CN104517094A - 一种身份验证方法和身份验证装置 - Google Patents

Abstract

本发明提供一种身份验证方法，包括：通过笔迹采集设备接收验证图符输入；在输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点阵数据；判断该验证图符与请求登陆账户的自选图符是否一致；若是，则进入下一步；根据所述身份验证笔迹点阵数据进行笔迹分析，获得身份验证笔迹分析参数；将该身份验证笔迹分析参数输入请求登陆账户的笔迹判断模型，判断采样笔迹是否相符；若是，则通过身份验证请求。本发明同时提供一种身份验证装置。本发明可利用现有移动通信设备广泛配置的触摸屏实现笔迹信息采集，并利用验证图符和笔迹进行两级身份认证，较现有技术能够更好的确保用户的信息安全。

Description

一种身份验证方法和身份验证装置

技术领域

本申请涉及身份验证识别技术，尤其是涉及一种身份验证方法。本申请同时涉及一种身份验证装置。

背景技术

网络已经成为人们生产生活不可或缺的工具。在网络上登陆各个网站或者应用，经常需要进行身份验证，以获得相关的权限。在一些网络支付场合，身份验证更关系到使用者的经济安全。另外，一些移动终端在开机、解锁等场合也需要进行身份验证。

身份验证技术的核心问题在于其安全性，但同时也需要兼顾方便性。现有技术下已经出现了各种身份验证方法。

在现有技术下，采用密码进行身份验证是最普遍的身份验证方法。但密码对使用者个体的标识性并不好，一旦被盗获取就失去了身份验证的价值。另外，各种密码的记忆非常繁琐，使用者往往使用少量密码对应很多应用或者账户，一旦其中一个密码被破解，就会造成多个账户信息被盗用的后果。

另外一种身份验证方式是利用使用者的生理特征。例如，采用指纹密码。这种方式的主要问题在于，技术过于复杂，需要设置功能单一的指纹采集设备，增加了设备制造成本。并且，这种方法更适于设备的身份验证，不适于网站或者应用的身份验证。

随着移动网络的普及，手机等移动终端日益成为使用网络的主要工具，其便携性增加了日常使用便利性，但是，也造成了易于丢失的问题。一旦丢失，存储在其中的各种信息有可能被盗用。例如，采用验证码进行身份验证的网站或者应用，这些验证信息很可能就被自动保存在移动终端中，一旦移动终端被盗用，该用户在其中存储的各种密码都会使盗用者方便的进入相关网站账户或者应用账户，对真正的机主产生严重损害。

由于以上原因，移动终端的信息安全性受到日益广泛的关注；设计适当的身份验证方法实现移动终端的信息安全性已经成为急待解决的问题。

发明内容

为解决上述技术问题，本申请提供一种身份验证方法，该方法适用于具有触摸屏的设备，具有更高的安全性和便捷性；由于触摸屏已经日益成为移动互联设备的标配，使该方法具有广泛的适用性。

本申请同时提供一种身份验证装置。

本申请提供的身份验证方法，包括如下步骤：

通过笔迹采集设备接收验证图符输入；在上述验证图符输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点阵数据；

判断该验证图符与请求登陆账户的自选图符是否一致；若是，则进入下一步，若否，则阻止该请求；

根据所述身份验证笔迹点阵数据进行笔迹分析，获得身份验证笔迹分析参数；

将该身份验证笔迹分析参数输入先期获得的请求登陆账户的笔迹判断模型，判断所述身份验证笔迹与先期获得的采样笔迹是否相符；若是，则通过身份验证请求；若否，则阻止该身份验证请求。

可选的，所述笔迹判断模型和所述自选图符通过采样获得，该采样过程在首次进行身份验证前完成，采样的具体过程包括：

通过笔迹采集设备接收用户对应特定账户输入的自选图符；在上述自选图符输入过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得采样笔迹点阵数据；

根据上述采样笔迹点阵数据进行笔迹分析和学习，获得笔迹判断模型和自选图符识别结果。

可选的，采样过程中，所述接收用户对应特定账户输入的自选图符的步骤中，接收用户对同一个自选图符的两次或者两次以上输入；在采样过程中进行所述笔迹分析和学习时，以该用户自选图符的各次输入作为正样本，将其它用户的自选图符作为负样本。

可选的，采样过程中的所述笔迹分析和学习具体包括：

根据所述采样笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW值中的一项或者多项采样笔迹特征值；

对所获得的采样笔迹特征值计算结果进行归一化；

对上述归一化后的采样笔迹特征值，使用机器学习算法进行训练，形成所述采样笔迹判断模型；

进行身份验证时，根据所述身份验证笔迹点阵数据进行笔迹分析，获得身份验证笔迹分析参数的过程包括：

采用与上述采样过程中一致的方法，根据身份验证时获得的所述身份验证笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW值中的一项或者多项身份验证笔迹特征值；

对所获得的计算结果进行归一化，归一化后的数值就是所述身份验证笔迹分析参数。

可选的，在采样过程中，对所获得的计算结果进行归一化，具体是，正样本时，使用该用户本次输入和其它次输入的比值，作为归一化的结果；负样本时使用用户本次输入与其他用户输入的比值，作为归一化的结果。

可选的，在身份验证时进行归一化的步骤中，使用所接收的验证图符与采样过程中该用户的自选图符的笔迹特征值的比值，作为归一化的结果。

可选的，所述机器学习算法为支持向量机算法和/或人工神经网络学习算法。

本申请同时提供一种身份验证装置，包括身份验证单元；

所述身份验证单元包括：

身份验证笔迹点阵数据获得子单元，用于通过笔迹采集设备接收验证图符输入；在上述验证图符输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点阵数据；

验证图符判断子单元，用于判断所述验证图符与请求登陆的特定账户的自选图符是否一致；若是，则启动身份验证笔迹分析单元进行笔迹分析，若否，则发出阻止身份验证请求的命令；

身份验证笔迹分析子单元，用于接收所述身份验证笔迹点阵数据获得子单元输出的身份验证笔迹点阵数据，根据该身份验证笔迹点阵数据，对其进行笔迹分析，获得身份验证笔迹分析参数；

笔迹特征判断子单元，用于接收所述身份验证笔迹分析参数，将该身份验证笔迹分析参数输入先期获得的请求登陆账户的笔迹判断模型，判断所述身份验证笔迹与先期获得的采样笔迹是否相符；若是，则通过身份验证请求；若否，则阻止该身份验证请求。

可选的，包括采样单元，所述采样单元包括：

采样笔迹点阵数据获得子单元，用于通过笔迹采集设备接收用户输入的自选图符；在上述自选图符输入过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得采样笔迹点阵数据；

学习子单元，用于根据上述采样用笔迹点阵数据进行笔迹分析和学习，获得对应该账户的笔迹判断模型和自选图符识别结果。

可选的，所述采样单元的采样笔迹点阵数据获得子单元，通过笔迹采集设备接收用户输入的自选图符时，接收用户对同一个自选图符的两次或者两次以上输入；所述学习子单元，在进行学习时，以该用户自选图符的各次输入作为正样本，将其它用户的自选图符作为负样本。

可选的，采样单元的所述学习子单元包括如下子单元：

采样笔迹特征值计算子单元，用于根据所述采样笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度和/或DTW值中的一项或者多项采样笔迹特征值；

采样归一化子单元，用于对采样笔迹特征值计算子单元所获得的采样笔迹特征数值进行归一化；

笔迹训练子单元，用于对归一化后的采样笔迹特征值使用机器学习算法进行训练，形成所述采样笔迹判断模型；

所述身份验证单元的身份验证笔迹分析子单元包括：

身份验证笔迹特征值计算子单元，用于采用与上述采样阶段一致的方法，根据所述身份验证用笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW中的一项或者多项笔迹特征值；

身份验证归一化子单元，用于对上述身份验证笔迹特征值计算子单元所获得的计算结果进行归一化。

可选的，所述采样归一化子单元，正样本时，使用该用户本次输入和其它次输入的比值，作为归一化的结果；负样本时使用用户本次输入与其他用户输入的比值，作为归一化的结果。

可选的，所述身份验证归一化子单元，使用所接收的验证图符与采样阶段该用户的自选图符的笔迹特征值的比值，作为归一化的结果。

本申请提供的身份验证方法，利用现有移动通信设备广泛配置的触摸屏实现笔迹信息的采集。采用该方法进行验证时，用户应当通过笔迹采集设备输入验证图符，验证过程中，首先验证用户输入的验证图符是否与请求登陆的账户的自选图符是否一致，若一致，则进一步验证笔迹是否相符，通过上述两个步骤的验证，确保用户的信息安全。

在本申请提供的验证方法中，先期的采样过程中，要求用户首先通过触摸屏或者其它笔迹采集设备输入自选图符，在输入过程中搜集采样笔迹点阵数据，对应该自选图符的采样笔迹信息通过笔迹分析和学习后，获得笔迹判断模型和自选图符识别结果；上述自选图符识别结果和采样笔迹分析判断模型与用户的特定账户或者特定用户相对应。

在本申请的优选实施方式中，在采样阶段接收同一用户对同一自选验证图符的两次以及两次以上的输入，并将该用户的各次输入彼此作为正样本，而将其它用户的输入作为负样本，通过上述方式，能够获得更好的笔迹识别效果。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本申请第一实施例提供的身份验证方法的流程图；

图2为本申请第二实施例提供的身份验证装置的单元框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请优选实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

如图1所示，图1是本申请提供的一种通过笔迹识别进行身份验证的方法的第一实施例流程图。以下结合该图进行说明。首先需要说明，该方法包括采样阶段和身份验证阶段，前者对笔迹进行采样，只需要最初进行一次即可，后者对笔迹进行身份验证，判断是否与采样阶段的笔迹一致。以下步骤S101-S102为采样过程，步骤S103-S106为身份验证过程。由于采样过程仅仅需要一次，因此，大多数情况下，该身份验证方法仅仅实施身份验证过程。

步骤S101，通过笔迹采集设备接收用户对应特定账户输入的自选图符；在上述自选图符输入过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得采样笔迹点阵数据。

本步骤为对用户笔迹进行最初采样的阶段。

首先，用户应当自选图符，这个图符以后作为登录相关账户的密码。其次，用户需要通过触摸屏或者手写板或者其它现有技术下可能接收手写输入的设备输入该自选图符，在本申请中，将这些设备统称为笔迹采集设备。

为了后续进行笔迹分析，需要在输入自选图符的过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，该记录获得的是完整的采样笔迹点阵数据。

在本实施例中，自选图符为客户自己选择的图符或者简易的常见图形。可供选择的图符在一定的范围之内，如英文26个符号或者10个阿拉伯数字的范围，或者五角星，三角型、圆形等事先规定的图形。上述符号或者图形统称为图符。

为了后续笔迹分析能够更为准确，本步骤中采集两次甚至两次以上的同一自选图符的笔迹点阵数据。当然，并不排除仅仅采集一次笔迹点阵数据的实施方案。

步骤S102，根据上述采样笔迹点阵数据进行笔迹分析和学习，获得对应该账户的采样笔迹学习结果，包括笔迹判断模型以及自选图符识别结果。

进行笔迹分析和学习的方法很多，以下为本实施例采用的优选方案，该方案以步骤S101中采集了两个及其以上的同一自选图符的笔迹点阵数据为例。

步骤S102-1，根据所述采样用笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW值中的一项或者多项采样笔迹特征值。当然，采样笔迹特征值还可以是其它可能的用于分析笔迹的特征值。

上述各项计算都是为了对笔迹点阵数据进行分析，对每一组笔迹点阵数据都可以计算上述各项指标，这些指标均可以作为笔迹特征值来区分笔迹书写者。在进行笔迹分析时，可以采用上述笔迹特征值中的一种或者几种。采用多种指标，相当于从多个角度对笔迹特征进行描述，能够提高笔迹区分的精度。

当采用上述多个指标时，可以建立一个采样数据库，针对每一个采样设置若干数据段，例如，可以有：周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、DTW值等数据段，通过对一份笔迹采样记录上述数据段，就可以获得对一份笔迹采样的比较精确的描述。

上述各个指标的计算属于图形识别技术领域，以下对其进行简要说明。

首先，把离散的前后采样点用线段连接，并且把笔迹的终点和起点也连接起来，最终形成二值图像。根据该二值图像确定图形轮廓，该轮廓对应一系列的点形成的封闭曲线。该图形轮廓可以对应若干个图形对象，每个图形对象为一个独立的封闭区域。根据上述图形轮廓首先可以确定用户自选图符的识别结果，即用户到底选择可供选择的验证图符中的哪一个图符作为用于进行身份验证的自选图符。更进一步的，以该图形轮廓为基础，还可以进行下一步的笔迹特征值的计算。在根据图形轮廓进行采样笔迹特征值计算时，图形轮廓可能会分为几个独立的封闭区域，这些封闭区域分别作为一个图形对象处理。

以下分别介绍几种主要的采样笔迹特征值的计算方法。

周长：找出图形轮廓的边缘部位，计算边缘的周长。

总面积：计算整个或部分图形轮廓的面积。在计算部分轮廓的情况时，计算由轮廓弧线和连接两端点的弦围成的区域的总面积。

平均面积：笔迹连接成的图像有可能有几个图形对象（组成），总面积／对象数为平均面积。

最小面积：从计算笔迹对象中各个图形对象的面积中，找出最小面积。

最大面积：从计算笔迹对象中各个图形对象的面积中，找出最大面积。

Hu矩：对于已经分割好的笔迹的图形轮廓，计算由Hu矩组成的特征量；Hu矩是图形识别中常用的特征量，现有技术下存在成熟的计算方式。

轮廓矩形宽度：计算点集的最外面矩形边界。

最小包围矩形面积：对上述2D点集找到图形轮廓最小包围矩形的面积。

夹角：计算图形轮廓凸外形给定的2D点集中含有的夹角。

平均速度：某点速度的定义为此点与上一点和下一点的距离的和再除以上一点与下一点的时间间隔。把所有点的速度相加除以点数得到平均速度。

最小速度：在所有点的速度中找到速度的最小值。

最大速度：在所有点的速度中找到速度的最大值。

加速度：图形轮廓总长与时间的二次求导。

DTW：DTW是一种衡量两个时间序列之间的相似度的方法。DTW通过把时间序列进行延伸和缩短，来计算两个时间序列性之间的相似性。DTW使用所有这些相似点之间的距离的和，称之为归整路径距离(Warp PathDistance)，可以用于衡量两个时间序列之间的相似性。计算DTW值的过程中，需要对采集值进行归一化，具体方法是，将X轴坐标、Y轴坐标以及距离起点的时间变量用采集值与最小值的差和最大值与最小值之差的比值作为归一化结果。

由于本实施例中，对每个用户的自选验证图符采样至少两次，要分别计算每一次采样的笔迹特征值。由于处于采样阶段，这个阶段获得的笔迹特征值称为采样笔迹特征值。

上述选择的各项笔迹特征值中，其区分精度也有所不同。其中，Hu矩和DTW数值具有很好的区分度，是优选的指标。周长和面积指标一般需要和其它特征值相结合。由于本认证方法可以使用于多种身份认证场合，并且可以由多种供身份认证的图符集合，所以，使用何种笔迹特征值获得后续的笔迹学习结果可以存在多种选择方式。

步骤S102-2，对计算结果进行归一化。

对计算结果进行归一化的目的是便于进行后续的分析，使不同验证图符的相同指标能够具有相同的含义。

若采样次数为两次，则在执行上述步骤S102-1计算获得两次采样的各个分析指标后，计算两次采样的相同分析指标的比值，其中比值定义为本次采样相同分析指标除以另一次采样相同分析指标，这个比值数值作为归一化计算结果。以周长指标为例，假设第一次采样获得的数据为5，第二次采样获得的数据为4。第一次采样周长归一化结果为5/4=1.2，第二次采样周长归一化结果为4/5=0.8。

如果采样次数大于两次，则可以将每次采样获得的数值除以其它各次采样的数值，获得多个归一化数值。

该用户采样获得的数值除以其他用户各次采样的数值，作为各次负样本归一化的数值。

步骤S102-3，使用机器学习算法进行训练，形成所述采样笔迹学习结果。

本步骤中，首先需要选择合适的机器学习算法，具体可以选择支持向量机算法、人工神经网络学习算法中的一种或者两种。使用上述算法进行的具体训练的过程属于现有技术，并非本申请的核心改进，在此不予详述。所述采样笔迹学习结果，可以理解为对用户输入的自选验证图符的特征描述，该特征描述能够将该用户的笔迹与其它用户的笔迹相区别。具体的学习结果，是形成一个学习文件。

在进行上述训练过程中，选择同一用户各次输入的自选验证图符作为正样本，将已经搜集到的其它用户的自选验证图符作为负样本。

所谓正样本和负样本，即获得的笔迹判断模型应当能够使所有的正样本全部判断为笔迹符合，而负样本全部判断为笔迹不符合。通过正样本和负样本的选取，能够准确识别每一个用户的笔迹。

上述支持向量机算法和人工神经网络学习算法都是经典的机器学习算法。

选择支持向量机算法进行训练时，先根据获得的来自各个用户的归一化的笔迹采样特征值，设置训练样本集，一组是数据的类别，即对数据是否属于某个用户的判断结果；一组是数据的向量信息，即归一化的笔迹特征值；上述数据类别和数据的向量信息是相互对应的。然后设置终止条件标准，例如以准确率（例如99%）为终止条件、最大的迭代次数（例如1000次），再设置训练SVM参数，包括SVM类型、核函数、核函数参数和权重。各种参数设置完成后，调用SVM训练函数建立SVM模型，通过代入训练样本集，得出模型文件，该模型文件包括设置的各种参数、支持向量的个数以及对应索引编号的支持向量。上述模型文件中的这些数据代入上述对训练样本集的样本的判断能够达到要求的准确程度。以后采用这些数据，使用SVM模型就可以获得对归一化的一组笔记特征值是否属于某个用户的判断。

选择人工神经网络方法学习时，先创建归一化后特征向量的输入样本矩阵和输出样本矩阵（即是否属于某个用户的判断结果），为每个样本设置权值；然后设置神经网络层数；再设置终止条件标准，例如以准确率为终止条件，最大的迭代次数，例如1000次，以及结果的准确性；接下来选择人工神经网络算法以及调整参数，例如BP反向传播算法。各种参数设置完成后，调用ANN训练函数建立ANN模型，模型文件包括设置的各种参数、输入和输出比例、权向量。以后采用这些数据，使用ANN模型就可以获得对归一化的一组笔记特征值是否属于某个用户的判断。

根据不同的系统配置情况，以及不同的验证场合，上述笔迹判断模型可以返回客户端或者存放在服务器一侧供读取。

通过不断的积累不同用户的自选验证图符的笔迹分析结果，可以获得一个较大的样本库，随着样本库的增加，识别的精确度也会提高。在该识别方法刚刚建立时，需要建立一个基础的样本库，搜集一定数量用户的笔迹点阵数据，建议的最少用户数为200个。

该自选验证图符以及笔迹判断模型，根据用户在步骤S101中的选择，将与特定账户对应。

该特定账户可以是某个设备，或者是某个网络账户或者是某个应用程序。如果该身份验证方法用于某个设备，例如手机，则其笔迹判断模型可以从服务器下载到该手机本地，以便于应用该笔迹学习结果。当然，也可以在手机中预存已经获取的样本库，从该设备获得的用户笔迹采样作为正样本与样本库的样本一起进行上述学习过程。

本实施例更可能的应用情景是，对应于某个远端的网站或者远程应用，上述笔迹判断模型存储在网络上的服务器中即可，当然，也不排除存放在客户端本地。

以上步骤S101-步骤S102为采样阶段，以下步骤S103开始为身份验证阶段。上述采样阶段只要最初执行一次，建立好采样样本即可。

步骤S103，接收客户端的验证图符输入；在上述验证图符输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点整数据。

上述验证图符输入以及获得身份验证笔迹点阵数据的过程，和采样阶段的相应过程相同，即和步骤S101的过程相同。

步骤S104，判断该验证图符与请求身份验证的特定账户对应的自选图符是否一致；若是，则进入步骤S106；若否，则阻止该验证请求。

本步骤首先判断验证图符与采样阶段选择的自选图符是否一致。图符识别在现有技术中已经存在若干成熟的技术，精确度比较高，如果验证图符与自选图符不一致，则可以阻止该登陆请求。若一致，则可以进入下一个步骤，进一步进行笔迹分析。

步骤S105，根据所述身份验证笔迹点阵数据进行笔迹分析，获得身份验证笔迹分析参数。

笔迹分析的方法，即使用上述步骤S103获得的身份验证笔迹点阵数据，采用上述步骤S102-1的方法计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度和/或DTW值中的一项或者多项数值，将这些数值作为该验证图符输入的笔迹特征值。

计算获得上述笔迹特征值后，就可以将其与采样阶段获得的正样本进行比较，进行归一化处理。归一化处理的结果即可以作为采样笔迹学习结果的输入参数，这些归一化后的数值就是身份验证笔迹分析参数。

归一化处理的具体方式，是使用所接收的验证图符与采样过程中该用户的自选图符的笔迹特征值的比值，作为归一化的结果。

步骤S106，将该身份验证笔迹分析参数作为采样阶段获得的笔迹判断模型的输入，判断该身份验证笔迹与采样笔迹是否相符；若是，则通过身份验证请求；若否，则阻止该身份验证请求。

所述笔记判断模型表现为一个文件，经过归一化的身份验证笔迹特征值，即身份验证笔迹参数，提供给该文件后，该文件可以对其进行分析，作出该身份验证笔迹与采样笔迹是否相符的判断。若是，则通过身份验证请求，若否，则阻止该身份验证请求。根据不同的设置，可以再给一次身份验证机会，累计身份验证N次无法通过后，可以采取彻底阻止来自该节点的身份验证或者屏蔽身份验证请求一段时间等措施。

由于触摸屏等可以进行笔迹采样的设备已经成为标准的配置，上述方法不需要另外配置相关硬件。另外，由于进行了图符和笔迹两次身份验证，使身份验证安全性得到显著提高。在通常的网络使用环境中，上述身份验证方法的主要计算过程可以通过服务器端提供的计算能力实现，使其特别适用于希望不依赖具体客户端设备而又特别重要的身份验证场合，例如网络支付等。

当然，上述验证方法也完全适用于手机等移动客户端的开机以及屏幕解锁等情况的身份验证。此时，相关计算可以在移动客户端本地进行，移动客户端可以实现从服务器端下载来自其它客户端的笔迹样本库，或者采用预先搜集和存储在该客户端的标准笔迹样本库。

请参看图2，该图为本申请第二实施例提供的身份验证装置。

如图2所示，该身份验证装置包括采样单元1和身份验证单元2。

所述采样单元1包括采样笔迹点阵数据获得子单元1-1、学习子单元1-2。

所述采样笔迹点阵数据获得子单元1-1，用于通过笔迹采集设备接收用户输入的自选图符；在上述自选图符输入过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得采样笔迹点阵数据。

为了获得更为准确的判断结果，该采样笔迹点阵数据获得子单元1-1通过笔迹采集设备接收用户输入的自选图符时，接收用户对同一个自选图符的两次或者两次以上输入。

所述学习子单元1-2，用于根据上述采样用笔迹点阵数据进行笔迹分析和学习，获得对应该账户的笔迹判断模型和自选图符识别结果。

该学习子单元1-2包括采样笔迹特征值计算子单元1-2-1、归一化子单元1-2-2、笔迹训练子单元1-2-3。

所述采样笔迹特征值计算子单元1-2-1，用于根据所述采样笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度和/或DTW值中的一项或者多项采样笔迹特征值。计算DTW值的过程中，需要对采集值进行归一化，具体方法是，将X轴坐标、Y轴坐标以及距离起点的时间变量用采集值与最小值的差和最大值与最小值之差的比值作为归一化结果。

所述归一化子单元1-2-2，用于对采样笔迹特征值计算子单元所获得的笔迹特征数值进行归一化。

具体的归一化方法可以有多种，一种比较优选的方案是：正样本时使用同一用户任意两次输入的比值，作为归一化的结果；负样本时使用用户本次输入与其他用户输入的比值，作为归一化的结果。

所述笔迹训练子单元1-2-3，用于对归一化后的笔迹特征值使用机器学习算法进行训练，形成所述笔迹判断模型。

为了获得更为准确的判断结果，该采样笔迹点阵数据获得子单元1-1通过笔迹采集设备接收用户输入的自选图符时，接收用户对同一个自选图符的两次或者两次以上输入。在进行学习时，以用户自选图符的各次输入作为正样本，将其它用户的自选图符作为负样本。

所述身份验证单元2包括身份验证笔迹点阵数据获得子单元2-1、验证图符判断子单元2-2、身份验证笔迹分析子单元2-3、笔迹特征判断子单元2-4。

所述身份验证笔迹点阵数据获得子单元2-1，用于通过笔迹采集设备接收验证图符输入；在上述验证图符输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点阵数据。

所述验证图符判断子单元2-2，用于判断所述验证图符与请求登陆的特定账户的自选图符是否一致；若是，则启动身份验证笔迹分析单元进行笔迹分析，若否，则发出阻止身份验证请求的命令；

所述身份验证笔迹分析子单元2-3，用于接收所述身份验证笔迹点阵数据获得子单元输出的身份验证笔迹点阵数据，根据该身份验证笔迹点阵数据，对其进行笔迹分析，获得身份验证笔迹分析结果。

该身份验证笔迹分析子单元2-3包括身份验证笔迹特征计算子单元2-3-1、身份验证归一化子单元2-3-2。

所述身份验证笔迹特征计算子单元2-3-1，用于采用与上述采样阶段一致的方法，根据所述身份验证用笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW值中的一项或者多项笔迹特征值；

所述身份验证归一化子单元2-3-2，用于对身份验证笔迹计算子单元所获得的计算结果进行归一化，使用所接收的验证图符与采样阶段该用户的自选验证图符的笔迹特征值的比值，作为归一化的结果。

所述笔迹特征判断子单元2-4，用于接收所述身份验证笔迹分析结果，将该身份验证笔迹分析结果输入采样阶段获得的采样笔迹学习结果，判断身份验证笔迹与采样笔迹是否相符；并输出判断结果，若判断结果为是，则通过身份验证请求；若判断结果为否，则阻止该身份验证请求。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。

以上对本申请所提供的一种身份验证方法和装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (13)

1.一种身份验证方法，其特征在于，

通过笔迹采集设备接收验证图符输入；在上述验证图符输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点阵数据；

判断该验证图符与请求登陆账户的自选图符是否一致；若是，则进入下一步，若否，则阻止该请求；

根据所述身份验证笔迹点阵数据进行笔迹分析，获得身份验证笔迹分析参数；

将该身份验证笔迹分析参数输入先期获得的请求登陆账户的笔迹判断模型，判断所述身份验证笔迹与先期获得的采样笔迹是否相符；若是，则通过身份验证请求；若否，则阻止该身份验证请求。

2.根据权利要求1所述的身份验证方法，其特征在于，所述笔迹判断模型和所述自选图符通过采样获得，该采样过程在首次进行身份验证前完成，采样的具体过程包括：

通过笔迹采集设备接收用户对应特定账户输入的自选图符；在上述自选图符输入过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得采样笔迹点阵数据；

根据上述采样笔迹点阵数据进行笔迹分析和学习，获得笔迹判断模型和自选图符识别结果。

3.根据权利要求2所述的身份验证方法，其特征在于，采样过程中，所述接收用户对应特定账户输入的自选图符的步骤中，接收用户对同一个自选图符的两次或者两次以上输入；在采样过程中进行所述笔迹分析和学习时，以该用户自选图符的各次输入作为正样本，将其它用户的自选图符作为负样本。

4.根据权利要求3所述的身份验证方法，其特征在于，采样过程中的所述笔迹分析和学习具体包括：

根据所述采样笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW值中的一项或者多项采样笔迹特征值；

对所获得的采样笔迹特征值计算结果进行归一化；

对上述归一化后的采样笔迹特征值，使用机器学习算法进行训练，形成所述采样笔迹判断模型；

进行身份验证时，根据所述身份验证笔迹点阵数据进行笔迹分析，获得身份验证笔迹分析参数的过程包括：

采用与上述采样过程中一致的方法，根据身份验证时获得的所述身份验证笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW值中的一项或者多项身份验证笔迹特征值；

对所获得的计算结果进行归一化，归一化后的数值就是所述身份验证笔迹分析参数。

5.根据权利要求4所述的身份验证方法，其特征在于，在采样过程中，对所获得的计算结果进行归一化，具体是，正样本时，使用该用户本次输入和其它次输入的比值，作为归一化的结果；负样本时使用用户本次输入与其他用户输入的比值，作为归一化的结果。

6.根据权利要求4所述的身份验证方法，其特征在于，在身份验证时进行归一化的步骤中，使用所接收的验证图符与采样过程中该用户的自选图符的笔迹特征值的比值，作为归一化的结果。

7.根据权利要求4所述的身份验证方法，其特征在于，所述机器学习算法为支持向量机算法和/或人工神经网络学习算法。

8.一种身份验证装置，其特征在于，包括身份验证单元；

所述身份验证单元包括：

身份验证笔迹点阵数据获得子单元，用于通过笔迹采集设备接收验证图符输入；在上述验证图符输入过程中，对笔迹采集设备的被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得身份验证笔迹点阵数据；

验证图符判断子单元，用于判断所述验证图符与请求登陆的特定账户的自选图符是否一致；若是，则启动身份验证笔迹分析单元进行笔迹分析，若否，则发出阻止身份验证请求的命令；

身份验证笔迹分析子单元，用于接收所述身份验证笔迹点阵数据获得子单元输出的身份验证笔迹点阵数据，根据该身份验证笔迹点阵数据，对其进行笔迹分析，获得身份验证笔迹分析参数；

笔迹特征判断子单元，用于接收所述身份验证笔迹分析参数，将该身份验证笔迹分析参数输入先期获得的请求登陆账户的笔迹判断模型，判断所述身份验证笔迹与先期获得的采样笔迹是否相符；若是，则通过身份验证请求；若否，则阻止该身份验证请求。

9.根据权利要求8所述的身份验证装置，其特征在于，包括采样单元，所述采样单元包括：

采样笔迹点阵数据获得子单元，用于通过笔迹采集设备接收用户输入的自选图符；在上述自选图符输入过程中，对被触点的X轴坐标、Y轴坐标以及距离起点的时间进行记录，获得采样笔迹点阵数据；

学习子单元，用于根据上述采样用笔迹点阵数据进行笔迹分析和学习，获得对应该账户的笔迹判断模型和自选图符识别结果。

10.根据权利要求9所述的身份验证装置，其特征在于，所述采样单元的采样笔迹点阵数据获得子单元，通过笔迹采集设备接收用户输入的自选图符时，接收用户对同一个自选图符的两次或者两次以上输入；所述学习子单元，在进行学习时，以该用户自选图符的各次输入作为正样本，将其它用户的自选图符作为负样本。

11.根据权利要求9所述的身份验证装置，其特征在于，采样单元的所述学习子单元包括如下子单元：

采样笔迹特征值计算子单元，用于根据所述采样笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度和/或DTW值中的一项或者多项采样笔迹特征值；

采样归一化子单元，用于对采样笔迹特征值计算子单元所获得的采样笔迹特征数值进行归一化；

笔迹训练子单元，用于对归一化后的采样笔迹特征值使用机器学习算法进行训练，形成所述采样笔迹判断模型；

所述身份验证单元的身份验证笔迹分析子单元包括：

身份验证笔迹特征值计算子单元，用于采用与上述采样阶段一致的方法，根据所述身份验证用笔迹点阵数据计算周长、最小面积、最大面积、Hu矩、平均速率、最小速率、最大速率、轮廓矩形宽度、最小包围矩形面积、夹角、加速度、和/或DTW中的一项或者多项笔迹特征值；

身份验证归一化子单元，用于对上述身份验证笔迹特征值计算子单元所获得的计算结果进行归一化。

12.根据权利要求11所述的身份验证装置，其特征在于，所述采样归一化子单元，正样本时，使用该用户本次输入和其它次输入的比值，作为归一化的结果；负样本时使用用户本次输入与其他用户输入的比值，作为归一化的结果。

13.根据权利要求11所述的身份验证装置，其特征在于，所述身份验证归一化子单元，使用所接收的验证图符与采样阶段该用户的自选图符的笔迹特征值的比值，作为归一化的结果。