移动支付验证方法及装置

技术领域

本发明涉及人工智能领域，尤其涉及一种移动支付验证方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

随着互联网科技的发展和移动支付技术的进步，手机支付已经成为人们日常生活中最常用支付方式。为了确保支付的安全性，往往需要进行密码、指纹或人脸等的验证，等验证通过之后，才能进行支付转账。

现有移动支付应用往往将人脸识别设置为默认支付验证方式，当某个用户设置了密码、指纹和人脸等验证方式后，会首先先进行人脸验证，当人脸验证失败后，才能选择其他验证方式。由于人脸识别因光线较暗或用户脸部遮挡或因脸部装饰的不同，经常会出现用户人脸验证失败的情况发生，使得用户需要在人脸识别失败之后，才选择其他支付方式，导致用户体验较差。

针对上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例中提供了一种移动支付验证方法，用以解决现有移动支付应用将人脸识别设置为默认支付验证方式，因人脸识别对环境要求较高，经常会出现因人脸识别失败而导致支付失败的技术问题，该方法包括：接收目标用户通过移动终端发起的支付请求；将目标用户的用户状态信息和支付环境信息，输入至预先训练好的支付验证方式预测模型中，输出支付请求对应的支付验证方式；根据支付验证方式，执行支付请求的支付验证业务。

本发明实施例中还提供了一种移动支付验证装置，用以解决现有移动支付应用将人脸识别设置为默认支付验证方式，因人脸识别对环境要求较高，经常会出现因人脸识别失败而导致支付失败的技术问题，该装置包括：支付请求模块，用于接收目标用户通过移动终端发起的支付请求；支付验证方式预测模块，用于将目标用户的用户状态信息和支付环境信息，输入至预先训练好的支付验证方式预测模型中，输出支付请求对应的支付验证方式；支付模块，用于根据支付验证方式，执行支付请求的支付验证业务。

本发明实施例中还提供了一种计算机设备，用以解决现有移动支付应用将人脸识别设置为默认支付验证方式，因人脸识别对环境要求较高，经常会出现因人脸识别失败而导致支付失败的技术问题，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述移动支付验证方法。

本发明实施例中还提供了一种计算机可读存储介质，用以解决现有移动支付应用将人脸识别设置为默认支付验证方式，因人脸识别对环境要求较高，经常会出现因人脸识别失败而导致支付失败的技术问题，该计算机可读存储介质存储有执行上述移动支付验证方法的计算机程序。

本发明实施例中提供的移动支付验证方法、装置、计算机设备及计算机可读存储介质，在接收到目标用户通过移动终端发起的支付请求时，将目标用户的用户状态信息和支付环境信息，输入至预先训练好的支付验证方式预测模型中，输出该支付请求对应的支付验证方式，进而根据支付验证方式，执行支付请求的支付验证业务。与现有技术中优先采用人脸识别的支付验证方式相比，本发明实施例，能够根据用户状态和环境信息自动选择最优的支付验证方式，降低了因人脸识别失败导致支付失败的概率，无需用户在人脸识别时手动选择其他支付验证方式，增强了用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种移动支付验证方法流程图；

图2为本发明实施例中提供的一种机器学习流程图；

图3为本发明实施例中提供的一种支付验证流程图；

图4为本发明实施例中提供的一种移动支付验证装置示意图；

图5为本发明实施例中提供的一种计算机设备示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

本发明实施例中提供了一种移动支付验证方法，图1为本发明实施例中提供的一种移动支付验证方法流程图，如图1所示，该方法包括如下步骤：

S101，接收目标用户通过移动终端发起的支付请求。

需要说明的是，本发明实施例中移动终端可以各种能够实现移动支付的智能设备(例如，手机)；上述S101中接收到的支付请求可以是通过在移动终端上安装的支付宝、微信或手机银行等应用发起的支付请求。

S102，将目标用户的用户状态信息和支付环境信息，输入至预先训练好的支付验证方式预测模型中，输出支付请求对应的支付验证方式。

需要说明的是，上述S102中的支付验证方式预测模型是一个预先通过机器学习训练得到的一个能够根据目标用户的用户状态信息和支付环境信息预测当前最适合该目标用户的支付验证方式的人工智能算法模型；可选地，可以对基于遗传算法的BP神经网络进行机器学习，得到该支付验证方式预测模型。

可选地，本发明实施例中的用户状态信息包括但不限于用户的脸部图像、手部图像等；本发明实施例中的支付环境信息是指用户在发起支付请求时，当前所处环境的光线等信息；使用各种图像识别算法，可根据采集的脸部图像分析出用户当前是否佩戴口罩、眼镜、帽子等饰品，这些饰品的存在可能影响脸部识别的准确率；因而当分析出用户佩戴口罩、眼镜、帽子等饰品时，优先使用指纹识别、密码验证等其他支付验证方式(由于指纹识别更加便捷，因而，在指纹识别和密码验证中可优先使用指纹识别的支付验证方式)；使用各种图像识别算法，可根据采集的手部图像分析出用户当前是否佩戴手套等饰品，当用户佩戴手套时，可能不方便进行指纹识别，因而，可优先选用脸部识别、密码验证等支付验证方式(由于脸部识别更加便捷，因而，在脸部识别和密码验证中可优先使用指纹识别的支付验证方式)；而当用户既佩戴口罩，也佩戴手套的情况下，则优先使用密码验证的支付验证方式。

S103，根据支付验证方式，执行支付请求的支付验证业务。

在基于预先训练好的支付验证方式预测模型，根据目标用户通过移动终端发起支付请求时的用户状态信息和支付环境信息，预测出目标用户当前最适合的支付验证方式后，可优先选用该支付验证方式，执行该支付请求的支付验证。

在一个实施例中，如图2所示，本发明实施例中提供的移动支付验证方法，还可以通过如下步骤来实现支付验证方式预测模型的训练：

S201，构建基于遗传算法的BP神经网络；

S202，利用样本数据对构建的基于遗传算法的BP神经网络进行机器学习，训练得到一个根据用户信息和环境信息预测支付验证方式的支付验证方式预测模型。

需要说明的是，针对不同的应用场景，训练模型采用的样本数据可不同，在一个实施例中，本发明实施例中提供的移动支付验证方法，还可以通过如下步骤来生成样本数据：获取目标用户历史多次发起支付请求时的用户状态信息、支付环境信息及对应的支付结果；根据目标用户历史多次发起支付请求时的用户状态信息、支付环境信息及对应的支付结果，生成样本数据。

本发明实施例中，通过BP神经网络和遗传算法建立模型，在BP神经网络的权值和阈值的优化方面引入遗传算法，构建基于遗传算法的BP神经网络模型。根据输入输出的个数可确定BP神经网络结构，进而确定遗传算法中需要优化的参数个数。

在具体实施时，可根据kolmogorov原理，一个三层BP神经网络足以完成任意的n维到m维的映射，一般只需要采用一个隐层即可，隐层节点个数采用试凑法确定，从而确定GA-BP神经网络结构。通过遗传算法输出的最优个体作为BP神经网络初始权值和阈值进行BP神经网络训练和学习。将收集的额度信息作为历史数据，把历史数据分为训练集和测试集，基于历史数据分析，对GA-BP神经网络模型进行训练，并使用测试样本对模型的预测准确率进行验证。模型在使用过程中通过机器学习方法不断对模型自优化吗，提高模型的有效性。

在一个实施例中，如图3所示，本发明实施例中提供的移动支付验证方法，还可以通过如下步骤来实现支付请求的支付验证：

S301，根据支付验证方式，显示相应的支付界面；

S302，通过支付界面接收目标用户输入的支付验证信息；

S303，对支付验证信息进行校验；

S304，根据校验结果，输出支付结果信息。

在具体实施时，不同的支付验证方式需要验证的支付验证信息不同，因而，在确定目标用户最适合的支付验证方式后，可根据该支付验证方式调用相应的支付界面，接收相应的支付验证信息，并对支付验证信息进行校验，最后根校验结果，生成支付结果信息。例如，当选用人脸识别的支付验证方式时，需要采集用户的脸部图像，对脸部图像进行校验；当选用指纹识别的支付验证方式时，需要采集用户的指纹信息，对指纹信息进行校验；当选用密码验证的支付验证方式时，需要采集用户输入的密码信息，对密码信息进行校验。

基于同一发明构思，本发明实施例中还提供了一种移动支付验证装置，如下面的实施例所述。由于该装置解决问题的原理与移动支付验证方法相似，因此该装置的实施可以参见移动支付验证方法的实施，重复之处不再赘述。

图4为本发明实施例中提供的一种移动支付验证装置示意图，如图4所示，该装置包括：支付请求模块41、支付验证方式预测模块42和支付模块43。

其中，支付请求模块41，用于接收目标用户通过移动终端发起的支付请求；支付验证方式预测模块42，用于将目标用户的用户状态信息和支付环境信息，输入至预先训练好的支付验证方式预测模型中，输出支付请求对应的支付验证方式；支付模块43，用于根据支付验证方式，执行支付请求的支付验证业务。

在一个实施例中，本发明实施例中提供的移动支付验证装置中，支付模块43还用于：根据支付验证方式，显示相应的支付界面；通过支付界面接收目标用户输入的支付验证信息；对支付验证信息进行校验；根据校验结果，输出支付结果信息。

在一个实施例中，如图4所示，本发明实施例中提供的移动支付验证装置还可以包括：机器学习模块44，用于构建基于遗传算法的BP神经网络；以及利用样本数据对构建的基于遗传算法的BP神经网络进行机器学习，训练得到一个根据用户信息和环境信息预测支付验证方式的支付验证方式预测模型。

在一个实施例中，如图4所示，本发明实施例中提供的移动支付验证装置还可以包括：样本数据生成模块45，用于获取目标用户历史多次发起支付请求时的用户状态信息、支付环境信息及对应的支付结果；以及根据目标用户历史多次发起支付请求时的用户状态信息、支付环境信息及对应的支付结果，生成样本数据。

基于同一发明构思，本发明实施例中还提供了一种计算机设备，用以解决现有移动支付应用将人脸识别设置为默认支付验证方式，因人脸识别对环境要求较高，经常会出现因人脸识别失败而导致支付失败的技术问题，图5为本发明实施例中提供的一种计算机设备示意图，如图5所示，该计算机设备50包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，处理器502执行计算机程序时实现上述移动支付验证方法。

基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，用以解决现有移动支付应用将人脸识别设置为默认支付验证方式，因人脸识别对环境要求较高，经常会出现因人脸识别失败而导致支付失败的技术问题，该计算机可读存储介质存储有执行上述移动支付验证方法的计算机程序。

综上所述，本发明实施例中提供的移动支付验证方法、装置、计算机设备及计算机可读存储介质，在接收到目标用户通过移动终端发起的支付请求时，将目标用户的用户状态信息和支付环境信息，输入至预先训练好的支付验证方式预测模型中，输出该支付请求对应的支付验证方式，进而根据支付验证方式，执行支付请求的支付验证业务。与现有技术中优先采用人脸识别的支付验证方式相比，本发明实施例，能够根据用户状态和环境信息自动选择最优的支付验证方式，降低了因人脸识别失败导致支付失败的概率，无需用户在人脸识别时手动选择其他支付验证方式，增强了用户体验。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。