CN103595538A - 基于手机加速度传感器的身份认证方法 - Google Patents

Abstract

本发明公开了一种基于手机加速度传感器的身份认证方法，包括以下步骤：首先用户使用手机根据自己习惯书写轨迹，手机加速度传感器采集轨迹的加速度值；然后对采集的原始加速度数据进行预处理；接着对预处理后的数据进行基于小波分解的特征提取，构造特征向量；训练阶段，采集数据并进行预处理和特征提取，将特征向量组成集合并用SVM训练分类器模型；身份认证阶段，用户书写待认证的手势轨迹，采集数据并预处理和特征提取，最后将该轨迹特征向量放入SVM模型中进行认证，进而判断用户是否为合法用户。本发明针对手机端的身份认证，不需要增加其它外设，同时由于每人的手势唯一，故能有效避免手机被盗用且交互简单。

Description

基于手机加速度传感器的身份认证方法

技术领域

本发明涉及一种基于手机加速度传感器的身份认证方法。

背景技术

身份认证是指用户在访问系统或者访问不同保护级别的系统资源时，系统确认该用户的身份是否合法、真实和唯一的一个过程。在开放的网络环境下的信息系统应用中，身份认证尤为重要，他是有效防止非法用户进入系统或者非法窃取信息资源，实现授权及安全审计的第一步。

传统的身份认证主要分为两种类型。一种是基于所知道的事物进行的身份认证，即仅用户知道的某些信息，如密码口令、暗号、PIN码等，通过对这些信息的确认来判断用户的身份。另外一种是基于所拥有的物品进行的身份认证，即仅用户拥有的具有唯一特征的东西，如身份证、护照、IC卡和USB Key等，通过对这些东西的确认来判断用户的身份。但是这两种认证类型中，拥有的实物容易丢失、盗用和损坏，而用来认证的信息也容易被窃取、伪造和遗忘，因此它们往往达不到很好的安全性能。特别是如今身份认证广泛使用于网络购物支付、电子商务及网上银行等重要领域，传统的身份认证方法已经不能完全满足这类型应用的安全要求。因此，如何使得在应用中识别每个人的身份更安全、更方便成为了一个很重要的课题，研究学者提出的生物特征认证技术对此作了一个很好的回答，该技术对传统的身份认证起到了很好的补充和完善作用。

每个人都拥有自己独特的一些生物特征，如指纹、虹膜及人体内的DNA等先天的身体特征；另外一种如笔迹签名、语音、行为姿势等后天形成的行为特征。这些特征都能有效的对不同的人进行区别，将这些生物特征用作身份认证可以有效地克服记忆麻烦和密码丢失等缺点，另一方面生物体的特征都携带于自身且这种生物特征模板难以模仿，因此保证了信息的隐私和安全，不易被窃取和仿用。

基于传统的身份认证及生物特征认证技术方式，通常设计不同具体的身份认证方法来适应不同的场所或应用，以达到较高的安全性和便捷性，有如下一些方法：

1.静态密码：这是目前应用最广泛的身份认证方法，也是最简单和易于实现的一种方法。用户一股设置用户名及对应的密码来进行身份的确认。这种方法一股不需要附加的设备，成本低且速度快，但是如果密码设置简单，就会容易被窃取，如果过于复杂，又容易忘记，因此安全性比较低。

2.智能卡：一种形状与身份证类似的塑料矩形片，或者如手机中的SIM卡。其内部集成有电路芯片，用来存储与用户身份有关的数据并由用户自己携带，其中相关数据可以进行硬件加密，因此具有较高安全性。当进行身份认证时，需要将智能卡插入到读卡设备，读取其中的信息，从而进行用户与主机系统之间的一个身份认证，因此增加了额外的硬件成本，大大降低了方便性。

3.动态口令：最常见的就是短信密码，身份认证系统通过短信的形式发送一段密码到用户手机上，用户通过该密码来进行一个身份认证，安全性较高，但是如果用户更改手机号码之后，要去身份认证系统进行相关手机号码信息的更改，从而降低了可操作性。另外一种就是硬件令牌和手机令牌，其中硬件令牌是一种用来生成动态密码的手持终端，手机令牌是一种安装于手机端的软件，两者功能相同，每隔60秒变换一次口令且口令一次有效，口令生成过程中不需要与外界进行通信，因此不会在通信过程中截取，安全性较高。但是口令有失效现象，此时需要连接认证系统服务器进行时间校准。

4.USB Key：一种USB接口的硬件设备，不需要读卡器之类的外设，内置单片机或智能卡芯片，有一定的存储空间，可以存储用户的私钥以及数字证书，利用USB Key内置的公钥算法实现对用户身份的认证，安全性较高。由于用户私钥保存在密码锁中，理论上使用任何方式都无法读取，因此保证了用户认证的安全性。但USB Key目前来说还不方便用于手机终端设备中，因此在移动终端上的身份认证无法充分发挥它的优势。

5.人脸认证、指纹认证、虹膜认证：传统的认证方法只能提供一定的安全保障，如果它们泄露或被盗用之后就很容易造成财物和个人隐私的损失。而生物特征是每个人独有的特征，如果用来作为身份认证的密码，则安全性相对较高。人脸认证、指纹认证、虹膜认证是目前最为成熟的几种生物特征识别技术，已应用于很多身份认证场合中。但是指纹和虹膜认证需要专门的设备，因此不便用于手机终端上。目前大部分手机都配有摄像头，因此相对于指纹和虹膜来说，人脸的获取更为简便，人脸的验证性能也越来越接近于指纹和虹膜，最新Google开发的Android4.0系统就自带有通过人脸认证来进行手机解锁的功能。但是在进行身份认证时，如果人脸发生变化、被遮挡，特别是被包含有用户的照片及视频替换，人脸验证就会容易出现错误的认证结果，因此人脸认证时需要涉及到活体检测，而手机端的硬件资源配置有限，因此会降低认证的流畅性。

发明内容

本发明所要解决的技术问题是提供一种基于手机加速度传感器的身份认证方法，该基于手机加速度传感器的身份认证方法易于实施，对硬件资源要求低，身份认证的准确率高。

发明的技术解决方案如下：

一种基于手机加速度传感器的身份认证方法，先对多次获取的原始加速度数据进行数据处理，并由数据处理后所得的数据训练SVM分类器模型；所述的多次获取包括获取合法用户手势对应的原始加速度数据8-12次，获取非法用户手势对应的原始加速度数据8-12次；

再获取当前次的原始加速度数据，将该加速度数据进行数据处理后得到的处理结果输入到SVM分类器模型中，由SVM分类器模型输出身份认证结果；

所述的原始加速度数据获取是指用户在手机屏幕上书写，手机内置的加速度传感器采集在用户手写过程中所感应的加速度数据；

所述的数据处理包括以下步骤：

1)对采集到的原始的加速度数据进行预处理；

2)对于预处理之后的加速度数据进行基于小波分解的特征提取，构造特征向量。

2.根据权利要求1所述的一种基于手机加速度传感器的身份认证方法，其特征在于，所述的手机加速度传感器采集手势轨迹的加速度值包括：

用户每一次使用手机书写手势轨迹时，通过手机的加速度传感器采集到该手势过程中每个时刻(即每一帧)手机在三维空间中XYZ三个方向的加速度数据。

对原始加速度数据的预处理包括下列步骤：

1)平稳去噪：使用移动平均线滤波器，对采集到的加速度数据进行平稳去噪；

2)手势轨迹边界判定：采用基于加窗口的门限值方法对手势轨迹的开始和结束进行判定，从数据的首末两端分别使用一个时间窗口(大小为7)向中间搜索，如果在一个时间窗口内加速度值变化超过门限值0.5m／s²，则从前往后搜索的窗口所对应的第一帧记为手势轨迹起始边界，从后往前搜索的窗口所对应的最后一帧记为手势轨迹的结束边界；

3)手势轨迹长度的归一化：将每次采集到的手势轨迹进行长度的统一，设置长度阈值为200，长度小于阈值的，进行线性插值处理，长度大于阈值的，将邻近相似点【参见后文解释】进行合并，长度等于阈值的，不进行处理。

所述的基于小波分解的特征提取包括下列步骤：

1)将预处理之后的每个方向的加速度数据分别使用dmey小波基函数进行5层小波分解，根据小波多层分解公式 $\left\{\begin{array}{c}{\mathrm{cA}}_{j+1}\left(k\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{0(n-2k)}{\mathrm{cA}}_j\left(k\right)\\ {\mathrm{cD}}_{j+1}\left(k\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{1(n-2k)}{\mathrm{cD}}_j\left(k\right)\end{array}\right.$ 得到对应1至5层的分解系数cA_j(k)和cD_j(k)，j＝1，2，3，4，5表示第j层；k表示第j层系数向量的长度；其中h_0(n-k)=<φ_0，n(t)，φ_1，k(t)>，h_1(n-2k)=<φ_0，n(t)，ψ_1，k(t)>，而ψ_1，k(t)和φ_0，n(t)分别是dmey小波的小波函数和尺度函数：【具体形式参加公式8和9】

中的下标0和1没有具体的含义，只是代表这是不同的两个量，具体计算参见公式6和公式8和9.同样，

中的下标0和1也没有具体的含义，只是代表这是不同的两个量，具体计算参见公式6和公式8和9】

2)根据 $\left\{\begin{array}{c}{E}_{\mathrm{xcAj}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\mathrm{cA}}_j(k,i)-\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{cA}}_j(k,i))}^2\\ E_{\mathrm{xcDj}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\mathrm{cD}}_j(k,i)-\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{cD}}_j(k,i))}^2\end{array}\right.$ 分别计算1至5层cD_j(k)各段系数cD_j(k，i)和第5层cA₅(k)系数cA₅(k，i)的能量【cA_j(k，i)和cD_j(k，i)，i=1，2，...，k表示对应j层长度为k的频带信号的第i个离散点的幅值】，从而在每一个方向(x，y，z)上各得到6个能量值；

3)将每个方向上的6个能量值为元素，构造成一个所述的特征向量。

所述的SVM分类器模型的训练过程如下：

1)将多次手势轨迹得到的特征向量组成一个集合，其中合法用户手势轨迹的特征向量指定为正样本，非法用户手势轨迹的特征向量指定为负样本；

2)以该集合作为训练样本集合，完成SVM分类器模型的训练(训练方法为现有技术，如LIBSVM为已有的SVM分类器模型训练方法之一，其开源软件包及具体训练过程的信息，关于LIBSVM算法可参考文献：Chih-ChungChang and Chih-Jen Lin，LIBSVM：A Library for Support Vector Machines.ACM Transactions on Intelligent Systems and Technology，Volume 2 Issue3，April 2011.也可以从林智仁(Chih-Jen Lin)的个人主页http：／／www.csie.ntu.edu.tw／～cjlin／处获得。)。

本发明将基于目前智能手机上配有的加速度传感器，在空中使用手机书写轨迹时，该传感器能精确采集到手机每个时刻(即每一帧)在三维空间中x、y、z三个不同方向的加速度数据，从而实现以手势轨迹为特征的身份认证。该手势轨迹就是笔迹在手机中的另外一种形式的体现，是人后天习惯养成的生物特征，不同人的书写技能和习惯特征表现不同，同一个人在一段时期内一定条件下书写的手势轨迹是相对稳定的。本发明方法可有效地避免用户身份认证信息被盗用，达到比较理想的认证效果和用户体验。

有益效果：

本发明的基于手机加速度传感器的身份认证方法，利用目前智能机自带的加速度传感器采集手势轨迹的加速度作为生物特征，利用小波变换提取特征和SVM训练分类器相结合的技术来进行身份的认证，无需像传统静态密码一样记忆麻烦，也不需要额外的设备，而且实时的手势轨迹采集也有效避免被他人盗用。本发明交互简单，数据采集方式也极为方便，平均认证率在95％以上，达到了笔迹鉴定用于身份认证的预期效果，效率较高，具有好的安全性能和用户体验效果。本发明针对手机端的身份认证，不需要增加其它外设，同时由于每人的手势唯一，故能有效避免被盗用且交互简单。

附图说明

图1为本发明方法的流程图。

图2为本发明中数据预处理结果实例：图2(a)为采集到的原始数据三个方向加速度曲线图；图2(b)为进行平移变换和平稳去噪后三个方向的加速度曲线图；图2(c)为一个完整的手势轨迹三个方向加速度的曲线图；图2(d)为归一化后三个方向加速度的曲线图。

图3为使用dmey小波基函数对加速度矩阵A_L三个方向x、y、z的信号五层分解之后的结果图。

图4为对信号x进行多尺度小波分解结构图。

具体实施方式

以下将结合附图和具体实施例对本发明做进一步详细说明：

实施例1：

图1给出了依照本发明进行加速度传感器的身份认证的方法流程图。现介绍每一步的实现细节。

1.图1所示，步骤101开始之后，每一次用户使用手机根据自己的习惯书写手势轨迹(图1步骤102)时，通过手机的加速度传感器采集到该手势轨迹从开始到结束过程中每个时刻(即每一帧)手机在三维空间中x、y、z三个方向的加速度值(如图2(a)所示)，将这些数据保存为一个n行3列的矩阵形式(图1步骤103)。其中时间为t₁，t₂，...，t_n，n表示为该时段内采集到的手势轨迹帧数，每一列均表示一个方向上的加速度值变化曲线，因此每一个矩阵可以表示一个手势轨迹，该加速度数据的矩阵形式A如式(1)：

$A=\left[\begin{array}{ccc}{a}_{x1}& a_{y1}& a_{z1}\\ a_{x2}& a_{y2}& a_{z2}\\ .& .& .\\ .& .& .\\ .& .& .\\ a_{\mathrm{xn}}& a_{\mathrm{yn}}& a_{\mathrm{zn}}\end{array}\right]\left[\begin{array}{c}{t}_1\\ t_2\\ .\\ .\\ .\\ t_n\end{array}\right]---\left(1\right)$

2.对采集到的原始加速度数据A进行预处理(图1步骤104)，为了处理方便，将曲线进行平移变换，通过取第一帧和最后一帧位置的和求均值作为平移量，把曲线的开始点平移到坐标轴原点附近，然后使用简单移动平均线(SMA)滤波器算法对采集到的三个方向的数据分别进行平稳去噪，消除在采集过程中由于加速度传感器自身精度问题以及手的轻微抖动产生的噪声，使得x，y，z三个方向的加速度曲线比较平滑。SMA滤波器的计算公式(2)：

a_SMAnow＝(a_i+a_i-1+...+a_i-m+1)/m＝a_SMAprevious+(a_i-a_i-m)/m  (2)

其中m表示数据段的窗口大小，使用当前帧i及它之前m-1帧的加速度之和的平均值a_SMAnow来替代表示当前帧的加速度a_i。本方法中设置的m大小为7，得到新的矩阵A_SMA(图2(b)表示的是进行平移变换和平稳去噪后三个方向的加速度绘制的曲线图)。

将平稳去噪之后的加速度数据A_SMA进行一个手势轨迹的边界判定。在手势轨迹开始之前和结束之后，手机处于比较平稳的状态，此时采集到的加速度数值变化比较小，采用加窗口的门限值方法对手势轨迹的边界进行判定，设置窗口大小为7，门限值大小为0.5(m／s²)。从t₁帧开始逐帧向后检测，在窗口段内的加速度变化不超过门限值，则对下一个窗口段内的数据进行检测。如果某一个窗口段内的加速度变化超过门限值，则判定此时手势轨迹开始，此窗口段的第一帧作为手势轨迹开始的首帧。同时从t_n帧开始逐帧向前检测，在窗口段内的加速度变化不超过门限值，则对前一个窗口段内的数据进行检测。如果某一个窗口段内的加速度变化超过门限值，则判定此时手势轨迹结束，此窗口段的最后帧作为手势轨迹结束的尾帧。最后将首帧和尾帧及之间的帧数据提取出来，即获得一个完整的手势轨迹加速度数据A_S(图2(c)表示的是一个完整的手势轨迹三个方向加速度绘制的曲线图)，长度记为S(S≤n)。

将上述得到的手势轨迹加速度A_S进行长度的归一化，设置长度归一化阈值为L=200帧，得到的归一化之后的加速度为A_L(图2(d)表示的归一化后三个方向加速度绘制的曲线图)，其中有

实施方式如下：

1)当S=L时，该手势轨迹不需要进行处理，A_L=A_S；

2)当S＜L时，需要对手势轨迹进行线性插值处理。即：若j=[(L×i)／S]，[]表示取整运算，i＝1，2，...，S，则y_j=x_i。把由此计算得到的所有的y_j按照下标依次记录为y_j1，y_j1，...，y_jh，显然有j_h=L；

当j满足j＜j₁的时候，设置y_j＝j₁；

当j满足j_k＜j＜j_k+1的时候(k＝1，2，...，h-1)，采用线性插值法来计算A_L中的第j个分量y_j，即公式(5)：

$\mathrm{yj}=\frac{(y_{j_{k+1}}-y_{j_k})}{(j_{k+1}-j_k)}(j-j_k)+y_{j_k}---\left(3\right)$

3)当S>L时，需要对手势轨迹中相似点进行合并。即：

若j=[(L×i)／S](i＝1，2，...，S)的正整数i只有一个，则y_j=x_i；

若对某个j=[(L×i)／S](i＝1，2，...，S)的正整数i不止一个，则i所对应的点可以视为邻近的相似点，将符合条件的i从小到大依次记录为i₁，i₂，...，i_p，则对于A_L中的第j个分量计算如下(6)式：

$y_j=\frac{x_{i1}+x_{i2}+...+x_{i_p}}{p}---\left(4\right)$

3.将预处理得到的手势轨迹的加速度A_L的三个方向加速度分别用dmey小波基函数进行5尺度小波分解(如图3中表示小波多尺度分解结构图)，得到对应的低频和高频的各5个频率成分的信号特征(图1步骤105)。

对于x轴方向的加速度A_Lx=(a^L _x1，a^L _x2，...，a^L _xL)^T，可以s视为是长度为n的一维信号X，我们可以通过一定的滤波器组来实现，当小波和尺度在空间内是正交时，我们便可以使用内积公式(5)来计算得到第一层分解系数cA₁(k)和cD₁(k)：

$\begin{array}{c}{\mathrm{cA}}_1\left(k\right)=<x\left(t\right),{\mathrm{\&phi;}}_{1,k}\left(t\right)>\\ =<\underset{n}{\mathrm{\&Sigma;}}{\mathrm{cA}}_0\left(n\right){\mathrm{\&phi;}}_{0,n}\left(t\right),{\mathrm{\&phi;}}_{1,k}\left(t\right)>\\ =\underset{n}{\mathrm{\&Sigma;}}{\mathrm{cA}}_0\left(n\right)<{\mathrm{\&phi;}}_{0,n}\left(t\right),{\mathrm{\&phi;}}_{1,k}\left(t\right)>\end{array}---\left(5\right)$

上式中内积计算方法的具体公式如下(6)：

因此结合(6)可以求得系数结果如下：

$\left\{\begin{array}{c}{\mathrm{cA}}_1\left(k\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{0(n-2k)}{\mathrm{cA}}_0\left(n\right)\\ {\mathrm{cD}}_1\left(k\right)=<x\left(t\right),{\mathrm{\&psi;}}_{1,k}\left(t\right)>\\ =<\underset{n}{\mathrm{\&Sigma;}}c{A}_0\left(n\right){\mathrm{\&phi;}}_{0,n}\left(t\right),{\mathrm{\&psi;}}_{1,k}\left(t\right)>\\ =\underset{n}{\mathrm{\&Sigma;}}{\mathrm{cA}}_0\left(n\right)<{\mathrm{\&phi;}}_{0,n}\left(t\right),{\mathrm{\&psi;}}_{1,k}\left(t\right)>\\ =\underset{n}{\mathrm{\&Sigma;}}{h}_{1(n-2k)}{\mathrm{cA}}_0\left(n\right)\end{array}\right.---\left(7\right)$

式中，cA₀(n)为上一层信号X，公式(6)h和(7)中的h_0(n-2k)和h_1(n-2k)是由dmey小波尺度函数φ(t)和小波函数ψ(t)决定的滤波器系数，为分析滤波器。dmey小波是Meyer小波的离散逼近形式，主要用于离散小波变换。Meyer小波的小波函数和尺度函数频率域形式如下：

$\mathrm{\&psi;}\left(\mathrm{\&omega;}\right)=\left\{\begin{array}{cc}{\left(2\mathrm{\&pi;}\right)}^{-\frac{1}{2}}{e}^{\frac{\mathrm{j\&omega;}}{2}}\sin \left(\frac{\mathrm{\&pi;}}{2}v\left(\frac{3}{2\mathrm{\&pi;}}\right|\mathrm{\&omega;}|-1)\right)& \frac{2\mathrm{\&pi;}}{3}\&le;\mathrm{\&omega;}\&le;\frac{4\mathrm{\&pi;}}{3}\\ {\left(2\mathrm{\&pi;}\right)}^{-\frac{1}{2}}{e}^{\frac{\mathrm{j\&pi;}}{2}}\cos \left(\frac{\mathrm{\&pi;}}{2}v\left(\frac{3}{2\mathrm{\&pi;}}\right|\mathrm{\&omega;}|-1)\right)& \frac{4\mathrm{\&pi;}}{3}\&le;\mathrm{\&omega;}\&le;\frac{8\mathrm{\&pi;}}{3}\\ 0& \left|\mathrm{\&omega;}\right|\&NotElement;[\frac{2\mathrm{\&pi;}}{3},\frac{8\mathrm{\&pi;}}{3}]\end{array}\right.---\left(8\right)$

$\mathrm{\&phi;}\left(\mathrm{\&omega;}\right)=\left\{\begin{array}{cc}{\left(2\mathrm{\&pi;}\right)}^{-\frac{1}{2}}& \left|\mathrm{\&omega;}\right|\&le;\frac{2\mathrm{\&pi;}}{3}\\ {\left(2\mathrm{\&pi;}\right)}^{-\frac{1}{2}}\cos \left(\frac{\mathrm{\&pi;}}{2}v\left(\frac{3}{2\mathrm{\&pi;}}\right|\mathrm{\&omega;}|-1)\right)& \frac{2\mathrm{\&pi;}}{3}\&le;\left|\mathrm{\&omega;}\right|\&le;\frac{4\mathrm{\&pi;}}{3}\\ 0& \left|\mathrm{\&omega;}\right|\&GreaterEqual;\frac{4\mathrm{\&pi;}}{3}\end{array}\right.---\left(9\right)$

式(8)和(9)中函数v(x)=x⁴(35-84x+70x²-20x³)，x∈[0，1]，两式中函数都是基于频域来进行定义的(这里的j为虚数单位)。

因此最后h_0(n-2k)和h_1(n-2k)形式如下(10)：

$\left\{\begin{array}{c}{h}_{0(n-2k)}=<{\mathrm{\&phi;}}_{0,n}\left(t\right),{\mathrm{\&phi;}}_{1,k}\left(t\right)>\\ h_{1(n-2k)}=<{\mathrm{\&phi;}}_{0,n}\left(t\right),{\mathrm{\&psi;}}_{1,k}\left(t\right)>\end{array}\right.---\left(10\right)$

依照上述的步骤，可以计算出第二层分解系数cA₂(k)和cD₂(k)，依次逐级求解到每一层的分解信息。分解式为如下(11)形式：

$\left\{\begin{array}{c}{\mathrm{cA}}_{j+1}\left(k_{j+1}\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{0(n-2k)}{\mathrm{cA}}_j\left(k_j\right)\\ {\mathrm{cD}}_{j+1}\left(k_{j+1}\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{1(n-2k)}{\mathrm{cA}}_j\left(k_j\right)\end{array}\right.---\left(11\right)$

k_j为分解得到的每一层系数向量的长度。

然后选择分解之后每一层的高频细节信号cD₁(k)，cD₂(k)，...，cD₅(k)和最后一层的低频逼近信号cA₅(k)，求取各频带信号中的总能量

计算公式(12)：

$\left\{\begin{array}{c}{E}_{\mathrm{xcAj}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\mathrm{cA}}_j(k,i)-\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{cA}}_j(k,i))}^2\\ E_{\mathrm{xcDj}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\mathrm{cD}}_j(k,i)-\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{cD}}_j(k,i))}^2\end{array}\right.---\left(12\right)$

式中cA_j(k，i)和cD_j(k，i)，i=1，2，...，k表示对应j层长度为k的频带信号的第i个离散点的幅值。将求得的能量值作为元素，构造出x轴方向的加速度A_Lx=(a_x1，a_x2，...，a_xL)^T的特征向量如式(13)：

$E_x=(E_{{\mathrm{xcA}}_5},E_{{\mathrm{xcD}}_1},E_{{\mathrm{xcD}}_2},E_{{\mathrm{xcD}}_3},E_{{\mathrm{xcD}}_4},E_{{\mathrm{xcD}}_5})---\left(13\right)$

对y轴和z轴方向的加速度特征向量，求法同上，得到的特征向量如下(14)：

$\left\{\begin{array}{c}{E}_y=(E_{{\mathrm{ycA}}_5},E_{{\mathrm{ycD}}_1},E_{{\mathrm{ycD}}_2},E_{{\mathrm{ycD}}_3},{\text{E}}_{{\mathrm{ycD}}_4},E_{{\mathrm{ycD}}_5})\\ E_z=(E_{{\mathrm{zcA}}_5},E_{{\mathrm{zcD}}_1},E_{{\mathrm{zcD}}_2},E_{{\mathrm{zcD}}_3},E_{{\mathrm{zcD}}_4},E_{{\mathrm{zcD}}_5})\end{array}\right.---\left(14\right)$

将每个方向上的6个能量值为元素，构造成一个新的18维特征向量，即(15式)：

E=(E_x，E_y，E_z)        (15)

特征向量E即表示一个手势轨迹的特征。

4.多次采集数据，其中具有合法身份的用户采集8-12次相同的手势轨迹，求得每一次手势轨迹的特征向量，标记为正样本(标签为1)，非法身份用户模仿合法身份用户的手势轨迹采集8-12次数据，求得每一次手势轨迹的特征向量，标记为负样本(标签为-1)。将这些特征向量组成训练样本集合，此处使用SVM中的LIBSVM软件包来训练分类器模型(图1步骤106)，同时将训练得到的模型进行保存(图1步骤107)。

关于LIBSVM算法可参考文献1：Chih-Chung Chang and Chih-Jen Lin，LIBSVM：A Library for Support Vector Machines.ACM Transactions on IntelligentSystems and Technology，Volume 2 Issue 3，April 2011.

LIBSVM开源软件包及具体信息，可以从作者林智仁(Chih-Jen Lin)的个人主页http：／／www.csie.ntu.edu.tw／～cjlin／处获得。

对SVM进行简单描述：

SVM算法的输入是一个集合Dk，表示为(14)式：

D^k={(x_i，y_i)|x_i∈R^d，y_i∈{-1，1}，其中i=1，2，...，N}      (14)

式中y_i是样本的特征向量x_i的标签，d是特征向量的维数，N表示训练样本的个数。

SVM的目标就是根据正负样本来构造一个分类器f^k(x)，满足(15)式：

$f^k=\mathrm{sign}\left((w^T\mathrm{\&phi;}\left(x\right)+b)\right)=\left\{\begin{array}{cc}{w}^T\mathrm{\&phi;}\left(x\right)+b>0& \mathrm{for}{y}_i=1\\ w^T\mathrm{\&phi;}\left(x\right)+b\&le;0& \mathrm{for}{y}_i=-1\end{array}\right.---\left(15\right)$

其中

φ(x_i)为x_i向高维空间的一个映射，a_i为拉格朗日乘子，因此有(16)式的形式：

$f(x,w)=w^T\mathrm{\&phi;}\left(x\right)+b={\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{y}_i\mathrm{\&phi;}\left(x_i\right)\right)}^T\mathrm{\&phi;}\left(x\right)+b=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{y}_{i}K(x_i,x_j)+b---\left(16\right)$

K(x_i，x_j)为线性核函数x_i ^Tx(x_i、x_j第i，j个特征向量，x为所有样本集特征向量组成的集合)，上式即为SVM模型。根据二次规划问题可以求出：

$\left\{\begin{array}{c}{w}^{*}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i{x}_i\\ b^{*}=-\frac{{\max }_{y_i=-1}\left(w^{*T}{x}_i\right)+\mathrm{mi}{n}_{y_i=1}\left(w^{*T}{x}_i\right)}{\text{2}}\end{array}\right.---\left(17\right)$

当有测试样本x∈R^d，首先计算 $f(x,w)=w^T\mathrm{\&phi;}\left(x\right)+b=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{a}_i{y}_{i}K(x,x_j)+b,$ 即可以得到对应的类型标志如(17)形式：

$f^k=\mathrm{sign}\left(f(x,w)\right)=\left\{\begin{array}{cc}+1,& f(x,w)>0\\ -1,& f(x,w)\&le;0\end{array}\right.---\left(18\right)$

根据上式的结果则可以判断测试样本属于哪一类。训练的过程就是构造(15)式中的分类器，其等价于(16)式，并求出分类器中的ai和b；

5.当进行用户身份认证时，用户使用手机书写待认证的手势轨迹(图1步骤108)，本方法按照图1步骤103、步骤104、和步骤105对该轨迹的加速度进行处理，得到特征向量x，然后将该特征向量x放入到SVM模型中进行计算，求得该轨迹所属类别(图1步骤109)，如果得到的结果为+1则是合法用户，如果得到的结果为-1则是非法用户，从而达到身份认证效果(图1步骤110)。

6.实验选择了15个用户，基于同一个手势轨迹，每人采集200个样本，分别在两不同的时段采集数据，用于保证手势轨迹的风格有所变化，共3000组数据，进行预处理和基于小波分解的特征提取，得到每个样本的特征向量。针对手机端数据采集的有限性及性能的受限，即应用中实际不需要采集很多个非法用户的数据，因此每次指定其中一个人为合法用户，从该用户的20个样本中随机选取10个样本作为正样本，从其他用户的2800组数据中随机选择2个人各5个样本，共10个样本作为负样本，将这20个样本集合用于SVM模型的训练，剩下的其他数据随机取出300到500个样本用于测试。

将本发明所提供的方法通过对采集到的原始数据进行预处理和基于小波分解的特征提取，再将提取的特征组成特征向量用于分类器模型的训练，最后实现身份认证的目的。将所得到的认证结果与单独使用原始数据进行分类器模型训练进而实现身份认证的方法进行比较。表1列出了客观评价的结果，这里用了常用的识别率、拒真率(FRR)、识假率(FAR)及运行时间(认证每一次手势轨迹所用时间)作为评价标准。从实验结果我们可以看出本发明提出的方法能有效地处理数据，小波分解得到的特征向量能有效降低原始特征的维数，从而提高运行效率，SVM在小样本分类训练中能发挥很好的优势，而且平均认证率在95％以上，达到了笔迹鉴定用于身份认证的预期效果。

表1实验结果

Claims (5)

1.一种基于手机加速度传感器的身份认证方法，其特征在于，

先对多次获取的原始加速度数据进行数据处理，并由数据处理后所得的数据训练SVM分类器模型；所述的多次获取包括获取合法用户手势对应的原始加速度数据8-12次，获取非法用户手势对应的原始加速度数据8-12次；

再获取当前次的原始加速度数据，将该加速度数据进行数据处理后得到的处理结果输入到SVM分类器模型中，由SVM分类器模型输出身份认证结果；

所述的原始加速度数据获取是指用户在手机屏幕上书写，手机内置的加速度传感器采集在用户手写过程中所感应的加速度数据；

所述的数据处理包括以下步骤：

1)对采集到的原始的加速度数据进行预处理；

2)对于预处理之后的加速度数据进行基于小波分解的特征提取，构造特征向量。

2.根据权利要求1所述的一种基于手机加速度传感器的身份认证方法，其特征在于，所述的手机加速度传感器采集手势轨迹的加速度值包括：

用户每一次使用手机书写手势轨迹时，通过手机的加速度传感器采集到该手势过程中每个时刻手机在三维空间中XYZ三个方向的加速度数据。

3.根据权利要求2所述的一种基于手机加速度传感器的身份认证方法，其特征在于，对原始加速度数据的预处理包括下列步骤：

1)平稳去噪：使用移动平均线滤波器，对采集到的加速度数据进行平稳去噪；

2)手势轨迹边界判定：采用基于加窗口的门限值方法对手势轨迹的开始和结束进行判定，从数据的首末两端分别使用一个时间窗口(大小为7)向中间搜索，如果在一个时间窗口内加速度值变化超过门限值0.5m／s²，则从前往后搜索的窗口所对应的第一帧记为手势轨迹起始边界，从后往前搜索的窗口所对应的最后一帧记为手势轨迹的结束边界；

3)手势轨迹长度的归一化：将每次采集到的手势轨迹进行长度的统一，设置长度阈值为200，长度小于阈值的，进行线性插值处理，长度大于阈值的，将邻近相似点进行合并，长度等于阈值的，不进行处理。

4.根据权利要求3所述的一种基于手机加速度传感器的身份认证，其特征在于，所述的基于小波分解的特征提取包括下列步骤：

1)将预处理之后的每个方向的加速度数据分别使用dmey小波基函数进行5层小波分解，根据小波多层分解公式 $\left\{\begin{array}{c}{\mathrm{cA}}_{j+1}\left(k\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{0(n-2k)}{\mathrm{cA}}_j\left(k\right)\\ {\mathrm{cD}}_{j+1}\left(k\right)=\underset{n}{\mathrm{\&Sigma;}}{h}_{1(n-2k)}{\mathrm{cD}}_j\left(k\right)\end{array}\right.$ 得到对应1至5层的分解系数cA_j(k)和cD_j(k)，j＝1，2，3，4，5表示第j层；k表示第j层系数向量的长度；其中h_0(n-2k)=<φ_0，n(t)，φ_1，k(t)>，h_1(n-2k)=<φ_0，n(t)，ψ_1，k(t)>，而ψ_1，k(t)和φ_0，n(t)分别是dmey小波的小波函数和尺度函数；

2)根据 $\left\{\begin{array}{c}{E}_{\mathrm{xcAj}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\mathrm{cA}}_j(k,i)-\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{cA}}_j(k,i))}^2\\ E_{\mathrm{xcDj}}=\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{({\mathrm{cD}}_j(k,i)-\frac{1}{k}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{cD}}_j(k,i))}^2\end{array}\right.$ 分别计算1至5层cD_j(k)各段系数cD_j(k，i)和第5层cA₅(k)系数cA₅(k，i)的能量，从而在每一个方向(x，y，z)上各得到6个能量值；

3)将每个方向上的6个能量值为元素，构造成一个所述的特征向量。

5.根据权利要求1所述的一种基于手机加速度传感器的身份认证，其特征在于，所述的SVM分类器模型的训练过程如下：

1)将多次手势轨迹得到的特征向量组成一个集合，其中合法用户手势轨迹的特征向量指定为正样本，非法用户手势轨迹的特征向量指定为负样本；

2)以该集合作为训练样本集合，完成SVM分类器模型的训练。

Images