談 玲，張 琭

（1.南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院 南京 210044；2.南京郵電大學(xué)物聯(lián)網(wǎng)學(xué)院 南京210003；3.中國(guó)電信股份有限公司江蘇分公司操作維護(hù)中心 南京 210017）

1 引言

隨著信息技術(shù)的發(fā)展，電子商務(wù)中金融信息化程度越來(lái)越高，信息安全的重要性也同步提升。在互聯(lián)網(wǎng)中信息安全技術(shù)最重要的應(yīng)用是電子支付，而基于計(jì)算機(jī)視覺(jué)的生物特征識(shí)別技術(shù)深刻地改變著人們的支付方式和支付習(xí)慣。作為一種新興的、有前景的在線電子商務(wù)技術(shù)，基于生物特征識(shí)別的支付得到越來(lái)越廣泛的關(guān)注和應(yīng)用?？紤]到生物特征識(shí)別技術(shù)對(duì)經(jīng)濟(jì)發(fā)展的重要作用，其安全性和可靠性必須得到嚴(yán)格和穩(wěn)定的保障。

在安全領(lǐng)域，身份識(shí)別一直是研究的熱點(diǎn)。由于人體的生物特征具有采集簡(jiǎn)便、個(gè)體差異顯著的特性，在進(jìn)行個(gè)人身份識(shí)別時(shí)具有較好的安全性和可靠性，因此在電子商務(wù)中可以利用人體生物特征進(jìn)行在線支付及消費(fèi)行為的確認(rèn)。在互聯(lián)網(wǎng)中，各支付主體之間的認(rèn)證是電子商務(wù)的一個(gè)核心問(wèn)題[1]，而終端認(rèn)證是電子支付首先要面對(duì)的問(wèn)題?？紤]到電子支付的特殊性，需要支付終端具有盡可能簡(jiǎn)便的認(rèn)證，并降低對(duì)支付設(shè)備的依賴(lài)性。

本文提出一種交互式多生物特征識(shí)別方法，從第三方支付平臺(tái)的角度研究其在電子商務(wù)中的應(yīng)用。主要利用客戶(hù)和支付終端的交互完成用戶(hù)身份驗(yàn)證、消費(fèi)確認(rèn)以及支付簽名。該方法借鑒了現(xiàn)有的生物識(shí)別技術(shù)如人臉識(shí)別[2～4]、鼻子識(shí)別[5～7]、耳朵識(shí)別[8～10]、指關(guān) 節(jié)紋 識(shí)別[11，12]、指紋識(shí)別[13，14]等，并對(duì)這些方法進(jìn)行改進(jìn)和整合，實(shí)現(xiàn)了多重安全的支付，而交互式支付從第三方平臺(tái)的角度同時(shí)為消費(fèi)者和商家提供支付保障。

2 基于多生物特征識(shí)別的身份認(rèn)證

目前研究的生物特征主要包括人臉、指紋、掌紋、虹膜、血管、指關(guān)節(jié)紋等。從數(shù)據(jù)采集方式看，人臉識(shí)別是較為容易的一種，受到眾多電商青睞。在進(jìn)行個(gè)體身份識(shí)別時(shí)，首先需要獲取人物臉部生物特征。其中存在一些不確定因素，人物的年齡、胖瘦、高矮、形態(tài)、表情、胡須、皺紋、發(fā)型、穿戴都會(huì)影響人臉特征，甚至外部光線也會(huì)對(duì)人臉有影響，從而降低人臉識(shí)別的準(zhǔn)確性。人臉的很多顯著器官如鼻子、耳朵等在一生中形狀相對(duì)穩(wěn)定，且不容易受到外在干擾，因此在本文中將耳朵和鼻子作為身份識(shí)別的多生物特征的一部分。其次是指關(guān)節(jié)紋生物特征，其比掌紋特征更明顯，也不易受到外在干擾，因此識(shí)別更簡(jiǎn)易和可靠，本文將其作為第三重生物特征。在識(shí)別時(shí)，這3個(gè)區(qū)域圖像的數(shù)據(jù)量總和比人臉圖像的數(shù)據(jù)量更少，因此其平均識(shí)別時(shí)間要比臉部識(shí)別時(shí)間少得多。

2.1 多生物特征識(shí)別算法

在識(shí)別算法上，主要借鑒Gabor濾波器在鼻子、耳朵和指關(guān)節(jié)紋識(shí)別上的良好特性[15]，核函數(shù)和FDA（Fisher discriminant analysis）在非線性判別中的優(yōu)異表現(xiàn)以及帶限相位相關(guān)算法在計(jì)算內(nèi)容獨(dú)立性方面的穩(wěn)定發(fā)揮，設(shè)計(jì)了基于鼻子—耳朵—指關(guān)節(jié)紋的多重識(shí)別算法模式。首先提取鼻子、耳朵和指關(guān)節(jié)紋的感興趣區(qū)域 （region of interest，ROI），采用 Gabor濾波器對(duì)圖像進(jìn)行 Gabor濾波處理。其次，對(duì)濾波后的圖像進(jìn)行對(duì)比度增強(qiáng)處理，利用帶限相位算法調(diào)整圖像頻譜范圍，利用位移校準(zhǔn)法對(duì)圖像進(jìn)行校準(zhǔn)、微調(diào)和裁剪[15]。最后，對(duì)校準(zhǔn)后的圖像進(jìn)行基于閾值的匹配和識(shí)別。作為第一重生物特征的鼻子，需要區(qū)別耳朵和指關(guān)節(jié)紋的特別處理。在特征提取中，需要事先建立測(cè)試樣本及訓(xùn)練樣本。對(duì)訓(xùn)練樣本和測(cè)試樣本分別利用核函數(shù)將鼻子的Gabor小波特征非線性地映射到核空間，再通過(guò)計(jì)算類(lèi)間和類(lèi)內(nèi)離散度矩陣，進(jìn)而求解Fisher基向量。并將上述訓(xùn)練樣本和測(cè)試樣本的Gabor小波特征分別投影到Fisher基向量，最后計(jì)算得到兩類(lèi)特征的距離，并進(jìn)行基于距離的分類(lèi)判別。

2.2 身份識(shí)別

基于多生物特征識(shí)別模式的身份認(rèn)證分別進(jìn)行鼻子、耳朵、指關(guān)節(jié)紋的生物特征識(shí)別，根據(jù)鼻子、耳朵、指關(guān)節(jié)紋的特征強(qiáng)度和識(shí)別可靠度，予以三重生物特征不同的權(quán)重，最終的識(shí)別結(jié)果計(jì)算方法為：首先觀察3種生物特征識(shí)別的結(jié)果是否完全一致，若完全一致，則用戶(hù)身份確定；若不一致，再觀察耳朵和指關(guān)節(jié)紋識(shí)別的結(jié)果是否一致，若一致，則取耳朵和指關(guān)節(jié)紋的識(shí)別結(jié)果；若3種生物特征識(shí)別的結(jié)果各不相同，取鼻子生物特征識(shí)別的結(jié)果作為身份識(shí)別結(jié)果。

2.3 身份認(rèn)證

在電子商務(wù)中，身份認(rèn)證主要通過(guò)第三方支付平臺(tái)的支付終端進(jìn)行。支付終端采集用戶(hù)的鼻子、耳朵、指關(guān)節(jié)紋圖像，并將其傳送到第三方支付平臺(tái)的支付服務(wù)器端進(jìn)行身份識(shí)別。支付服務(wù)器上存放用戶(hù)個(gè)人生物特征庫(kù)，根據(jù)多生物特征識(shí)別算法進(jìn)行用戶(hù)的身份識(shí)別。將其與注冊(cè)賬戶(hù)進(jìn)行比對(duì)，確定用戶(hù)賬戶(hù)存在且有效，從而完成用戶(hù)的身份認(rèn)證。

身份認(rèn)證后，用戶(hù)繼續(xù)在第三方支付平臺(tái)的支付終端中進(jìn)行支付活動(dòng)。在電子商務(wù)中，支付是最后也是最關(guān)鍵的一步，需要嚴(yán)格控制其安全性和可靠性。因此本文主要研究第三方支付平臺(tái)上進(jìn)行的交互式支付及消費(fèi)確認(rèn)機(jī)制。

2.4 多生物特征融合的SVM模型

為了對(duì)多生物特征識(shí)別進(jìn)行效果驗(yàn)證，本文首先構(gòu)建了一個(gè)多生物特征融合模型，如圖1所示，這里采用的生物特征包括人臉和虹膜。在各種生物特征中，人臉識(shí)別是人類(lèi)最自然和最容易接受的身份識(shí)別方法，在很多電子商務(wù)中得到了成功應(yīng)用；而虹膜識(shí)別則具有較高的準(zhǔn)確率。這兩種生物識(shí)別都有各自的局限。參考文獻(xiàn)[16，17]在不同層論證了人臉和虹膜的融合識(shí)別。在分類(lèi)器的選擇上，本文考慮了SVM（support vector machine，支持向量機(jī)）。SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的機(jī)器學(xué)習(xí)方法，求解辦法是將分類(lèi)問(wèn)題轉(zhuǎn)化為二次規(guī)劃問(wèn)題。作為一種二分類(lèi)器，其基本思想是在樣本空間中構(gòu)造出最優(yōu)分類(lèi)超平面，并使其達(dá)到最大的泛化能力[18]。

多特征SVM模型的處理過(guò)程為：首先，分別對(duì)人臉與虹膜圖像進(jìn)行預(yù)處理及特征提取，得到人臉特征向量與虹膜特征向量。而后將兩種特征向量進(jìn)行串行組合，得到融合特征向量。最后，將融合特征向量經(jīng)過(guò)標(biāo)準(zhǔn)歸一化處理，利用SVM進(jìn)行分類(lèi)識(shí)別。

假設(shè)人臉特征提取的特征向量，xi={x1i,x2i,x3i,…,xmi},i=1,2,…,s（s是樣本數(shù)量）；虹膜提取的特征向量yi={y1i,y2i,y3i,…,yni}；融合特征向量是由xi與yi串接得到的向量zi={z1i,z2i,z3i,…,zki}，由該向量作為最終的實(shí)驗(yàn)數(shù)據(jù)庫(kù)。上述特征向量中m,n,k是樣本的維度。

對(duì)該模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)運(yùn)行工具為MATLAB，使用了LibSVM工具箱，分類(lèi)方法采用one-against-one，二次規(guī)劃采用了改進(jìn)的序列最小優(yōu)化（sequential minimal optimization,SMO）算法[19]，工作集個(gè)數(shù)為2，對(duì)樣本及其 Lagrange乘子進(jìn)行更新和迭代計(jì)算，對(duì)滿(mǎn)足約束優(yōu)化條件的目標(biāo)決策函數(shù)進(jìn)行優(yōu)化。該方法工作集小，迭代數(shù)據(jù)快，因此在大規(guī)模訓(xùn)練情況下二次規(guī)劃的求解效率能顯著提升。

多生物特征識(shí)別的具體實(shí)現(xiàn)過(guò)程與生物特征不同的特征提取方法有關(guān)，人臉和虹膜預(yù)處理和特征提取的方法不同，提取出來(lái)的特征在分布和數(shù)量級(jí)上也會(huì)有所不同，直接融合可能會(huì)對(duì)識(shí)別結(jié)果有影響。為了排除這種特征數(shù)量級(jí)非均衡性對(duì)特征融合識(shí)別結(jié)果的影響，識(shí)別前需對(duì)融合特征做歸一化處理。這里采用兩個(gè)特征提取方法進(jìn)行識(shí)別驗(yàn)證。

方案1 PCA+WT。

算法過(guò)程如下。

步驟1 人臉處理。將以行向量的形式表示每一張人臉圖像，得到原始樣本集。再利用PCA（principal component analysis）提取人臉圖像的特征向量，實(shí)驗(yàn)中選取前20個(gè)主分量，即特征向量X的維數(shù)是20維，作為第一組樣本。

步驟2 虹膜處理。對(duì)虹膜圖像進(jìn)行預(yù)處理，得到64 dpi×512 dpi大小的歸一化虹膜圖像。再進(jìn)行Triple WT（wavelet transform），計(jì)算7個(gè)通道的均值和方差作為特征值，最后得到14維的特征向量Y，作為第二組樣本。

步驟3 特征融合處理。將步驟1和步驟2得到的人臉和虹膜樣本中的特征向量一一對(duì)應(yīng)進(jìn)行串行連接，得到34維融合特征向量，并進(jìn)行歸一化處理。

步驟4 將得到的標(biāo)準(zhǔn)數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，用SVM法進(jìn)行訓(xùn)練測(cè)試。

方案 2 Fisherface+Gabor。

算法過(guò)程如下。

步驟1 人臉處理。對(duì)原始樣本集利用Fisherface方法[21]對(duì)人臉圖像進(jìn)行特征提取，選擇適當(dāng)?shù)耐队翱臻g得到16維的特征向量X，作為第一組樣本。

步驟2 虹膜處理。對(duì)預(yù)處理后的歸一化虹膜圖像通過(guò)Gabor濾波器[20]，選擇中心頻率和相位角度不同的12個(gè)Gabor濾波通道，提取各通道的均值和方差作為特征值，得到24維的特征向量Y，作為第二組樣本。

步驟3 同方案1的步驟3和步驟4。

2.5 多生物特征識(shí)別性能驗(yàn)證

圖1 多生物特征融合模型

本文以O(shè)RL人臉數(shù)據(jù)庫(kù)和CASIA虹膜圖像庫(kù)為實(shí)驗(yàn)對(duì)象。在兩個(gè)庫(kù)中都按50 dpi×50 dpi規(guī)模選取原始圖像，對(duì)其一一制定配對(duì)得到實(shí)驗(yàn)圖像庫(kù)。在不同數(shù)量的訓(xùn)練集和測(cè)試集下對(duì)單一生物特征和多生物特征融合識(shí)別，對(duì)經(jīng)典分類(lèi)算法 （K-nearest neighbor,KNN）、神經(jīng)網(wǎng)絡(luò)（neural network,NN）、SVM 3種分類(lèi)識(shí)別方法進(jìn)行了性能比較。實(shí)驗(yàn)結(jié)果見(jiàn)表1（其中訓(xùn)練集和測(cè)試集為歸一化后的數(shù)據(jù)）。

從表1可以看出，多生物特征識(shí)別準(zhǔn)確率要超過(guò)單一特征識(shí)別準(zhǔn)確率，隨著訓(xùn)練樣本數(shù)量增加，所有識(shí)別方法的識(shí)別率也會(huì)逐步提高。此外，SVM在對(duì)比的幾種分類(lèi)器中，識(shí)別效果更好。

從驗(yàn)證結(jié)果看，多生物特征識(shí)別具有較高的識(shí)別性能，可以用于各種身份識(shí)別和認(rèn)知的應(yīng)用場(chǎng)合?；诙嗌锾卣髯R(shí)別模式的身份認(rèn)證進(jìn)行融合生物特征識(shí)別，并通過(guò)第三方平臺(tái)進(jìn)行身份認(rèn)證。支付終端采集用戶(hù)的人臉及虹膜圖像，并將其傳送到第三方支付平臺(tái)的支付服務(wù)器端進(jìn)行身份識(shí)別。支付服務(wù)器上存放用戶(hù)個(gè)人生物特征庫(kù)，根據(jù)多生物特征識(shí)別算法進(jìn)行用戶(hù)的身份識(shí)別。將其與注冊(cè)賬戶(hù)進(jìn)行比對(duì)，確定用戶(hù)賬戶(hù)存在且有效，從而完成用戶(hù)的身份認(rèn)證。

3 交互式表情掃臉

人的形態(tài)尤其是面容很容易隨著時(shí)間而變化，這是人臉識(shí)別技術(shù)必須克服的一個(gè)難點(diǎn)，目前的技術(shù)可以做到在個(gè)體常規(guī)化妝、發(fā)型變化、一定程度下胖瘦變化、老化時(shí)進(jìn)行身份識(shí)別。但如果變化過(guò)于劇烈，單一的掃臉模式將無(wú)能為力。此時(shí)可以借助其他生物特征輔助，比如掃臉和指紋驗(yàn)證相結(jié)合。對(duì)于識(shí)別難度較大的情況可以采用多種生物識(shí)別方式組合的方式。即便如此，掃臉支付仍然存在人臉照片和人臉視頻的假冒問(wèn)題，是人臉識(shí)別進(jìn)入商用的一個(gè)技術(shù)難點(diǎn)。

近期國(guó)內(nèi)外已經(jīng)有若干家電子商家或?qū)嶓w商家利用掃臉技術(shù)來(lái)完成支付，他們大多采用“面對(duì)面”式刷臉或者功能僅限于密碼輸入的方式，對(duì)于用戶(hù)身份的準(zhǔn)確識(shí)別以及消費(fèi)行為的確認(rèn)等方面考慮得還不夠深入。例如支付寶的掃臉技術(shù)“smile to pay”僅用于支付密碼，但其對(duì)于用戶(hù)身份的確認(rèn)還存在諸多盲點(diǎn)。本文對(duì)第三方平臺(tái)在線支付問(wèn)題的思路不同于其他電子商務(wù)只將掃臉用于支付，本文側(cè)重于利用交互式表情掃臉進(jìn)行消費(fèi)行為的第三方確認(rèn)，明確將指紋和交互式表情掃臉結(jié)合起來(lái)完成支付。此外，本文將用戶(hù)身份認(rèn)證和用戶(hù)支付操作的確認(rèn)和簽名分開(kāi)。身份認(rèn)證利用鼻子—耳朵—指關(guān)節(jié)紋多生物特征完成認(rèn)證，避免單一模式下產(chǎn)生的失誤。在用戶(hù)進(jìn)入支付環(huán)節(jié)后，為進(jìn)一步加強(qiáng)可靠性和安全性，利用交互式表情掃臉和指紋識(shí)別來(lái)完成。這種模式一方面可以避免人臉照片和人臉視頻的假冒，另一方面也可作為支付糾紛發(fā)生時(shí)的支付依據(jù)。

支付終端在交互式表情掃臉中需要用戶(hù)進(jìn)行表情配合，即進(jìn)行用戶(hù)和支付終端的交互，比如在當(dāng)前情景中系統(tǒng)隨機(jī)給出頭/臉部動(dòng)作及表情要求，支付者配合完成該過(guò)程，從而進(jìn)行支付前的再次確認(rèn)。這種利用應(yīng)用情景模式配合掃臉和系統(tǒng)提示動(dòng)作的模式可以有效防止視頻或者照片的欺騙行為。最后，利用表情操作進(jìn)行臉部表情簽名。支付者按照預(yù)先設(shè)置的簽名表情完成相應(yīng)動(dòng)作之后完成簽名。

交互式表情掃臉簽名的優(yōu)點(diǎn)是對(duì)支付者身份的不可偽造性和對(duì)支付行為的不可抵賴(lài)性。為了確?？煽啃裕杞换ナ奖砬閽吣樅灻?，支付終端還需要有傳統(tǒng)的密碼機(jī)制作為補(bǔ)充。多種支付方式的存在為用戶(hù)提供了一種簡(jiǎn)便和安全的支付選擇。在異地消費(fèi)活動(dòng)中，若客戶(hù)手機(jī)、錢(qián)包、信用卡丟失，無(wú)法進(jìn)行移動(dòng)支付、現(xiàn)金支付和信用卡支付，通過(guò)交互式表情掃臉進(jìn)行身份的快速識(shí)別和認(rèn)證，在支付前進(jìn)行基于表情的消費(fèi)簽名，從而在第三方支付終端完成可靠的消費(fèi)活動(dòng)。

4 交互式多生物特征識(shí)別技術(shù)在電子商務(wù)中的應(yīng)用

在互聯(lián)網(wǎng)中進(jìn)行的電子商務(wù)和支付活動(dòng)中，買(mǎi)賣(mài)雙方不能面對(duì)面完成交易，這使得認(rèn)證問(wèn)題成為電子商務(wù)和支付的核心問(wèn)題。基于第三方支付的認(rèn)證過(guò)程主要包括以下支付主體：顧客、WPKI（wireless public key infrastructure）商戶(hù)（產(chǎn)品或服務(wù)的提供者）、銀行[21]、第三方支付平臺(tái)。其中第三方支付平臺(tái)主要包括支付網(wǎng)關(guān)、支付服務(wù)器、支付終端等，如圖2所示。

表1 幾種分類(lèi)方法的識(shí)別性能比較

圖2 基于第三方支付的在線支付系統(tǒng)構(gòu)成

在第三方支付平臺(tái)，支付服務(wù)器主要完成顧客的生物特征身份信息的存儲(chǔ)和用戶(hù)身份驗(yàn)證、支付確認(rèn)處理等。用戶(hù)在支付前首先需在服務(wù)器端建立客戶(hù)多重生物特征庫(kù)，用以對(duì)客戶(hù)生物特征進(jìn)行采集和預(yù)處理。支付網(wǎng)關(guān)主要完成基于線下信任的商戶(hù)認(rèn)證，首先它在中間服務(wù)平臺(tái)（如商區(qū)或社區(qū)）對(duì)商戶(hù)進(jìn)行初級(jí)認(rèn)證的基礎(chǔ)上對(duì)中間服務(wù)平臺(tái)進(jìn)行第二級(jí)認(rèn)證。通過(guò)線下預(yù)認(rèn)證機(jī)制與線上交互認(rèn)證進(jìn)一步強(qiáng)化線上支付主體與現(xiàn)實(shí)之間的聯(lián)系。支付終端完成顧客基于多重生物特征的身份認(rèn)證和交互式消費(fèi)確認(rèn)。

為了解決第三方支付平臺(tái)沉淀資金風(fēng)險(xiǎn)隱患，并簡(jiǎn)化第三方支付終端認(rèn)證過(guò)程，取消了第三方支付平臺(tái)設(shè)立的中間賬號(hào)，以系統(tǒng)的第三方授權(quán)及確認(rèn)付款功能來(lái)為交易雙方提供信用擔(dān)保。通過(guò)預(yù)先簽訂的客戶(hù)和付款賬號(hào)所在銀行中間的授權(quán)支付協(xié)議，在支付終端完成基于生物特征識(shí)別的身份認(rèn)證后進(jìn)行支付確認(rèn)時(shí)，第三方支付平臺(tái)代表付款人直接通知付款銀行，無(wú)需付款人提供賬號(hào)和密碼而能直接利用跨行清算系統(tǒng)自動(dòng)完成顧客與商家的支付交易。通過(guò)第三方支付平臺(tái)省卻了支付方、商家和銀行中間繁瑣的認(rèn)證過(guò)程，并簡(jiǎn)化了用戶(hù)在支付終端的支付操作。

交互式多生物特征識(shí)別的支付及消費(fèi)確認(rèn)機(jī)制將從兩方面著手，首先是顧客身份的認(rèn)證，采用多重生物特征識(shí)別的安全認(rèn)證模式來(lái)實(shí)現(xiàn)，其次是顧客對(duì)支付行為的確認(rèn)和支付簽名。顧客身份認(rèn)證中所使用的多重生物識(shí)別機(jī)制如上文所述。而在顧客支付行為中，需要配合顧客的表情和與終端的互動(dòng)來(lái)完成，側(cè)重于利用掃臉進(jìn)行消費(fèi)行為的第三方確認(rèn)，將指紋和掃臉結(jié)合起來(lái)完成支付和簽名。在出現(xiàn)消費(fèi)行為的支付糾紛或者在一些應(yīng)用中需要用戶(hù)產(chǎn)生不可抵賴(lài)的憑證時(shí)，可將掃臉的視頻作為支付憑證，掃臉的作用更像電子簽名。這種電子表情簽名結(jié)合指紋模式產(chǎn)生的互動(dòng)效果更穩(wěn)定、更安全。

第三方支付平臺(tái)通過(guò)建立“預(yù)認(rèn)證”和在線交互激活、表情簽名認(rèn)證模式來(lái)實(shí)現(xiàn)終端認(rèn)證的簡(jiǎn)化。預(yù)認(rèn)證主要采用分層模型解決第三方支付平臺(tái)和商家、中間服務(wù)平臺(tái)、公共服務(wù)域之間的認(rèn)證和信任問(wèn)題以及第三方平臺(tái)上的支付者（顧客）的個(gè)人賬戶(hù)信息。該過(guò)程采集并預(yù)處理支付者的個(gè)體生物特征，建立用戶(hù)生物認(rèn)證賬戶(hù)和商家賬號(hào)的個(gè)人服務(wù)域。用戶(hù)認(rèn)證前必須先建立公共服務(wù)域。公共服務(wù)域由支付服務(wù)中心、跨行支付系統(tǒng)、商業(yè)銀行構(gòu)成。該服務(wù)域級(jí)別越高，可信度越高，且能簡(jiǎn)化支付協(xié)議和流程的設(shè)計(jì)。其中支付服務(wù)中心提供商業(yè)銀行賬戶(hù)的尋址服務(wù)?？筛鶕?jù)商家信息、用戶(hù)手機(jī)信息與各銀行賬號(hào)的綁定關(guān)系，將用戶(hù)手機(jī)號(hào)和商戶(hù)信息轉(zhuǎn)換成商業(yè)銀行的賬戶(hù)信息。認(rèn)證中利用支付服務(wù)中心賬戶(hù)尋址和管理手段確保商家和付款客戶(hù)雙方的不可否認(rèn)性，從而降低相關(guān)的支付風(fēng)險(xiǎn)?？缧兄Ц断到y(tǒng)實(shí)現(xiàn)各個(gè)銀行的跨行支付與清算。該服務(wù)域省卻了銀行、用戶(hù)、商家相互之間的直接聯(lián)接，從而避開(kāi)支付時(shí)繁瑣的認(rèn)證過(guò)程。在線支付預(yù)認(rèn)證分層模型如圖3所示。

圖3 在線支付預(yù)認(rèn)證分層模型

交易過(guò)程中，支付終端首先利用鼻子—耳朵—指關(guān)節(jié)紋多生物特征對(duì)用戶(hù)進(jìn)行身份識(shí)別。在預(yù)認(rèn)證基礎(chǔ)上，通過(guò)指紋識(shí)別與交互式表情掃臉結(jié)合進(jìn)行在線支付前確認(rèn)及支付簽名。

5 結(jié)束語(yǔ)

本文主要研究生物特征識(shí)別技術(shù)在電子商務(wù)中的應(yīng)用。提出了一種交互式多生物特征識(shí)別方法，并從第三方支付平臺(tái)的角度研究了這種識(shí)別方法在電子商務(wù)中的應(yīng)用。交互式多生物特征識(shí)別方法主要利用鼻子、耳朵、指關(guān)節(jié)紋三重生物特征來(lái)完成用戶(hù)身份的識(shí)別。在電子商務(wù)中，基于交互式多生物特征識(shí)別的支付及消費(fèi)確認(rèn)機(jī)制從兩方面入手，首先是顧客身份的識(shí)別和認(rèn)證，采用多生物特征識(shí)別算法來(lái)完成用戶(hù)身份的識(shí)別，并和支付服務(wù)器端中的個(gè)人生物特征庫(kù)進(jìn)行對(duì)比，從而驗(yàn)證用戶(hù)身份的存在和有效性。其次是顧客對(duì)支付行為的確認(rèn)和支付簽名。在顧客支付行為中，利用顧客的表情和與終端的互動(dòng)來(lái)完成，側(cè)重于利用交互式表情掃臉進(jìn)行消費(fèi)行為的第三方確認(rèn)，將指紋和掃臉結(jié)合起來(lái)完成支付確認(rèn)和表情簽名。從應(yīng)用的角度設(shè)計(jì)了第三方支付系統(tǒng)的框架，并在此框架中搭建了一個(gè)簡(jiǎn)便和輕量級(jí)的在線支付預(yù)認(rèn)證分層模型。終端認(rèn)證的簡(jiǎn)化主要通過(guò)第三方支付平臺(tái)建立的 “預(yù)認(rèn)證”和在線交互支付確認(rèn)、表情簽名模式來(lái)實(shí)現(xiàn)。該方法能夠有效解決第三方支付平臺(tái)沉淀資金風(fēng)險(xiǎn)隱患，并簡(jiǎn)化第三方支付終端的認(rèn)證過(guò)程。為用戶(hù)、商家和銀行等多方提供可靠、安全、簡(jiǎn)化的支付方式。

1 Hassinen M,Hypponen K,TrichinaE.Utilizing national public-key infrastructure in mobile payment systems.Electronic Commerce Research and Application,2008,7(2)

2 王科俊，鄒國(guó)鋒 .基于子模式的Gabor特征融合的單樣本人臉識(shí)別.模式識(shí)別與人工智能，2013，26(2)

Wang K J,Zou G F.A sub-pattern Gabor features fusion method for single sample face recognition.Pattern Recognition and Aitificial Intelligence,2013,26(2)

3 Faraji M R,Qi X J.Face recognition under illumination variations based on eightlocaldirectionalpatterns.IET Biometrics,2015,4(1)

4 Kim M.Sparse discriminative region selection algorithm for face recognition.Applied Intelligence,2015(1)

5 Li Y,Wang Y H,Wang B B,et al.Nose tip detection on three-dimensional faces using pose-invariant differential surface features.IET Computer Vision,2015,9(1)

6 Emambakhsh M,Evans A N.Self-dependent 3D face rotational alignmentusing the nose region.Proceedingsofthe 4th International Conference on Imaging for Crime Detection and Prevention,Stevenage,UK,2011

7 Peng X,Bennamoun M,Mian A S.A training-free nose tip detection method from face range images.Pattern Recognit,2011,44(3)

8 AdhikesavanS,FareedhaS A.Earbiometricsin human identification system.Biometrics&Bioinformatics,2014,5(4)

9 Galdamez P L,Arrieta M A G.Ear biometrics:a small look at the process of ear recognition.Proceedings of International Joint Conference SOCO’13-CISIS’13-ICEUTE’13,Salamanca,Spain,2013

10 Farida K,Mir A H.AR model based human identification using ear biometrics.int.Journal of Signal Processing Image Processing,2014,7(3)

11 Morales A,Travieso C M,Ferrer M A,et al.Improved finger-knuckle print authentication based on orientation enhancement.Electronics Letters,2011,47(6)

12 Gao G W,Yang J,Qian J J,et al.Integration of multiple orientation and texture information forfinger-knuckle-print verification.Nerocomputing,2014(135):180～191

13 Gandhi P V,Vanitha M,Rajkumar S.Preventing mobility device intrusion and information theft using biometric fingerprint recognition.Biometrics&Bioinformatics,2014,6(2)

14 Labati R D,Genovese A,Piuri V,et al.Touchless fingerprint biometrics:a survey on 2D and 3D technologies.Journal of Internet Technology,2014,15(3)

15 Kim M K，F(xiàn)lynn P J.Finger-knuckle-print verification based on vector consistency of corresponding interest points.Proceedings of 2014 IEEE Winter Conference on Application of Computer Vision,Steamboat Springs,USA,2014

16 Wang Y H,Tan T N,Jain A K.Combining face and iris biometrics for identity verification.Preceedings of International Conference on Audio-& Video-based Biometric Person Authenticat,Guildford,UK,2013:311～321

17 Chen C H,C hu C T.Fusion of face and iris features for multimodal biometrics.Lecture Notes in Computer Science,2005(3832):571～580

18 Cristianini N,Shawe T J.An Introduction to Support Vector Machines.Rechnical Report CSD-TR-98-04,1998

19 Zhang J P,Li Z W,Yang J.A parallel SVM training algorithm on large–scale classification problems.Proceeding of the 4th International Conference on Machine Learning and Cybernetics,Guangzhou,China,2009:18～21

20 Jing X Y,Wong H S,Zhang D.Face recognition based on 2D fisherface approach.Journal of Pattern Recognition,2006,39(4):707～710

21 Ou C M,Ou C R,Setnr A.An agent-based secure payment protocol for mobile commerce.Journal of Intelligent Information And Database Systems,2012,4(3)