基于区块链的多支付系统的人脸识别方法及装置与流程

1.本发明涉及区块链技术领域，尤其涉及一种基于区块链的多支付系统的人脸识别方法及装置。


背景技术：

2.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。
3.目前，在实际的支付交易中，经常发生客户的每张卡内余额都不支持单次交易(比如每张卡内余额都小于支付金额)。这样客户支付时涉及多个支付系统，尤其涉及到跨行之间，操作繁琐，支付不安全，客户体验不好。


技术实现要素：

4.本发明实施例提供一种基于区块链的多支付系统的人脸识别方法，多个支付系统构成区块链，每个支付系统对应一个人脸系统，用以高效安全地进行多系统支付，该方法包括：
5.当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；
6.基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基于公共的人脸数据预先确定，其中，人脸识别向量的每个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；
7.基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；
8.基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别。
9.本发明实施例还提供一种基于区块链的多支付系统的人脸识别装置，多个支付系统构成区块链，每个支付系统对应一个人脸系统，用以高效安全地进行多系统支付，该装置包括：
10.向量确定单元，用于当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链
的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；
11.通过概率确定单元，用于基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基于公共的人脸数据预先确定，其中，人脸识别向量的每个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；
12.人脸匹配值确定单元，用于基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；
13.识别控制单元，用于基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别。
14.本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述基于区块链的多支付系统的人脸识别方法。
15.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于区块链的多支付系统的人脸识别方法。
16.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于区块链的多支付系统的人脸识别方法。
17.本发明实施例中，基于区块链的多支付系统的人脸识别方案中，多个支付系统构成区块链，每个支付系统对应一个人脸系统，通过：当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基于公共的人脸数据预先确定，其中，人脸识别向量的每个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别，可以高效安全地进行多系统支付。
附图说明
18.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：
19.图1为本发明实施例中基于区块链的多支付系统的人脸识别方法的流程示意图；
20.图2为本发明实施例中预先确定区块链的多个人脸系统对应于各个客户类别的人脸风险系数的流程示意图；
21.图3为本发明实施例中依据人脸风险系数预先从区块链的多个人脸系统中选取出多个参考人脸系统的流程示意图；
22.图4为本发明实施例中基于公共的人脸数据预先确定人脸识别向量和各个非参考支付系统的通过概率的对应关系的流程示意图；
23.图5为本发明实施例中预先建立非参考支付系统的人脸通过概率和人脸匹配值的对应关系的流程示意图；
24.图6为本发明实施例中基于区块链的多支付系统的人脸识别装置的结构示意图。
具体实施方式
25.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。
26.图1为本发明实施例中基于区块链的多支付系统的人脸识别方法的流程示意图，如图1所示，多个支付系统构成区块链，每个支付系统对应一个人脸系统，该方法包括如下步骤：
27.步骤101：当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；
28.步骤102：基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基于公共的人脸数据预先确定，其中，人脸识别向量的每个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；
29.步骤103：基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；
30.步骤104：基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别。
31.本发明实施例中基于区块链的多支付系统的人脸识别方法中，多个支付系统构成区块链，每个支付系统对应一个人脸系统，工作时：当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基于公共的人脸数据预先确定，其中，人脸识别向量的每个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别，可以高效安全地进行多系统支付。下面对该基于区块链的多支付系统的人脸识别方法进行详细介绍。
32.在一个实施例中，如图2所示，上述基于区块链的多支付系统的人脸识别方法还可以包括按照如下方法预先确定区块链的多个人脸系统对应于各个客户类别的人脸风险系数：
33.步骤201：对于每个人脸系统，获取在预设时期范围内该人脸系统对应于各个客户类别的历史人脸识别数据；
34.步骤202：对于每个客户类别，按照时间先后顺序将该人脸系统对应于该客户类别的历史人脸识别数据划分为多个人脸识别子数据，使得每个人脸识别子数据的人脸识别数量大于预设人脸阈值；
35.步骤203：对于每个人脸识别子数据，确定该人脸识别子数据中人脸风险数据的比例，将该比例确定为该客户类别对应该人脸识别子数据的人脸风险系数；
36.步骤204：将该人脸系统对应于该客户类别的人脸风险系数确定为该客户类别对应该多个人脸识别子数据的人脸风险系数的均值。
37.在一个实施例中，在进行步骤201之前，还可以包括：对银行的客户进行聚类，获得多个客户类别，具体的：
38.获取客户在银行的交易数据和客户数据，依据交易数据和客户数据，确定每个客户在多个维度的数据；
39.依据多个维度的数据，确定客户距离函数，其中，该客户距离函数可以确定任何两个客户的距离；
40.基于客户距离函数，选取聚类算法对银行的客户进行聚类，获得多个客户类别。比如选择学习向量量化算法，以客户的风险等级为类别标识，对银行的客户进行聚类，获得多个客户类别。
41.在一个实施例中，在获得了上述该人脸系统对应于该客户类别的人脸风险系数后，可以确定该人脸风险系数的概率上界，具体的：
42.基于该客户类别对应该多个人脸识别子数据的人脸风险系数，确定该人脸风险系数对应的方差(基于分布的样本确定对应的方差)；
43.设置可以接受的系数误差阈值ε；
44.确定该人脸风险系数的概率上界为其中n是该多个人脸识别子数据的个数。
45.在一个实施例中，可以基于上述确定的该人脸风险系数的概率上界，获取更加准确的人脸风险系数，具体的：
46.当其中p是可以接受的系数误差大于ε的概率，则循环执行如下步骤，直到获得的人脸识别子数据的个数大于
47.获取该人脸系统对应于该客户类别的新的历史人脸识别数据(在预设时期范围之外)，按照时间先后顺序将该新的历史人脸识别数据划分为多个新的人脸识别子数据，使得每个新的人脸识别子数据的人脸识别数量大于预设人脸阈值；对于每个新的人脸识别子数据，确定该新的人脸识别子数据中人脸风险数据的比例，将该比例确定为该客户类别对应该新的人脸识别子数据的人脸风险系数；
48.当获得的所有的人脸识别子数据的个数大于时，将该人脸系统对应于该客户类别的人脸风险系数更新为该客户类别对应获得的所有的人脸识别子数据的人脸风险系数的均值。
49.具体实施时，上述预先确定区块链的多个人脸系统对应于各个客户类别的人脸风险系数的实施方式可以准确的确定区块链上的人脸系统的安全性能，为后续的分析提供数据基础。
50.在一个实施例中，如图3所示，上述基于区块链的多支付系统的人脸识别方法还可以包括按照如下方法依据人脸风险系数预先从区块链的多个人脸系统中选取出多个参考人脸系统，包括：
51.步骤301：依据人脸风险系数，确定人脸系统的偏序，其中，对于区块链的任何两个人脸系统，该偏序可用于确定该两个人脸系统中的第一人脸系统是否优于第二人脸系统；
52.步骤302：依据人脸系统的偏序，确定该偏序的多个极大人脸系统，其中，该极大人脸系统是该偏序的极大元素；
53.步骤303：将该偏序的多个极大人脸系统确定为参考人脸系统。
54.需要说明的是，偏序的极大元素的定义就是在偏序对应的集合中，不存在其他元素优于该极大元素。该偏序的极大人脸系统就是在区块链上的人脸系统中不存在其他人脸系统优于该极大人脸系统。
55.在一个实施例中，步骤302依据人脸系统的偏序，确定该偏序的多个极大人脸系统，可以包括：
56.将区块链上的每个人脸系统对应的极大认证值初始化为可能，以及对应的比较布尔值初始化为是；
57.依次对区块链上的每个人脸系统执行如下步骤：
58.如果该人脸系统对应的极大认证值不等于可能，则将该人脸系统对应的可比人脸系统设置为空；否则，将该人脸系统对应的可比人脸系统设置为区块链上所有的对应的比较布尔值为是的人脸系统(除该人脸系统之外)；
59.依次确定该人脸系统和对应的每个可比人脸系统的偏序关系：如果该可比人脸系统优于该人脸系统，则将该人脸系统对应的极大认证值更新为否；如果该人脸系统优于该可比人脸系统，则将该可比人脸系统对应的极大认证值更新为否，并将该可比人脸系统确定为该人脸系统的次要人脸系统；
60.如果确定该人脸系统对应的所有可比人脸系统都不优于该人脸系统，则将该人脸系统确定为该偏序的极大人脸系统，并且将该极大人脸系统的所有次要人脸系统的比较布尔值更新为否。
61.在一个实施例中，依据人脸风险系数，确定人脸系统的偏序，可以包括：
62.对于区块链的任何两个人脸系统，如果对于任何客户类别，该两个人脸系统中的第一人脸系统对应于该客户类别的人脸风险系数小于等于该两个人脸系统中的第二人脸系统对应于该客户类别的人脸风险系数，且该第一人脸系统对应于各个客户类别的人脸风险系数都小于设定值，则确定该第一人脸系统优于该第二人脸系统。
63.具体实施时，上述依据偏序选取出多个参考人脸系统的实施方式可以选取出相对安全的人脸系统，可以保证多系统支付的安全性。
64.在一个实施例中，如图4所示，上述基于区块链的多支付系统的人脸识别方法还可以包括按照如下方法基于公共的人脸数据预先确定人脸识别向量和各个非参考支付系统的通过概率的对应关系：
65.步骤401：获得区块链的每个人脸系统对公共的人脸数据的人脸识别结果数据；
66.步骤402：对于每个人脸识别向量，从上述人脸识别结果数据中选取出各个参考人脸系统的人脸识别结果等于该人脸识别向量在该各个参考人脸系统对应的分量的值的人脸识别结果数据；
67.步骤403：对于每个非参考支付系统，确定选取出的人脸识别结果数据中，该非参考支付系统对应的人脸识别结果是通过的人脸识别结果数据的比例，将该比例确定为该人脸识别向量对应该非参考支付系统的通过概率。
68.具体实施时，上述基于公共的人脸数据预先确定人脸识别向量和各个非参考支付系统的通过概率的对应关系的实施方式可以建立起参考支付系统和非参考支付系统的联系，为依据参考支付系统的人脸指标确定非参考支付系统的人脸指标提供了可靠的依据。
69.在一个实施例中，如图5所示，上述基于区块链的多支付系统的人脸识别方法还可以包括按照如下方法预先建立非参考支付系统的人脸通过概率和人脸匹配值的对应关系：
70.步骤501：获取该非参考支付系统的历史人脸识别数据；
71.步骤502：确定多个人脸匹配离散值；
72.步骤503：对于每个人脸匹配离散值，确定当人脸匹配阈值设置为该人脸匹配离散值时，该非参考支付系统的历史人脸识别数据对应的人脸通过概率，将该人脸通过概率确定为该人脸匹配离散值对应的人脸通过概率；
73.步骤504：基于多个人脸匹配离散值和该多个人脸匹配离散值对应的人脸通过概
率，建立该非参考支付系统对应的人脸匹配值和人脸通过概率的对应关系。
74.在一个实施例中，基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，可以包括：
75.从该非参考支付系统的人脸通过概率和人脸匹配值的对应关系的所有人脸通过概率中，选取出大于该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率的多个人脸通过概率，将在该非参考支付系统的人脸通过概率和人脸匹配值的对应关系中该选取出的多个人脸通过概率中的最小值对应的人脸匹配值作为该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值。
76.具体实施时，上述确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值的实施方式可以找出满足客户的安全需求的人脸匹配值，同时该人脸匹配值又能最大程度的保证客户的人脸体验。
77.本发明实施例提供的基于区块链的多支付系统的人脸识别方法的应用场景是：现在需要每家银行都具有人脸识别的能力，但是需要耗费资源(建设系统和维护系统都需要耗费资源)，本发明实施例的方法可以只依赖区块链的几家银行的人脸识别结果，就确定某家银行的人脸识别结果。这样就可以节省资源，同时能提高人脸识别的准确性。
78.本发明实施例提供的基于区块链的多支付系统的人脸识别方法先确定各个银行节点的人脸识别能力；然后挑选出能力强的几个银行节点，作为区块链上人脸识别的银行节点；同时依据人脸采样数据，确定人脸识别的各个银行节点对应的联合概率分布；对人脸识别的客户，各个银行节点给出人脸识别的结果，进而得出了本次人脸识别的结果是通过的概率(也就是通过率)；将该通过的概率转化为匹配值，就可以确定支付方式对应的银行的人脸识别结果。
79.本发明提供的基于区块链的多支付系统的人脸识别方法的优点是：该方法借助于区块链和人脸识别可以更好的控制支付交易风险，同时人脸识别(相较于密码)对于多卡支付来说更加简单和便捷，客户体验好。
80.本发明实施例中还提供了一种基于区块链的多支付系统的人脸识别装置，如下面的实施例所述。由于该装置解决问题的原理与基于区块链的多支付系统的人脸识别方法相似，因此该装置的实施可以参见基于区块链的多支付系统的人脸识别方法的实施，重复之处不再赘述。
81.图6为本发明实施例中基于区块链的多支付系统的人脸识别装置的结构示意图，多个支付系统构成区块链，每个支付系统对应一个人脸系统，如图6所示，该装置包括：
82.向量确定单元01，用于当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；
83.通过概率确定单元02，用于基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基
于公共的人脸数据预先确定，其中，人脸识别向量的每个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；
84.人脸匹配值确定单元03，用于基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；
85.识别控制单元04，用于基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别。
86.在一个实施例中，上述基于区块链的多支付系统的人脸识别装置还可以包括人脸风险系数确定单元，用于按照如下方法预先确定区块链的多个人脸系统对应于各个客户类别的人脸风险系数：
87.对于每个人脸系统，获取在预设时期范围内该人脸系统对应于各个客户类别的历史人脸识别数据；
88.对于每个客户类别，按照时间先后顺序将该人脸系统对应于该客户类别的历史人脸识别数据划分为多个人脸识别子数据，使得每个人脸识别子数据的人脸识别数量大于预设人脸阈值；
89.对于每个人脸识别子数据，确定该人脸识别子数据中人脸风险数据的比例，将该比例确定为该客户类别对应该人脸识别子数据的人脸风险系数；
90.将该人脸系统对应于该客户类别的人脸风险系数确定为该客户类别对应该多个人脸识别子数据的人脸风险系数的均值。
91.在一个实施例中，上述基于区块链的多支付系统的人脸识别装置还可以包括选取单元，用于按照如下方法依据人脸风险系数预先从区块链的多个人脸系统中选取出多个参考人脸系统，包括：
92.依据人脸风险系数，确定人脸系统的偏序，其中，对于区块链的任何两个人脸系统，该偏序可用于确定该两个人脸系统中的第一人脸系统是否优于第二人脸系统；
93.依据人脸系统的偏序，确定该偏序的多个极大人脸系统，其中，该极大人脸系统是该偏序的极大元素；
94.将该偏序的多个极大人脸系统确定为参考人脸系统。
95.在一个实施例中，依据人脸风险系数，确定人脸系统的偏序，包括：
96.对于区块链的任何两个人脸系统，如果对于任何客户类别，该两个人脸系统中的第一人脸系统对应于该客户类别的人脸风险系数小于等于该两个人脸系统中的第二人脸系统对应于该客户类别的人脸风险系数，且该第一人脸系统对应于各个客户类别的人脸风险系数都小于设定值，则确定该第一人脸系统优于该第二人脸系统。
97.在一个实施例中，上述基于区块链的多支付系统的人脸识别装置还可以包括第一对应关系确定单元，用于按照如下方法基于公共的人脸数据预先确定人脸识别向量和各个非参考支付系统的通过概率的对应关系：
98.获得区块链的每个人脸系统对公共的人脸数据的人脸识别结果数据；
99.对于每个人脸识别向量，从上述人脸识别结果数据中选取出各个参考人脸系统的人脸识别结果等于该人脸识别向量在该各个参考人脸系统对应的分量的值的人脸识别结
果数据；
100.对于每个非参考支付系统，确定选取出的人脸识别结果数据中，该非参考支付系统对应的人脸识别结果是通过的人脸识别结果数据的比例，将该比例确定为该人脸识别向量对应该非参考支付系统的通过概率。
101.在一个实施例中，上述基于区块链的多支付系统的人脸识别装置还可以包括第二对应关系确定单元，用于按照如下方法预先建立非参考支付系统的人脸通过概率和人脸匹配值的对应关系：
102.获取该非参考支付系统的历史人脸识别数据；
103.确定多个人脸匹配离散值；
104.对于每个人脸匹配离散值，确定当人脸匹配阈值设置为该人脸匹配离散值时，该非参考支付系统的历史人脸识别数据对应的人脸通过概率，将该人脸通过概率确定为该人脸匹配离散值对应的人脸通过概率；
105.基于多个人脸匹配离散值和该多个人脸匹配离散值对应的人脸通过概率，建立该非参考支付系统对应的人脸匹配值和人脸通过概率的对应关系。
106.在一个实施例中，所述人脸匹配值确定单元具体用于：
107.从该非参考支付系统的人脸通过概率和人脸匹配值的对应关系的所有人脸通过概率中，选取出大于该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率的多个人脸通过概率，将在该非参考支付系统的人脸通过概率和人脸匹配值的对应关系中该选取出的多个人脸通过概率中的最小值对应的人脸匹配值作为该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值。
108.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
109.本发明实施例还提供一种计算机设备，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，所述处理器执行所述计算机程序时实现上述基于区块链的多支付系统的人脸识别方法。
110.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于区块链的多支付系统的人脸识别方法。
111.本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于区块链的多支付系统的人脸识别方法。
112.本发明实施例中，基于区块链的多支付系统的人脸识别方案中，多个支付系统构成区块链，每个支付系统对应一个人脸系统，通过：当用户在多系统支付时，根据用户的当前人脸识别数据，确定该用户对应于参考人脸系统的人脸识别向量；参考人脸系统为依据人脸风险系数从区块链的多个人脸系统中预先选取出的参考人脸系统，所述人脸风险系数为预先确定的区块链的多个人脸系统对应于各个客户类别的人脸风险系数，参考人脸系统对应的支付系统为参考支付系统，其他的支付系统为非参考支付系统；基于参考人脸系统对应的人脸识别向量和各个非参考支付系统的通过概率的对应关系，确定该用户的当前人脸识别数据对应于各个非参考支付系统的人脸通过概率；所述人脸识别向量和各个非参考支付系统的通过概率的对应关系基于公共的人脸数据预先确定，其中，人脸识别向量的每
个分量和参考人脸系统一一对应，每个分量的值标识该分量对应的参考人脸系统的人脸识别结果；基于用户选择的非参考支付系统的人脸通过概率和人脸匹配值的对应关系，以及该用户的当前人脸识别数据对应于该非参考支付系统的人脸通过概率，确定该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值；基于该用户的当前人脸识别数据对应于该非参考支付系统的人脸匹配值，以及非参考支付系统预先存储的该用户的人脸匹配值，确定所述非参考支付系统是否对该用户进行人脸识别，可以提高多系统支付的安全性。
113.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。
114.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。
115.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。
116.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。
117.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。