一种基于区块链的金融服务系统及方法

技术领域

本发明涉及金融技术领域，具体为一种基于区块链的金融服务系统及方法。

背景技术

目前，随着网络技术的飞速发展，金融服务系统日渐成熟，同时，随着金融服务系统日渐成熟，金融机构的数量也突飞猛增。但由于数据真实以及信用等各方面原因，导致各金融机构之间的用户信息并不会共享，这样便会致使各金融机构重复同样的用户信息采集工作，从而严重降低了金融服务效率。

并且，由于在金融服务系统全部在网络上完成注册、验证等流程，其注册、验证流程一般靠用户信息来实现，如果用户信息被盗，就无法保证安全。但是使用人脸识别，就可以做到当事人在网上的数字身份和真实身份统一，从而大大增加金融服务系统的可靠性。

然而现有的人脸识别系统在人脸无遮盖、采集条件比较理想的情况下可以取得令人满意的结果。但是，在用户带口罩、采集条件不理想的情况下，现有系统的识别率将陡然下降。

发明内容

为实现以上目的，本发明通过以下技术方案予以实现：一种基于区块链的金融服务系统，包括验证服务器、信息处理模块和区块链储存模块。

所述区块链储存模块存储设置有预设新用户基本要求信息，当用户向验证服务器提交用户注册信息时，通过所述信息处理模块向所述区块链储存模块查询并验证所述用户注册信息是否符合所述预设新用户基本要求信息，当所述用户注册信息与所述预设新用户基本要求信息符合时，所述用户注册信息存储到所述区块链储存模块并生成合法新用户，并通过验证服务器向用户返回注册成功的信号，当所述用户注册信息与所述预设新用户基本要求信息不符合时，验证服务器向用户返回注册失败的信号。

进一步地，所述用户注册信息和预设新用户基本要求信息均包括用户姓名、身份证号码和金融用户面部图像。

进一步地，所述查询并验证所述用户注册信息是否符合所述预设新用户基本要求信息，具体为：

查询并验证所述用户注册信息中的用户姓名是否与所述预设新用户基本要求信息中的用户姓名一致；

查询并验证所述用户注册信息中的身份证号码是否与所述预设新用户基本要求信息中的身份证号码一致；

识别所述用户注册信息中的金融用户面部图像。

进一步的，所述识别所述用户注册信息中的金融用户面部图像，具体如下：

输入金融用户面部图像，采用金融用户one-stage面部目标检测网络对输入的金融用户面部图像进行目标检测标识出金融用户面部边界框；基于优化的学会学习策略从自然图像质量评价任务中学习人视觉系统评价图像质量的先验数据，所述基于优化的学会学习策略适用于基于随机并行梯度下降优化的金融用户面部图像网络结构，其所用的图像质量评价任务数据集合作为学会学习策略的迭代任务集来学习人视觉系统评价图像质量的先验数据；所述金融用户面部图像网络结构包括金融用户面部图像摺积神经网络和金融用户面部图像全连接层，对金融用户面部图像摺积神经网络的输出进行全局平均池化处理得到第一全连接层，增加第二全连接层生成金融用户面部图像深度神经回归网络的输出；对于输入的金融用户面部图像，将金融用户面部图像输入深度神经回归网络得到预计的图像质量分数；采用平均欧几里得度量作为代价函数来优化预计的图像质量分数与实际值之间的差值；采用双层随机并行梯度下降算法对金融用户面部图像深度神经回归网络进行优化，并使用自适应矩估计算法对金融用户面部图像深度神经回归网络参数进行优化；学习到质量先验网络后，再使用少量金融用户面部图像样图对质量先验网络做进一步迭代优化，获得最终的金融用户面部可识别度评价网络；将标识出金融用户面部边界框的金融用户面部图像输入最终的金融用户面部可识别度评价网络，输出得到可识别金融用户面部图像；基于数据驱动优化策略创建金融用户遮盖面部图像分类模型，具体地，采用金融用户无遮盖面部识别数据集合和金融用户遮盖目标检测数据集合，迭代面部识别网络，将可识别金融用户面部图像输入迭代后的面部识别网络并抽取金融用户面部特征，采用林智仁向量机工具包中基于平方指数核的支持向量机分类器对抽取的金融用户面部特征进行分类，分别输出可识别金融用户无遮盖面部与遮盖面部；将输出的可识别金融用户无遮盖面部和遮盖面部分别对应输入无遮盖面部识别器和遮盖面部识别器进行识别，所述遮盖面部识别器为基于修复思想的遮盖面部识别网络。通过采用基于优化的学会学习策略来学习自然图像评价任务获得人视觉系统评价图像的先验数据，这样可以降低对影响面部可识别度的亮度、对比度和清晰度的失真，而且，基于优化的学会学习策略能够适用于任何基于随机并行梯度下降优化的网络结构。同时，通过采用双层随机并行梯度下降算法对金融用户面部图像深度神经回归网络进行优化，并使用自适应矩估计算法对金融用户面部图像深度神经回归网络参数进行优化，这样能获得更好的学习不同任务之间的适应能力。而且，本发明能够在无人工干预的情况下自动获知金融用户面部图像可识别度及失真类型，为挑选高质量金融用户面部图像或选取与失真类型匹配的面部识别算法提供了依据，能够帮助面部识别系统选用高识别度候选金融用户面部图像或者启动专用的面部识别模块，从而间接提高面部识别系统的效能。

进一步地，所述遮盖面部的遮盖物为半脸遮盖物，所述半脸遮盖物为口罩。

进一步地，对所述金融用户one-stage面部目标检测网络进行精炼，具体如下：

引入基于深度学习的金融用户one-stage面部目标检测网络的批次标准化层，将标准化层中的参数伽玛作为估量深度模型每一层摺积层各通道对于该金融用户面部网络特征抽取的重要程度的尺度系数；所述批次标准化层，指对该层输入进行标准化操作，然后引入可学习重构参数伽玛；批次标准化层的输入为摺积层输出金融用户面部特征图像，每个通道的金融用户面部特征图像作为一个单独的神经块，使用权重共享规则，每个通道金融用户面部特征图像只有一对重构参数伽玛，即每个放大缩小系数和每个偏置因子参数均与输入金融用户面部特征图像通道一一对应，将批次标准化层的放大缩小系数伽玛参数作为金融用户面部网络切块所需的通道重要性尺度系数；根据所得金融用户面部网络摺积通道重要性尺度系数进行核稀疏化迭代，具体为，在金融用户面部原始网络的代价函数中增加了一项对金融用户面部网络所有标准化层的参数伽玛的核稀疏化向量中各个元素绝对值之和制约，使得参数伽玛更加稀疏且大部分参数伽玛接近于零；所述增加核稀疏化向量中各个元素绝对值之和制约，具体为，在金融用户面部原始网络的迭代代价函数上增加一项关于参数伽玛的子项，其本质为该金融用户面部网络所有参数伽玛值绝对值和的处罚系数，其值越大，则参数伽玛对迭代代价函数影响越大；金融用户面部网络迭代过程中，代价值函数不断减小，则所有参数伽玛值绝对值和不断减小，更多参数伽玛值不断趋近于零，即实现摺积通道重要性尺度系数的核稀疏化迭代；当金融用户面部网络损失值不再随迭代次数产生较大波动且大部分参数伽玛值趋近于零时，停止迭代，获得网络权重比例值；金融用户面部原始网络的迭代代价函数一共有四部分：第一部分为边界框的中心的坐标代价函数，该代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界框的中心的坐标与真实目标的标注边界框的中心的坐标的差距；其中还需将网络输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界相对值转化为对于图像的真实坐标和预测边界真实宽高的计算过程；第二部分为边界宽高代价函数，该项代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界尺寸与真实目标的标注边界尺寸的差距；第三部分为置信概率代价函数，对于光学图像，大部分内容不包含待检测物体，即没有物体的计算部分代价贡献会大于有物体的计算部分，这会导致网络倾向于预测单元格内不含物体，本代价函数减少不包含物体计算部分的贡献权重比例；第四部分为类型代价函数，该代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界类型概率与真实目标的标注边界类型概率的差距；根据所得核稀疏化迭代之后的金融用户面部网络参数伽玛值进行摺积层通道切块，具体如下，在通道核稀疏化迭代后，得到了的金融用户面部网络参数伽玛值大部分趋近于零，由标准化层参数伽玛的含义可知输入该层的金融用户面部网络特征图像的每个通道对应一个参数伽玛值；将重要性低于剪枝百分比的特征图像通道废弃，废弃的特征图像通道对应的摺积核也被废弃，这就完成了通道切块的过程；所述剪枝百分比，指核稀疏化迭代后所有参数伽玛的百分比，即将网络所有参数伽玛从小到大理顺，取前剪枝百分比对应数量的参数伽玛对应的金融用户面部特征图像通道切块，该金融用户面部特征图像通道对应的摺积核同时废弃；当剪枝百分比较高时，通道切块可能会暂时导致一些精度损失，但这在很大程度上可以通过后序步骤中的网络微调来进行规避；具体地，对于摺积层，剪枝后判断每一层通道数是否为零，若为零，强制保留参数伽玛绝对值最大的金融用户面部特征图像参数对应的滤波器单通道，避免过度剪枝带来的金融用户面部特征网络结构破坏；对于没有后续接入批次标准化层的摺积层不进行通道切块；对于捷径层，剪枝后判断该层所连接的两个层通道数是否一致，若不一致，则将两层摺积层通道进行标号，未被剪枝通道标示为1，被剪枝通道标识为0，生成两组一维的二进制向量，对两组向量各位进行或操作，得到一个一维向量，其中内容为1的向量位数对应的两个摺积层通道保留，内容为0的向量位数对应的两个摺积层通道切块；对于池化层，上采集层和连接层，不对其进行参数剪枝；最大池化层指对每个通道维度的金融用户面部特征图像进行最大池化操作，即将特征图像不重样地切块成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再废弃其他节点后，保持原有的平面结构得到输出金融用户面部特征图像；所述捷径层，指对输入的两个摺积层金融用户面部特征图像进行各对应通道参数累加操作，其要求输入摺积层通道数相等；所述上采集层，是指对输入金融用户面部特征图像，在像素点值之间采用切块双线性内插法插入新的元素；所述连接层，是指将输入的金融用户面部特征图像按先后顺序，在通道维度上结合，即连接层输出金融用户面部特征图像通道数等于输入金融用户面部特征图像通道数之和，具体偏码时直接进行特征图像数组在通道维度上的结合；根据获取的通道切块后的金融用户面部网络参数权重比例值，对相同数据集进行金融用户面部网络再迭代；迭代代价函数为核稀疏化迭代时的金融用户面部原始金融用户面部网络代价函数；当金融用户面部网络损失值不再随核稀疏化次数产生较大波动时，停止迭代，获得网络权重比例值，所述迭代具体为：对输入迭代集图片划分网格，在各网格内通过预设尺寸的候选边界生成预测边界，通过预测边界参数和标注真实框参数计算代价函数，计算完迭代集内所有图片得到本次迭代代价函数值，完成一次迭代。

通过批次标准化层来改善金融用户one-stage面部目标检测网络梯度，这样允许更大的学习率，从而能大幅提高迭代速度并减少对初始化的强烈依赖；同时，批次标准化层参数伽玛本质具有通道放大缩小属性，引入其作为估量各通道重要程度所需的尺度系数，不会给网络带来额外的参数和计算工作量；而且，通过增加一项对网络所有标准化层的参数伽玛的核稀疏化向量中各个元素绝对值之和制约，这样解决了在标准化层的参数伽玛在原始网络中不具备很高的稀疏性，其值分布分散的问题，有利于后续根据通道重要性尺度系数进行通道裁剪切块的过程；最后，针对目前的基于深度学习的金融用户one-stage面部目标检测网络精炼算法泛用性较差，检测精度损失较大的问题，引入标准化层的参数伽玛作为估量网络摺积通道重要性的尺度系数，通过核稀疏化迭代，网络自动识别冗余通道信息，在不影响泛化性能的前提下，可以安全地去除冗余参数，同时通过微调迭代有效地补偿了通道切块带来的精度损失。

一种基于区块链的金融服务方法，包括以下步骤，

向区块链储存模块存储设置预设新用户基本要求信息，当用户向验证服务器提交用户注册信息时，通过信息处理模块向区块链储存模块查询并验证用户注册信息是否符合预设新用户基本要求信息，当用户注册信息与预设新用户基本要求信息符合时，用户注册信息存储到区块链储存模块并生成合法新用户，并通过验证服务器向用户返回注册成功的信号，当用户注册信息与预设新用户基本要求信息不符合时，验证服务器向用户返回注册失败的信号。

本发明提供了一种基于区块链的金融服务系统及方法。具备以下有益效果：

1、将通过将新用户基本要求信息预存到区块链储存模块中，这样，由于区块链的不可篡改属性，所以各金融机构可充分信任区块链储存模块中预存的新用户基本要求信息，从而减少了用户信息采集工作，提高了金融服务效率。

2、通过采用基于优化的学会学习策略来学习自然图像评价任务获得人视觉系统评价图像的先验数据，这样可以降低对影响面部可识别度的亮度、对比度和清晰度的失真，而且，基于优化的学会学习策略能够适用于任何基于随机并行梯度下降优化的网络结构。同时，通过采用双层随机并行梯度下降算法对金融用户面部图像深度神经回归网络进行优化，并使用自适应矩估计算法对金融用户面部图像深度神经回归网络参数进行优化，这样能获得更好的学习不同任务之间的适应能力。而且，本发明能够在无人工干预的情况下自动获知金融用户面部图像可识别度及失真类型，为挑选高质量金融用户面部图像或选取与失真类型匹配的面部识别算法提供了依据，能够帮助面部识别系统选用高识别度候选金融用户面部图像或者启动专用的面部识别模块，从而间接提高面部识别系统的效能。

3、通过批次标准化层来改善金融用户one-stage面部目标检测网络梯度，这样允许更大的学习率，从而能大幅提高迭代速度并减少对初始化的强烈依赖；同时，批次标准化层参数伽玛本质具有通道放大缩小属性，引入其作为估量各通道重要程度所需的尺度系数，不会给网络带来额外的参数和计算工作量；而且，通过增加一项对网络所有标准化层的参数伽玛的核稀疏化向量中各个元素绝对值之和制约，这样解决了在标准化层的参数伽玛在原始网络中不具备很高的稀疏性，其值分布分散的问题，有利于后续根据通道重要性尺度系数进行通道裁剪切块的过程；最后，针对目前的基于深度学习的金融用户one-stage面部目标检测网络精炼算法泛用性较差，检测精度损失较大的问题，引入标准化层的参数伽玛作为估量网络摺积通道重要性的尺度系数，通过核稀疏化迭代，网络自动识别冗余通道信息，在不影响泛化性能的前提下，可以安全地去除冗余参数，同时通过微调迭代有效地补偿了通道切块带来的精度损失。

附图说明

图1为本发明的流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，一种基于区块链的金融服务系统，包括验证服务器、信息处理模块和区块链储存模块。

所述区块链储存模块存储设置有预设新用户基本要求信息，当用户向验证服务器提交用户注册信息时，通过所述信息处理模块向所述区块链储存模块查询并验证所述用户注册信息是否符合所述预设新用户基本要求信息，当所述用户注册信息与所述预设新用户基本要求信息符合时，所述用户注册信息存储到所述区块链储存模块并生成合法新用户，并通过验证服务器向用户返回注册成功的信号，当所述用户注册信息与所述预设新用户基本要求信息不符合时，验证服务器向用户返回注册失败的信号。

所述用户注册信息和预设新用户基本要求信息均包括用户姓名、身份证号码和金融用户面部图像。

所述查询并验证所述用户注册信息是否符合所述预设新用户基本要求信息，具体为：

查询并验证所述用户注册信息中的用户姓名是否与所述预设新用户基本要求信息中的用户姓名一致；

查询并验证所述用户注册信息中的身份证号码是否与所述预设新用户基本要求信息中的身份证号码一致；

识别所述用户注册信息中的金融用户面部图像。

所述识别所述用户注册信息中的金融用户面部图像，具体如下：

首先，输入金融用户面部图像，采用金融用户one-stage面部目标检测网络对输入的金融用户面部图像进行目标检测标识出金融用户面部边界框；基于优化的学会学习策略从自然图像质量评价任务中学习人视觉系统评价图像质量的先验数据，所述基于优化的学会学习策略适用于基于随机并行梯度下降优化的金融用户面部图像网络结构，其所用的图像质量评价任务数据集合作为学会学习策略的迭代任务集来学习人视觉系统评价图像质量的先验数据；所述金融用户面部图像网络结构包括金融用户面部图像摺积神经网络和金融用户面部图像全连接层，对金融用户面部图像摺积神经网络的输出进行全局平均池化处理得到第一全连接层，增加第二全连接层生成金融用户面部图像深度神经回归网络的输出；对于输入的金融用户面部图像，将金融用户面部图像输入深度神经回归网络得到预计的图像质量分数；采用平均欧几里得度量作为代价函数来优化预计的图像质量分数与实际值之间的差值；采用双层随机并行梯度下降算法对金融用户面部图像深度神经回归网络进行优化，并使用自适应矩估计算法对金融用户面部图像深度神经回归网络参数进行优化；学习到质量先验网络后，再使用少量金融用户面部图像样图对质量先验网络做进一步迭代优化，获得最终的金融用户面部可识别度评价网络；将标识出金融用户面部边界框的金融用户面部图像输入最终的金融用户面部可识别度评价网络，输出得到可识别金融用户面部图像；基于数据驱动优化策略创建金融用户遮盖面部图像分类模型，具体地，采用金融用户无遮盖面部识别数据集合和金融用户遮盖目标检测数据集合，迭代面部识别网络，将可识别金融用户面部图像输入迭代后的面部识别网络并抽取金融用户面部特征，采用林智仁向量机工具包中基于平方指数核的支持向量机分类器对抽取的金融用户面部特征进行分类，分别输出可识别金融用户无遮盖面部与遮盖面部；将输出的可识别金融用户无遮盖面部和遮盖面部分别对应输入无遮盖面部识别器和遮盖面部识别器进行识别，所述遮盖面部识别器为基于修复思想的遮盖面部识别网络。所述遮盖面部的遮盖物为半脸遮盖物，所述半脸遮盖物为口罩。当然，所述半脸遮盖物也可以为其他半脸遮盖物。

通过采用基于优化的学会学习策略来学习自然图像评价任务获得人视觉系统评价图像的先验数据，这样可以降低对影响面部可识别度的亮度、对比度和清晰度的失真，而且，基于优化的学会学习策略能够适用于任何基于随机并行梯度下降优化的网络结构。同时，通过采用双层随机并行梯度下降算法对金融用户面部图像深度神经回归网络进行优化，并使用自适应矩估计算法对金融用户面部图像深度神经回归网络参数进行优化，这样能获得更好的学习不同任务之间的适应能力。而且，本发明能够在无人工干预的情况下自动获知金融用户面部图像可识别度及失真类型，为挑选高质量金融用户面部图像或选取与失真类型匹配的面部识别算法提供了依据，能够帮助面部识别系统选用高识别度候选金融用户面部图像或者启动专用的面部识别模块，从而间接提高面部识别系统的效能。

接着，对所述金融用户one-stage面部目标检测网络进行精炼，具体如下：

引入基于深度学习的金融用户one-stage面部目标检测网络的批次标准化层，将标准化层中的参数伽玛作为估量深度模型每一层摺积层各通道对于该金融用户面部网络特征抽取的重要程度的尺度系数；所述批次标准化层，指对该层输入进行标准化操作，然后引入可学习重构参数伽玛；批次标准化层的输入为摺积层输出金融用户面部特征图像，每个通道的金融用户面部特征图像作为一个单独的神经块，使用权重共享规则，每个通道金融用户面部特征图像只有一对重构参数伽玛，即每个放大缩小系数和每个偏置因子参数均与输入金融用户面部特征图像通道一一对应，将批次标准化层的放大缩小系数伽玛参数作为金融用户面部网络切块所需的通道重要性尺度系数；根据所得金融用户面部网络摺积通道重要性尺度系数进行核稀疏化迭代，具体为，在金融用户面部原始网络的代价函数中增加了一项对金融用户面部网络所有标准化层的参数伽玛的核稀疏化向量中各个元素绝对值之和制约，使得参数伽玛更加稀疏且大部分参数伽玛接近于零；所述增加核稀疏化向量中各个元素绝对值之和制约，具体为，在金融用户面部原始网络的迭代代价函数上增加一项关于参数伽玛的子项，其本质为该金融用户面部网络所有参数伽玛值绝对值和的处罚系数，其值越大，则参数伽玛对迭代代价函数影响越大；金融用户面部网络迭代过程中，代价值函数不断减小，则所有参数伽玛值绝对值和不断减小，更多参数伽玛值不断趋近于零，即实现摺积通道重要性尺度系数的核稀疏化迭代；当金融用户面部网络损失值不再随迭代次数产生较大波动且大部分参数伽玛值趋近于零时，停止迭代，获得网络权重比例值；金融用户面部原始网络的迭代代价函数一共有四部分：第一部分为边界框的中心的坐标代价函数，该代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界框的中心的坐标与真实目标的标注边界框的中心的坐标的差距；其中还需将网络输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界相对值转化为对于图像的真实坐标和预测边界真实宽高的计算过程；第二部分为边界宽高代价函数，该项代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界尺寸与真实目标的标注边界尺寸的差距；第三部分为置信概率代价函数，对于光学图像，大部分内容不包含待检测物体，即没有物体的计算部分代价贡献会大于有物体的计算部分，这会导致网络倾向于预测单元格内不含物体，本代价函数减少不包含物体计算部分的贡献权重比例；第四部分为类型代价函数，该代价函数用于表达第m个网格的第n个候选边界负责一个真实目标时，该候选边界产生的预测边界类型概率与真实目标的标注边界类型概率的差距；根据所得核稀疏化迭代之后的金融用户面部网络参数伽玛值进行摺积层通道切块，具体如下，在通道核稀疏化迭代后，得到了的金融用户面部网络参数伽玛值大部分趋近于零，由标准化层参数伽玛的含义可知输入该层的金融用户面部网络特征图像的每个通道对应一个参数伽玛值；将重要性低于剪枝百分比的特征图像通道废弃，废弃的特征图像通道对应的摺积核也被废弃，这就完成了通道切块的过程；所述剪枝百分比，指核稀疏化迭代后所有参数伽玛的百分比，即将网络所有参数伽玛从小到大理顺，取前剪枝百分比对应数量的参数伽玛对应的金融用户面部特征图像通道切块，该金融用户面部特征图像通道对应的摺积核同时废弃；当剪枝百分比较高时，通道切块可能会暂时导致一些精度损失，但这在很大程度上可以通过后序步骤中的网络微调来进行规避；具体地，对于摺积层，剪枝后判断每一层通道数是否为零，若为零，强制保留参数伽玛绝对值最大的金融用户面部特征图像参数对应的滤波器单通道，避免过度剪枝带来的金融用户面部特征网络结构破坏；对于没有后续接入批次标准化层的摺积层不进行通道切块；对于捷径层，剪枝后判断该层所连接的两个层通道数是否一致，若不一致，则将两层摺积层通道进行标号，未被剪枝通道标示为1，被剪枝通道标识为0，生成两组一维的二进制向量，对两组向量各位进行或操作，得到一个一维向量，其中内容为1的向量位数对应的两个摺积层通道保留，内容为0的向量位数对应的两个摺积层通道切块；对于池化层，上采集层和连接层，不对其进行参数剪枝；最大池化层指对每个通道维度的金融用户面部特征图像进行最大池化操作，即将特征图像不重样地切块成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再废弃其他节点后，保持原有的平面结构得到输出金融用户面部特征图像；所述捷径层，指对输入的两个摺积层金融用户面部特征图像进行各对应通道参数累加操作，其要求输入摺积层通道数相等；所述上采集层，是指对输入金融用户面部特征图像，在像素点值之间采用切块双线性内插法插入新的元素；所述连接层，是指将输入的金融用户面部特征图像按先后顺序，在通道维度上结合，即连接层输出金融用户面部特征图像通道数等于输入金融用户面部特征图像通道数之和，具体偏码时直接进行特征图像数组在通道维度上的结合；根据获取的通道切块后的金融用户面部网络参数权重比例值，对相同数据集进行金融用户面部网络再迭代；迭代代价函数为核稀疏化迭代时的金融用户面部原始金融用户面部网络代价函数；当金融用户面部网络损失值不再随核稀疏化次数产生较大波动时，停止迭代，获得网络权重比例值，所述迭代具体为：对输入迭代集图片划分网格，在各网格内通过预设尺寸的候选边界生成预测边界，通过预测边界参数和标注真实框参数计算代价函数，计算完迭代集内所有图片得到本次迭代代价函数值，完成一次迭代。

通过批次标准化层来改善金融用户one-stage面部目标检测网络梯度，这样允许更大的学习率，从而能大幅提高迭代速度并减少对初始化的强烈依赖；同时，批次标准化层参数伽玛本质具有通道放大缩小属性，引入其作为估量各通道重要程度所需的尺度系数，不会给网络带来额外的参数和计算工作量；而且，通过增加一项对网络所有标准化层的参数伽玛的核稀疏化向量中各个元素绝对值之和制约，这样解决了在标准化层的参数伽玛在原始网络中不具备很高的稀疏性，其值分布分散的问题，有利于后续根据通道重要性尺度系数进行通道裁剪切块的过程；最后，针对目前的基于深度学习的金融用户one-stage面部目标检测网络精炼算法泛用性较差，检测精度损失较大的问题，引入标准化层的参数伽玛作为估量网络摺积通道重要性的尺度系数，通过核稀疏化迭代，网络自动识别冗余通道信息，在不影响泛化性能的前提下，可以安全地去除冗余参数，同时通过微调迭代有效地补偿了通道切块带来的精度损失。

一种基于区块链的金融服务方法，包括以下步骤，

向区块链储存模块存储设置预设新用户基本要求信息，当用户向验证服务器提交用户注册信息时，通过信息处理模块向区块链储存模块查询并验证用户注册信息是否符合预设新用户基本要求信息，当用户注册信息与预设新用户基本要求信息符合时，用户注册信息存储到区块链储存模块并生成合法新用户，并通过验证服务器向用户返回注册成功的信号，当用户注册信息与预设新用户基本要求信息不符合时，验证服务器向用户返回注册失败的信号。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。