刷脸支付系统

年，计算机人脸识别理论首次提出，最初由计算机系统依据人体五官间距比例和几何结构进行数据识别，这种方式需要人工测量和提取面部数据，不仅效率低而且精确度不高。1991年后，大量基于人脸识别的技术问世，人脸识别从半智能化向智能化转变。进入21世纪后，深度学习理论让计算机通过海量数据学习自动提取数据特征，使得计算机能够将原始数据转变为更高层次、更加抽象的语意表达，消除人脸面部特征受光线、阴影等非实质差异的影响，提高识别的精确度。随后，计算机学家们又开发了卷积神经网络和深度卷积神经网络，这些技术进一步提高了数据的处理效率和识别精确度。[1]
　　人工智能发展迅速，2017年，iPhone X手机首次将人脸识别技术应用于手机端，通过采集人脸立体模型建立对应的人脸身份识别。随着该技术日渐成熟，逐步应用到支付宝、微信支付、政务系统、网上银行等的日常登录、刷脸支付、工作通勤等。据2020年的一项统计，有90%以上的调研对象表示使用过人脸识别技术。①人脸识别技术如今已升级到3D技术，应用更加广泛，性能也更为可靠。在私用领域常见的有刷脸闸机通行、刷脸移动支付；在公用公共服务领域有公共政务人脸识别、电子照身份认证；在公共安全领域有失踪搜救、安保、刑侦、反恐等。
　　（二）人脸识别技术的特征
　　人脸识别具有无触点性、高智能性、延伸性三大技术特征。无触点性是指人脸识别不需要人机接触就可以进行识别验证。传统的生物特征识别以血液、指纹、虹膜识别为主，均需要物理意义上的触点进行连接才能实现。血液DNA验证还需要对受验人实施一定的侵入动作才能进行取样验证。虹膜识别虽不需要人机接触，但需要高精度的人机协同，将眼睛正视虹膜系统并停留片刻。人脸识别技术既不需要人机接触，有时只需受验人人脸的部分特征信息就可以实现身份验证。
　　高智能性是指人脸识别的验证过程几乎全程交给机器解决，基本无需人为干涉。传统的血液DNA检测和指纹比对技术对人的依赖性较强，通常需要验证人具有高度的专业知识和一定的经验积累。而人脸识别验证主要通过智能算法提取面部特征进行身份验证，对人的依赖程度较低。
　　延伸性是指人脸识别技术应用本身具有