模型的训练方法包括：

获得训练样本，所述训练样本包括已标注的人脸图像和未标注的人脸图像；

将所述训练样本输入第一卷积层，第一卷积层对训练样本进行下采样特征提取，得到第一下采样特征；

第二卷积层对第一下采样特征进行下采样特征提取，得到第二下采样特征；

第三卷积层对第二下采样特征进行下采样特征提取，得到第三下采样特征；

所述全连接层对已标注的人脸图像对应的所述第三下采样特征进行有监督学习，全连接层对已标注的人脸图像对应的所述第三下采样特征进行有监督学习时的损失函数采用的是第一有监督损失函数；

通过第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层对未标注的人脸图像进行无监督学习，第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层对未标注的人脸图像进行无监督学习采用的损失函数采用的是无监督损失函数；

当全连接层对已标注的人脸图像对应的所述第三下采样特征进行有监督学习结束，以及第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层对未标注的人脸图像进行无监督学习结束时，确定人脸识别模型训练结束，人脸识别模型的损失函数如下公式确定：