CN105184254B - 一种身份认证方法及系统 - Google Patents
一种身份认证方法及系统 Download PDFInfo
- Publication number
- CN105184254B CN105184254B CN201510553204.2A CN201510553204A CN105184254B CN 105184254 B CN105184254 B CN 105184254B CN 201510553204 A CN201510553204 A CN 201510553204A CN 105184254 B CN105184254 B CN 105184254B
- Authority
- CN
- China
- Prior art keywords
- parameter
- identification model
- test set
- information
- identified
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种身份认证方法及系统,该身份认证方法包括:向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数;对所述S参数进行滤波并进行特征提取,获取所述S参数中的幅值信息、频率信息及相位信息中的至少一种,形成一测试集;利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数;利用所述识别模型对所述测试集进行识别,如果所述识别模型的输出结果为所述n个类别中的一个,则所述待识别对象通过认证。利用本发明可以快速、精确地实现对人体身份的认证识别。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种身份认证方法及系统。
背景技术
随着可穿戴式设备与物联网的持续升温,可穿戴式计算应用和产业前景越来越广阔,并有望成为全球下一个经济增长点。
隐私安全是可穿戴式设备发展过程中的关键技术。可穿戴式设备携带各类传感器,这些传感器能够采集与人相关的个性化隐私信息,例如医疗健康数据、运动信息、爱好信息等。随着移动互联技术的发展,信息泄密的概率与日递增,隐私信息传播带来的危害程度也不可估量。因此,对穿戴式设备的信息隐私保护变得非常紧迫和非常有必要。隐私保护的一个重要手段是采用身份认证技术,身份认证是判断一个用户是否为合法用户的处理过程,用来防止攻击者假冒合法用户获得资源的访问权限,保证系统和数据的安全。
生物识别技术是通过人类生物特征进行身份认证的一种技术,比传统的身份认证方法更具安全、保密和便捷性。生物识别技术具有不易遗忘、防伪性能好、不易伪造或被盗、随身“携带”和随时随地可用等优点。正是由于生物识别技术的诸多优点,使其成为近年发展的方向。
生物识别技术主要包括:指纹、虹膜、人脸、声音、静脉和DNA等。目前,生物识别技术最可靠的是指纹和虹膜识别,已开始应用于机场、银行和各种电子设备(例如苹果自iphone5s就引入了指纹解锁功能,华为的Mate7也引入了指纹解锁功能),可望取代人们手中的信用卡或密码,并可对个人计算机系统信息进行加密保护,以避免窃取和攻击。但是这两项技术也存在一些问题,比如指纹易磨损,并且沾水后难以识别,还有可能被他人盗取仿造出指纹膜,所以苹果手机和华为手机都是指纹解锁和密码解锁并存。虹膜识别技术虽然准确率极高,但对盲人或眼疾患者却是无能为力,并且虹膜识别技术需要昂贵的摄像头进行图像采集,成本较高,不容易大范围推广使用。虹膜识别技术在中国推广比较难,还有另外一个重要因素,就是该技术对黑眼睛识别非常困难。同时,上述生物识别技术因识别装置体积过大或者穿戴部位限制,或多或少都存在缺陷,都不适合可穿戴式设备。因此,急需一种适合可穿戴设备的身份认证技术。
除了上述介绍的指纹识别及虹膜识别的缺点,其他主流生物识别技术应用于可穿戴式设备存在如下缺点:
人脸的非线性的结构和人脸的活动使得人脸特征非常复杂,造成人脸识别系统的稳定性不是很高。同时,人脸识别技术不能对脸部饰物和整形手术后的脸部进行精确识别,并且脸部识别需要复杂和大体积的硬件设备,这些都限制了人脸识别技术在可穿戴式设备上的应用。
静脉识别由于采集方式受自身特点的限制,产品难以小型化,对采集设备有特殊要求,设计相对复杂,制造成本高,阻碍了静脉识别的进一步应用。
语音识别受周围环境噪声影响比较大,同时,不同的发音和方言也会影响识别精度和识别速度。
主流生物识别技术的具体的缺点如表1所示。
表1生物识别技术对比
从表1中可以看出,上述生物特征识别技术除了识别率等方面存在一些不足外,应用于可穿戴式设备一般都存在可穿戴性差,需存在于身体某个固定部位等缺点。因此,现有的生物识别技术都不太适合可穿戴式的应用。
发明内容
为解决上述技术问题,本发明提供了一种身份认证方法及系统,基于人体通信的耦合理论,利用人体之间介电常数的差异,获取电磁波信号经过不同人体后呈现不同的信号特性,结合多个电磁波频率下的S参数信息进行身份认证。
本发明一方面提供了一种身份认证方法,所述身份认证方法包括:
向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数;
对所述S参数进行滤波并进行特征提取,获取所述S参数中的幅值信息、频率信息及相位信息中的至少一种,形成一测试集;
利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数;
利用所述识别模型对所述测试集进行识别,如果所述识别模型的输出结果为所述n个类别中的一个,则所述待识别对象通过认证。
在一实施例中,所述身份认证方法还包括:根据所述训练样本集,采用K-近邻算法对所述测试集中的数据进行预分类。
在一实施例中,利用所述识别模型对所述测试集进行识别,包括:
利用所述识别模型对经过预分类的所述测试集进行识别。
在一实施例中,所述身份认证方法还包括:利用主成分分析法对所述训练样本集及测试集进行降维处理。
在一实施例中,利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,包括:
通过格点寻优法在惩罚参数区间内选取多个惩罚参数C;
利用所述训练样本集,分别对选取的每个惩罚参数C对应的支持向量机分类器进行a折交叉验证,得到每个所述惩罚参数C对应的a个差错率,其中a为大于或等于2的正整数;
计算每个所述惩罚参数C对应的a个差错率的平均差错率,从所述平均差错率中选取最小平均差错率,以所述最小平均差错率对应的惩罚参数C作为最佳惩罚参数;
结合所述最佳惩罚参数,利用所述训练样本集对支持向量机分类器进行训练,获取所述识别模型,其中n为正整数。
在一实施例中,所述身份认证方法还包括:
利用所述测试集对所述识别模型进行b折交叉验证,得到所述测试集的匹配阈值,其中b为大于或等于2的正整数;
根据所述匹配阈值生成所述识别模型的ROC曲线;
根据所述ROC曲线,得到所述识别模型的EER值及AUC值;
根据所述EER值及AUC值对所述识别模型的识别效果进行评价。
在一实施例中,所述电磁波的频率大小介于9.6MHz~50MHz之间。
在一实施例中,所述支持向量机分类器的核函数为多项式函数。
本发明另一方面还提供了一种身份认证系统,所述身份认证系统包括:
S参数获取单元,用于向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数;
测试集生成单元,用于对所述S参数进行滤波并进行特征提取,获取所述S参数中的幅值信息、频率信息及相位信息中的至少一种,形成一测试集;
识别模型生成单元,用于利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数;
识别结果判断单元,用于利用所述识别模型对所述测试集进行识别,如果所述识别模型的输出结果为所述n个类别中的一个,则所述待识别对象通过认证。
在一实施例中,所述身份认证系统还包括一预分类单元,用于根据所述训练样本集,采用K-近邻算法对所述测试集中的数据进行预分类。
在一实施例中,所述识别结果判断单元还用于利用所述识别模型对经过预分类的所述测试集进行识别。
在一实施例中,所述身份认证系统还包括:一降维处理单元,用于利用主成分分析法对所述训练样本集及测试集进行降维处理。
在一实施例中,所述识别模型生成单元包括:
惩罚参数选取模块,用于通过格点寻优法在惩罚参数区间内选取多个惩罚参数C;
差错率生成模块,用于利用所述训练样本集,分别对选取的每个惩罚参数C对应的支持向量机分类器进行a折交叉验证,得到每个所述惩罚参数C对应的a个差错率,其中a为大于或等于2的正整数;
最佳惩罚参数获取模块,用于计算每个所述惩罚参数C对应的a个差错率的平均差错率,从所述平均差错率中选取最小平均差错率,以所述最小平均差错率对应的惩罚参数C作为最佳惩罚参数;
识别模型获取模块,用于结合所述最佳惩罚参数,利用所述训练样本集对支持向量机分类器进行训练,获取所述识别模型,其中n为正整数。
在一实施例中,所述身份认证系统还包括一识别效果评价单元,所述识别效果评价单元用于:
利用所述测试集对所述识别模型进行b折交叉验证,得到所述测试集的匹配阈值,其中b为大于或等于2的正整数;
根据所述匹配阈值生成所述识别模型的ROC曲线;
根据所述ROC曲线,得到所述识别模型的EER值及AUC值;
根据所述EER值及AUC值对所述识别模型的识别效果进行评价。
在一实施例中,所述电磁波的频率大小介于9.6MHz~50MHz之间。
在一实施例中,所述支持向量机分类器的核函数为多项式函数。
本发明利用不同的人体具有不同的电介质特性,以及同一人体不同部位具有不同的电介质特性,通过人体通信手段将人体的电介质特性进行采集转换并利用支持向量机分类器进行身份识别,具有天然的安全性。并且本发明具有普适性,利用本发明可对不同性别、身高、体重、年龄和种群的人进行身份认证。
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。
图1为本发明实施例身份认证方法的流程示意图;
图2A、图2B为本发明实施例两个不同的对象(A和B)的手臂电磁等效图;
图3为本发明实施例对象A及对象B的S参数相位特性谱图;
图4A为本发明实施例5个人的同一身体部位在不同频率下的S参数相位特性谱图;
图4B为本发明实施例对单个人的同一部位进行多次测量后所获得的S参数相位特性谱图;
图5为本发明实施例识别模型生成的流程示意图;
图6为本发明实施例对身份认证方法的识别效果进行评价的流程示意图;
图7为本发明实施例利用主成分分析法进行降维处理的流程示意图;
图8为本发明实施例身份认证系统a的结构示意图;
图9为本发明实施例识别模型生成单元30的结构示意图;
图10为本发明另一实施例身份认证系统b的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
人体身体部位由不同结构的皮肤、脂肪、骨骼和血液等组成,这些部位将综合表现为不同的电介质特性。本发明通过人体通信手段采集人体的电介质特性并转换成S参数以对人体进行身份识别。在获取不同频率电磁波下人体的S参数信息的基础上,采用何种身份认证算法进行快速、准确、轻量级的身份认证是本领域的关键问题。由于每个人体的生理构造不尽相同,决定了不同人体内的“生物密码”都不相同,给人体通信身份认证提供了依据,但同时也给人体通信身份认证带来了问题:如何对人体内的“生物密码”进行识别,以确保每个人的“生物密码”跟其他人的“生物密码”不同,同时确保每个人的“生物密码”不会因为外部环境的变化而改变,这就需要设计适合人体通信身份认证的识别算法。
本发明实施例提供了一种身份认证方法,如图1所示,该身份认证方法包括以下步骤:
步骤11、向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数。
图2A、图2B为本发明实施例两个不同的对象(A和B)的手臂电磁等效图。人的手臂被划分为五层,分别为皮肤层1、脂肪层2、肌肉层3、皮质骨层4和骨髓层5,不同个体的手臂等效五层结构不同,即每一层的厚度、形状均有差异。对比图2A和图2B可知,A的手臂比B的手臂脂肪层2的厚度更厚一些。
向A的手臂发射不同频率、不同幅度或不同调制方式的电磁波,获取不同频率的电磁波透过其手臂的多个S参数。同理,向B的手臂发射不同频率、不同幅度或不同调制方式的电磁波,获取不同频率的电磁波透过其手臂的多个S参数。以频率为横坐标,以S参数的幅值为纵坐标作图,可分别获取A及B的S参数相位特性谱图,如图3所示。从图3可以看出,A的手臂与B的手臂具有不同的S参数相位特性。
考虑到不同个体的身体结构的差异性及同一个体不同身体部位的差异性,可知不同个体的同一身体部位的S参数将会不同,同一个体的不同身体部位的S参数也不同,而对同一个体的同一身体部位进行多次测量,所获得的S参数基本相同。例如,图4A为本发明实施例5个人的同一身体部位在不同频率电磁波照射下所获得的S参数相位特性谱图。如图4A所示,不同个体的同一身体部位的S参数不同。图4B为本发明实施例对单个人的同一部位进行多次测量,所获得的S参数相位特性谱图。如图4B所示,利用不同频率的电磁波照射同一个人的同一个部位,多次测量所获得的S参数基本相同。
步骤12、对步骤11所获取的S参数进行滤波并进行特征提取,获取所述S参数中的幅值信息、频率信息及相位信息中的至少一种,形成一测试集。
具体实施时,在对步骤11中所获取的S参数进行特征提取之前,可对S参数进行滤波分析,滤除不需要的噪声信号,再对S参数进行特征提取操作,该特征可以是典型的幅值信息、频率信息及相位信息中的至少一种,也可以是对上述S参数进行二次计算的信息,例如将S参数转换为图谱后的信息。同时,也可以将S参数结合其他类型的生物特征进行身份识别,例如指纹信息。
步骤13、利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数。
具体实施时,可以按照图5所示步骤生成上述识别模型:
步骤131、通过格点寻优法在惩罚参数区间内选取多个惩罚参数C。
惩罚参数C的选取对识别模型的识别性能有较大的影响,具体实施时,为了得到合适的惩罚参数,以防止因惩罚参数的值选取不当而造成识别模型的置信风险过大,在格点寻优过程中设置惩罚参数的取值范围为[0.01,10],即在0.01至10之间选取惩罚参数,本发明不以此为限。
步骤132、利用所述训练样本集,分别对选取的每个惩罚参数C对应的支持向量机分类器进行a折交叉验证,得到每个所述惩罚参数C对应的a个差错率,其中a为大于或等于2的正整数。
上述训练样本集包含n个已知对象的S参数信息,例如S参数的幅值信息、频率信息及相位信息中的至少一种。
本发明仅以4折交叉验证为例对步骤132进行说明,但a的取值并不以此为限。
在利用4折交叉验证求取每个选取的惩罚参数C的差错率时,将上述训练样本集分成4份,轮流将其中的3份数据作为训练数据,剩余的1份作为测试数据,分别对所选取的每个惩罚参数C对应的支持向量机分类器进行4次试验,每次试验都会得出相应的差错率,最终可得到每个惩罚参数C对应的4个差错率。
步骤133、分别对各所述惩罚参数C对应的a个差错率取平均值,获取每个惩罚参数C对应的平均差错率,从所述平均差错率中选取最小平均差错率,以所述最小平均差错率对应的惩罚参数C作为最佳惩罚参数。
步骤134、结合所述最佳惩罚参数,利用所述训练样本集对支持向量机分类器进行训练,获取识别模型,其中n为正整数。
步骤14、利用上述识别模型对所述测试集进行识别,如果上述识别模型的输出结果为上述n个类别中的一个,则待识别对象通过认证。
在一实施例中,图1所示身份认证方法还包括一预分类处理步骤,根据上述训练样本集,采用K-近邻算法对上述测试集中的数据进行预分类,即对测试集中的数据进行分类整理,以获取测试集中的数据在训练样本集中所对应的类别。具体实施时,利用给定的训练样本集,对测试集中的任一待分类数据,在训练样本集中找到与该待分类数据最邻近的K个已知数据,在这K个已知数据的类别中,哪个属性类别所占比例最高,就把该待分类数据分为该类别。
利用K近邻算法可以将单次测量的属于同一待识别对象的S参数信息划分到通一个类别中,或者将多次测量的同一待识别对象的S参数信息划分到同一类别中,即完成对待识别对象的S参数信息的预分类。
在一实施例中,在对上述测试集进行上述预分类处理后,可以在步骤14中利用步骤13生成的识别模型对经过预分类的所述测试集进行识别。
在一实施例中,上述身份认证方法还包括识别效果评价步骤,具体实施时,可按照图6所示流程图对上述识别模型的识别效果进行评价。如图6所示,上述识别效果评价主要包括以下步骤:
步骤21、利用上述测试集对上述识别模型进行b折交叉验证,得到上述测试集的匹配阈值,其中b为大于或等于2的正整数。
步骤22、根据步骤21获得的匹配阈值生成上述识别模型的ROC曲线(ReceiverOperating Characteristic curve,受试者工作特征曲线)。
ROC曲线是以假阳性率(即1-特异度)为横坐标,以真阳性率(即灵敏度)为纵坐标绘制而成的曲线,对ROC曲线进行分析可对识别模型准确性进行评价。
步骤23、根据ROC曲线,得到上述识别模型的EER(Equal Error Rate,等错误率)值及AUC(Area Under the ROC curve,ROC曲线下面积)值。
步骤24、根据所述EER值及AUC值对所述识别模型的识别效果进行评价。当当EER值越小且AUC值越大时,上述识别模型的置信度越高。
在一实施例中,图1所示身份认证方法还包括一降维处理步骤,利用主成分分析法(Principal Component Analysis,PCA)对上述训练样本集及测试集进行降维处理,以降低上述识别模型的运算量,或者在进行预分类处理之前,降低K-近邻算法的运算量,如图7所示。
图7为本发明实施例采用主成分分析法对训练样本集及测试集进行降维处理的流程示意图。为便于理解本发明,本发明实施例仅以对10个测试对象进行识别为例进行说明,但并不以此为限。
对上述10个测试对象每人每次采集10组S参数信息,每天采集两次,一共采集三天,可获得600组S参数信息。类似地,再对上述10个测试对象每人每次采集10组S参数信息,每天采集两次,仅采集一天,共获得200组S参数信息。将上述10个测试对象的600组S参数信息作为训练样本集,并将200组S参数信息为测试集,以对该训练样本集及测试集进行降维处理为例,对降维处理步骤进行说明,具体包括以下步骤:
步骤31、以上述600组S参数信息作为训练样本集,其中每组S参数的维数为1301,构成训练样本矩阵XT:
XT=(x1,x2,...,x600)T (1)
步骤32、利用式(2)、式(3)分别计算上述训练样本矩阵的均值ψ和样本差值di:
di=xi-ψ,i=1,2,...,600 (3)
步骤33、利用上述样本差值构建协方差矩阵C:
其中A=(d1,d2,...d600) (4)
步骤34、求解上述协方差矩阵C的特征值λi、特征向量γi及特征空间ω。
步骤35、利用式(5)计算前N(N分别取10、20、30)个最大特征值对应的特征值贡献率:
步骤36、将训练样本矩阵投影到特征空间ω中,得到降维后的训练集XTN=ωTXT。
步骤37、以上述200组S参数信息作为测试集,构成测试样本矩阵ST,其中每组S参数的维数为1301,并将测试样本矩阵ST投影到上述特征空间ω中,得到降维后的测试集STN=ωTST,其中,测试样本矩阵ST为:
ST=(s1,s2,...,s200)T (6)
为了在降低维数的同时,仍保持较高的鉴别性能,对比利用上述识别模型对降维前后的训练样本集及测试集进行数据分析时所得的EER值、AUC值以及运算时间,可得表2所示数据。
表2降维前后的EER、AUC及运算时间
在表2中,特征维数为1301表示直接使用原始的600组S参数信息进行鉴别性能分析,特征维数为10、20、30分别表示采用主成分分析方法处理后数据的前10个、20个、30个主成分作为训练样本集进行鉴别性能分析,其对应的特征值贡献率分别是99.9958%、99.9994%、99.9997%。此外,表2中的运算时间包括支持向量机分类器的训练时间和测试时间。
从表2中可以看出,当支持向量机分类器分别采用多项式为核函数及采用径向基函数为核函数时,所得的EER值、AUC值及运算时间均存在差异。
当支持向量机分类器以多项式函数作为核函数时,使用主成分分析法对训练集及测试集进行降维,EER值仍保持在1%左右,当特征维数降到20时,EER值最低,为0.89%;在运算时间方面,维数为20和30时对应的运算时间约为降维前对应运算时间的1/6,而维数为10对应的运算时间约为降维前对应运算时间的1/3。
当支持向量机分类器以径向基函数作为核函数时,使用主成分分析法对训练样本集降维,EER值保持在4%左右,与降维前对应的EER值为1.58%相比,下降较多,当训练样本集的维数降到20时,其对应的EER值最低,为3.52%;在运算时间方面,降维后对应的三个运算时间相当,都约为降维前对应运算时间的1/8。
根据以上分析可知,在鉴别性能指标EER值、AUC值以及运算时间方面,使用主成分分析方法对训练集及测试集进行降维,并采用多项式函数为支持向量机分类器的核函数,可以在不降低识别效果的前提下有效地减少识别的运算时间。
在一实施例中,考虑到向待识别对象发射的电磁波在低频段时,所采集到的S参数不稳定的问题,本发明实施例中采用的S参数信息均为所发射的电磁波频率在9.6MHz至50MHz范围内时采集到的信息。
在一实施例中,上述支持向量机分类器的核函数为多项式函数。
本发明利用不同的人体具有不同的电介质特性,以及同一人体不同部位具有不同的电介质特性,通过人体通信手段将人体的电介质特性进行采集转换并利用支持向量机分类器进行身份识别,具有天然的安全性。并且本发明具有普适性,利用本发明可对不同性别、身高、体重、年龄和种群的人进行身份认证。进一步地,利用本法民可以快速的对待识别对象进行精确识别,大大提高了身份认证的效率。
基于与图1所示的身份认证方法相同的发明构思,本申请实施例还提供了一种身份认证系统,如下面实施例所述。由于该身份认证系统解决问题的原理与身份认证方法相似,因此该身份认证系统的实施可以参见身份认证方法的实施,重复之处不再赘述。
图8为本发明实施例身份认证系统a的结构示意图。如图8所示,身份认证系统a的包括:S参数获取单元10、测试集生成单元20、识别模型生成单元30及识别结果判断单元40。
S参数获取单元10,用于向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数。
在一实施例中,上述电磁波的频率大小介于9.6MHz~50MHz之间。
测试集生成单元20,用于对所述S参数进行滤波并进行特征提取,获取所述S参数中的幅值信息、频率信息及相位信息中的至少一种,形成一测试集。
识别模型生成单元30,用于利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数。
图9为识别模型生成单元30的结构示意图。如图9所示,识别模型生成单元30包括惩罚参数选取模块301、差错率生成模块302、最佳惩罚参数获取模块303及识别模型获取模块304。
惩罚参数选取模块301,用于通过格点寻优法在惩罚参数区间内选取多个惩罚参数C。
差错率生成模块302,用于利用所述训练样本集,分别对选取的每个惩罚参数C对应的支持向量机分类器进行a折交叉验证,得到每个所述惩罚参数C对应的a个差错率,其中a为大于或等于2的正整数。
最佳惩罚参数获取模块303,用于计算每个所述惩罚参数C对应的a个差错率的平均差错率,从所述平均差错率中选取最小平均差错率,以所述最小平均差错率对应的惩罚参数C作为最佳惩罚参数。
识别模型获取模块304,用于结合所述最佳惩罚参数,利用所述训练样本集对支持向量机分类器进行训练,获取所述识别模型,其中n为正整数。
识别结果判断单元40,用于利用所述识别模型对所述测试集进行识别,如果所述识别模型的输出结果为所述n个类别中的一个,则所述待识别对象通过认证。
在一实施例中,如图10所示,身份认证系统b还包括一预分类单元50,用于根据所述训练样本集,采用K-近邻算法对所述测试集中的数据进行预分类,识别结果判断单元40利用所述识别模型对经过预分类的测试集进行识别。
在一实施例中,身份认证系统b还包括一降维处理单元60,用于利用主成分分析法对所述训练样本集及测试集进行降维处理。
在一实施例中,身份认证系统b还包括一识别效果评价单元70,具体用于:
利用所述测试集对所述识别模型进行b折交叉验证,得到所述测试集的匹配阈值,其中b为大于或等于2的正整数,并根据所述匹配阈值生成所述识别模型的ROC曲线;其次根据所述ROC曲线,得到所述识别模型的EER值及AUC值;最后根据所述EER值及AUC值对所述识别模型的识别效果进行评价。
在一实施例中,上述支持向量机分类器采用多项式函数为核函数。
本发明利用不同的人体具有不同的电介质特性,以及同一人体不同部位具有不同的电介质特性,通过人体通信手段将人体的电介质特性进行采集转换并利用支持向量机分类器进行身份识别,具有天然的安全性。并且本发明具有普适性,利用本发明可对不同性别、身高、体重、年龄和种群的人进行身份认证。进一步地,利用本法民可以快速的对待识别对象进行精确识别,大大提高了身份认证的效率。
本发明中应用了具体实施例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (16)
1.一种身份认证方法,其特征在于,所述身份认证方法包括:
采用照射方式向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数;
对所述S参数进行滤波并进行特征提取,形成一测试集;该特征是幅值信息、频率信息及相位信息中的至少一种,或者是对上述S参数进行二次计算的信息,或者是将S参数结合其他类型的生物特征进行身份识别的信息;
利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数;
利用所述识别模型对所述测试集进行识别,如果所述识别模型的输出结果为所述n个类别中的一个,则所述待识别对象通过认证。
2.根据权利要求1所述的身份认证方法,其特征在于,所述身份认证方法还包括:根据所述训练样本集,采用K-近邻算法对所述测试集中的数据进行预分类。
3.根据权利要求2所述的身份认证方法,其特征在于,利用所述识别模型对所述测试集进行识别,包括:
利用所述识别模型对经过预分类的所述测试集进行识别。
4.根据权利要求1或2所述的身份认证方法,其特征在于,所述身份认证方法还包括:利用主成分分析法对所述训练样本集及测试集进行降维处理。
5.根据权利要求1所述的身份认证方法,其特征在于,利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,包括:
通过格点寻优法在惩罚参数区间内选取多个惩罚参数C;
利用所述训练样本集,分别对选取的每个惩罚参数C对应的支持向量机分类器进行a折交叉验证,得到每个所述惩罚参数C对应的a个差错率,其中a为大于或等于2的正整数;
计算每个所述惩罚参数C对应的a个差错率的平均差错率,从所述平均差错率中选取最小平均差错率,以所述最小平均差错率对应的惩罚参数C作为最佳惩罚参数;
结合所述最佳惩罚参数,利用所述训练样本集对支持向量机分类器进行训练,获取所述识别模型,其中n为正整数。
6.根据权利要求1所述的身份认证方法,其特征在于,所述身份认证方法还包括:
利用所述测试集对所述识别模型进行b折交叉验证,得到所述测试集的匹配阈值,其中b为大于或等于2的正整数;
根据所述匹配阈值生成所述识别模型的ROC曲线;
根据所述ROC曲线,得到所述识别模型的EER值及AUC值;
根据所述EER值及AUC值对所述识别模型的识别效果进行评价。
7.根据权利要求1所述的身份认证方法,其特征在于,所述电磁波的频率大小介于9.6MHz~50MHz之间。
8.根据权利要求1所述的身份认证方法,其特征在于,所述支持向量机分类器的核函数为多项式函数。
9.一种身份认证系统,其特征在于,所述身份认证系统包括:
S参数获取单元,用于采用照射方式向待识别对象发射不同频率的电磁波,并获取所述电磁波透过所述待识别对象的至少一个身体部位产生的多个S参数;
测试集生成单元,用于对所述S参数进行滤波并进行特征提取,形成一测试集;该特征是幅值信息、频率信息及相位信息中的至少一种,或者是对上述S参数进行二次计算的信息,或者是将S参数结合其他类型的生物特征进行身份识别的信息;
识别模型生成单元,用于利用包含n个已知对象的S参数信息的训练样本集对支持向量机分类器进行训练,生成包含n个类别的识别模型,每个所述类别中包含一个已知对象的所有S参数信息,其中n为正整数;
识别结果判断单元,用于利用所述识别模型对所述测试集进行识别,如果所述识别模型的输出结果为所述n个类别中的一个,则所述待识别对象通过认证。
10.根据权利要求9所述的身份认证系统,其特征在于,所述身份认证系统还包括一预分类单元,用于根据所述训练样本集,采用K-近邻算法对所述测试集中的数据进行预分类。
11.根据权利要求10所述的身份认证系统,其特征在于,所述识别结果判断单元还用于利用所述识别模型对经过预分类的所述测试集进行识别。
12.根据权利要求9或10所述的身份认证系统,其特征在于,所述身份认证系统还包括:一降维处理单元,用于利用主成分分析法对所述训练样本集及测试集进行降维处理。
13.根据权利要求9所述的身份认证系统,其特征在于,所述识别模型生成单元包括:
惩罚参数选取模块,用于通过格点寻优法在惩罚参数区间内选取多个惩罚参数C;
差错率生成模块,用于利用所述训练样本集,分别对选取的每个惩罚参数C对应的支持向量机分类器进行a折交叉验证,得到每个所述惩罚参数C对应的a个差错率,其中a为大于或等于2的正整数;
最佳惩罚参数获取模块,用于计算每个所述惩罚参数C对应的a个差错率的平均差错率,从所述平均差错率中选取最小平均差错率,以所述最小平均差错率对应的惩罚参数C作为最佳惩罚参数;
识别模型获取模块,用于结合所述最佳惩罚参数,利用所述训练样本集对支持向量机分类器进行训练,获取所述识别模型,其中n为正整数。
14.根据权利要求9所述的身份认证系统,其特征在于,所述身份认证系统还包括一识别效果评价单元,所述识别效果评价单元用于:
利用所述测试集对所述识别模型进行b折交叉验证,得到所述测试集的匹配阈值,其中b为大于或等于2的正整数;
根据所述匹配阈值生成所述识别模型的ROC曲线;
根据所述ROC曲线,得到所述识别模型的EER值及AUC值;
根据所述EER值及AUC值对所述识别模型的识别效果进行评价。
15.根据权利要求9所述的身份认证系统,其特征在于,所述电磁波的频率大小介于9.6MHz~50MHz之间。
16.根据权利要求9所述的身份认证系统,其特征在于,所述支持向量机分类器的核函数为多项式函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510553204.2A CN105184254B (zh) | 2015-09-02 | 2015-09-02 | 一种身份认证方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510553204.2A CN105184254B (zh) | 2015-09-02 | 2015-09-02 | 一种身份认证方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184254A CN105184254A (zh) | 2015-12-23 |
CN105184254B true CN105184254B (zh) | 2018-12-18 |
Family
ID=54906323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510553204.2A Active CN105184254B (zh) | 2015-09-02 | 2015-09-02 | 一种身份认证方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184254B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250857A (zh) * | 2016-08-04 | 2016-12-21 | 深圳先进技术研究院 | 一种身份识别装置及方法 |
CN106295300B (zh) * | 2016-08-15 | 2019-04-26 | 深圳先进技术研究院 | 一种穿戴式智能设备身份认证方法及装置 |
CN106618570B (zh) * | 2017-01-22 | 2019-08-20 | 深圳先进技术研究院 | 一种基于生物介电谱的皮肤生化指标检测方法及系统 |
CN106874958B (zh) * | 2017-02-28 | 2019-09-10 | 中南大学 | 一种基于经济型cpu平台的系统的数据处理方法 |
CN109117694A (zh) * | 2017-06-26 | 2019-01-01 | 刘风华 | 非接触识别人、动物和植物 |
CN108959866B (zh) * | 2018-04-24 | 2020-10-23 | 西北大学 | 一种基于高频声波频率的持续身份认证方法 |
CN109039643B (zh) * | 2018-06-28 | 2019-10-11 | 中南民族大学 | 一种基于电磁辐射的可持续用户身份认证方法及系统 |
CN110728168B (zh) * | 2018-07-17 | 2022-07-22 | 广州虎牙信息科技有限公司 | 部位识别方法、装置、设备及存储介质 |
CN111680622B (zh) * | 2020-06-05 | 2023-08-01 | 上海一由科技有限公司 | 一种基于托育环境的身份识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1410938A (zh) * | 2001-10-09 | 2003-04-16 | 比纹福股份有限公司 | 生物统计识别系统的验证技术 |
-
2015
- 2015-09-02 CN CN201510553204.2A patent/CN105184254B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1410938A (zh) * | 2001-10-09 | 2003-04-16 | 比纹福股份有限公司 | 生物统计识别系统的验证技术 |
Non-Patent Citations (3)
Title |
---|
Wearable biometric authentication based on human body communication;zedong Nie等;《2015 IEEE 12th International Conference on Wearable and Implantable Body Sensor Networks (BSN)》;IEEE;20150612;正文第2页第1栏-正文第3页第1栏,正文第4页 * |
基于kNN-SVM的手背静脉虹膜和指纹融合身份识别;袁臣虎等;《光电工程》;20130430;第40卷(第04期);第101-105页 * |
支持向量机在遥感影像分类中应用的若干研究—以宁波市城乡交错带地类变化为例;季敏燕;《中国优秀硕士学位论文全文数据库》;20120515(第05期);正文第9-10、19-20、3-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105184254A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184254B (zh) | 一种身份认证方法及系统 | |
Balakrishnan et al. | An embarking user friendly palmprint biometric recognition system with topnotch security | |
CN101246543B (zh) | 基于仿生与生物特征识别的考试者身份鉴定方法 | |
Fong et al. | A biometric authentication model using hand gesture images | |
US20100316263A1 (en) | Iris and ocular recognition system using trace transforms | |
Ashraf et al. | Multi-biometric sustainable approach for human appellative | |
Lamba et al. | Multimodal human eye blink recognition method using feature level fusion for exigency detection | |
Ashraf et al. | Iris and foot based sustainable biometric identification approach | |
CN108563939B (zh) | 基于步态轨迹曲线特征的人体身份识别 | |
CN106650685B (zh) | 一种基于心电图信号的身份识别方法及装置 | |
Sujithra et al. | Next generation biometric security system: An approach for mobile device security | |
KR100602526B1 (ko) | 가변 임계치를 이용한 실시간 홍채패턴 검증 방법 | |
Garg et al. | Biometric authentication using soft biometric traits | |
Bigun et al. | Combining biometric evidence for person authentication | |
Pandey et al. | IRIS based human identification: Analogizing and exploiting PSNR and MSE techniques using MATLAB | |
Li et al. | The evolution of biometrics | |
Yang et al. | Person authentication using finger snapping—a new biometric trait | |
Monwar | A Multimodal Biometric System based on Rank Level fusion. | |
Khadilkar et al. | Face identification based on discrete wavelet transform and neural networks | |
Manjunath et al. | Analysis of unimodal and multimodal biometric system using iris and fingerprint | |
Chauhan et al. | Study of ridge based and image based approach for fingerprint gender classification | |
Shubhangi et al. | Multi-biometric approaches to face and fingerprint biometrics | |
Gupta | Advances in multi modal biometric systems: a brief review | |
Genovese et al. | Advanced biometric technologies: emerging scenarios and research trends | |
Lv et al. | A novel identification approach for palm bio-impedance spectroscopy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |