CN105208561A - 一种基于手机传感器的手机用户身份认证方法 - Google Patents

Abstract

本发明公开了一种基于手机传感器的手机用户身份认证方法，包括以下步骤，获得认证用户样本数据；加速度传感器采集当前用户晃动数据；对获得的数据进行特征向量提取；使用门限值的方法，利用认证用户样本数据对当前用户身份进行认证。本发明提供了一个新的认证用户样本数据筛选的方法，进行辅助实现用户认证工作。其特点是不需要采集非认证用户的晃动手势数据建立训练模型，使用门限值的方法对用户进行认证，可以很好的实现手机用户的安全认证工作。

Description

一种基于手机传感器的手机用户身份认证方法

技术领域

本发明属于无线传感器网络技术领域，尤其涉及一种基于手机传感器的手机用户身份认证方法。

背景技术

随着手机功能的扩展，手机已经成为实现多种功能的重要工具，越来越多的功能可以通过手机实现，如手机购物、移动定位、发送/接收电子邮件等。手机用户认证作为用来保护手机内容、远离非法操作的技术，始终是手机用户关注的重点。

现有的手机安全认证技术中，以密码和图形输入为代表的基于知识信息的手机认证方法是被广泛应用的身份认证方法。该方法简单易实现，但是为了提高安全级别，通常需要用户记忆较长的密码或复杂的图形信息，来实现用户安全认证。另外一些以指纹识别为代表的基于生物信息的手机认证方法也得到了应用。生物信息具有唯一性和便携性，可以提供唯一信息进行用户认证。但是，由于指纹识别需要特定的外部设备进行指纹采集，增加了手机的硬件成本，同时，指纹识别等基于生物图像信息的认证方法，需要手机提供大量的内存和能源支持，降低了智能手机的用户体验，并没有得到广泛应用。Sonypatentsfingerprintscreenscanforbiometricauthenticationofsmartphones.BiometricTechnologyToday.Volume2012,Issue4,April2012,Pages1,doi:10.1016/S0969-4765(12)70099-1.显示了新的可以用于指纹信息采集的屏幕，为不需外设的指纹识别提供了可能，但是目前并没有广泛的应用在手机设备。Real-TimeActivityClassificationUsingAmbientandWearableSensors[J].IEEETransactionson.InformationTechnologyinBiomedicine,2009,13(6),1031-1039.提出每个人具有独特的晃动手势，并且该晃动手势难以复制或模仿。用户的晃动动作往往同用户使用肌肉的习惯有关，受到用户健康状况、年龄状况、身高状况等用户生物条件的影响。同时，即使同一个人晃动手势捕捉到的数据也存在轻微的偏差。OpenSesame:Unlockingsmartphonethroughhandshakingbiometrics.ProceedingsofThe32ndIEEEInternationalConferenceonComputerCommunications,Turin,Italy,April,14-19,2013:365-369.提出了利用手机晃动数据进行用户认证的方法，但是需要采集认证用户和非认证用户的数据进行训练，并且使用支持向量机对用户进行分类，增加了手机计算难度。

以上的手机身份认证方法解决了进行用户认证的问题，但是存在如下几个问题：(a)PIN码、图形等方法需要用户对密码信息进行记忆；(b)指纹识别等方法需要智能手机进行硬件支持；(c)指纹识别等方法需要手机进行大量运算，影响手机运算效率。

发明内容

本发明的目的是提供一种操作简单、准确率高的，基于手机传感器的手机用户身份认证方法。

一种基于手机传感器的手机用户身份认证方法，包括以下步骤，

步骤一：获得认证用户样本数据；

步骤二：加速度传感器采集当前用户晃动数据；

步骤三：对获得的数据进行特征向量提取；

步骤四：使用门限值的方法，利用认证用户样本数据对当前用户身份进行认证。

本发明一种基于手机传感器的手机用户身份认证方法，还可以包括：

1、对数据进行特征向量提取的方法为：

(1)计算数据空间的中心C，随机选择N组数据空间中的点，每组两个点，计算每组点和C点组成的以C点为顶点的角度值，并将计算得到的角度值进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F1函数处理后的特征向量；

(2)在数据空间中，随机选择N组点，每组三个点，计算三点组成的角度值中的一个角，并将计算得到的角度值进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F2函数处理后的特征向量；

(3)并随机选择N个点，计算每个点到重心C的欧式距离，对得到的距离值向量进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F3函数处理后的特征向量；

(4)随机选择N对所选的空间点，计算每对点的欧式距离，构成N维向量，对得到的距离值向量进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F4函数处理后的特征向量。

2、认证用户样本数据的筛选方法为：

(1)获得认证用户的三次晃动加速度数据，提取特征向量；

(2)计算每两个向量间的相关系数，

C_αβ＝C(α，β)

其中C(α，β)是用来计算向量α和β相关系数的函数，α＝[α₁，α₂，，，α_n]^T,β＝[β₁，β₂，，，β_n]^T；

将相关系数与阈值进行比较，如果超过阈值则作为基础样本数据保存，否侧返回步骤(1)；(3)将基础样本数据向量求均值，求得样本数据。

3、利用认证用户样本数据对当前用户身份进行认证的方法为：

(1)将当前用户的特征向量与认证用户样本特征向量做差，得到差值向量；

(2)计算差值向量的方差；

(3)将得到的不同处理函数的方差值同对应的阈值进行比较，得到四个函数的判别结果，再根据联合判定算法，判定该用户是否为认证用户。

有益效果：

本发明提出的基于手势识别的手机安全认证技术，采用门限值的方法对用户进行认证。不需要采集所有可能用户的训练样本数据，只需采集认证用户的数据作为样本数据。

本发明提出了一个新的进行认证用户样本数据的筛选方法。帮助用户进行样本数据的确定。

附图说明

图1是本发明函数处理方法示意图；图1(a)为函数F1处理方法示意图，图1(b)为函数F2处理方法示意图,图1(c)为函数F3处理方法示意图,图1(d)为函数F4处理方法示意图；

图2是本发明函数处理后的特征向量示例图；图2(a)为函数F1处理后的特征向量示例图，图2(b)为函数F2处理后的特征向量示例图,图2(c)为函数F3处理后的特征向量示例图,图2(d)为函数F4处理后的特征向量示例图。

图3是本发明认证用户样本向量确定示例图。

图4为各函数阈值表。

图5为四个函数实验结果表。

图6为经联合判别算法的判别后的结果表。

具体实施方式

下面将结合附图对本发明做进一步详细说明。

本发明提出了一个基于用户生物特征信息进行用户身份认证的方法。智能手机的加速度传感器捕捉用户数据，利用用户晃动手势的不易复制性和简便性，经过函数变换，利用统计学方法，实现手机用户认证。

本发明的实现方案如下：

通过加速度传感器，记录用户的晃动数据；对晃动数据进行特征向量的提取；对认证用户的特征向量进行筛选，获得样本数据；将未知用户的特征向量同样本数据进行对比，得到差值向量，并计算方差值；将得到的方差值同对应的函数阈值进行对比，确定该未知用户是否为认证用户。

本发明的具体实现过程包括以下几个步骤：

步骤一：加速度传感器捕捉用户晃动数据

利用加速度传感器捕捉用户晃动手机的数据，用户可以根据自己的喜好晃动手机。加速度传感器设置为快速模式，记录加速度捕捉的数据，并保证捕捉到的加速度数据超过1000条。捕捉到的用户晃动动作加速度数据要求具有完整的周期。由用户的晃动数据构成的空间如图3所示。

步骤二：对加速度数据进行特征向量的提取

本发明利用四个函数进行特征向量的提取。

F1：计算重心C，随机选择N组数据空间中的点，每组两个点。计算每组点和C点组成的以C点为顶点的角度值，并将计算得到的角度值进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F1函数处理后的特征向量；

F2：在数据空间中，随机选择三个点为一组，选择N组。计算三点组成的角度值中的一个角，并将计算得到的角度值进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F2函数处理后的特征向量；

F3：计算的重心C，并随机选择N个点。计算每个点到重心C的欧式距离。对得到的距离值向量进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F3函数处理后的特征向量；

F4：随机选择N对所选的空间点，计算每对点的欧式距离。构成N维向量，对得到的距离值向量进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F4函数处理后的特征向量；

函数计算原理如图1所示。

对用户晃动加速度值进行后的数据如图2所示。

步骤三：对认证用户的特征样本数据进行筛选

1)获得认证用户的三次晃动加速度数据，并通过步骤二进行特征向量的提取；2)计算每两个向量间的相关系数，并判断相关系数值，是否超过0.98，若超过则作为基础样本数据保存，若不超过则重新采集认证用户晃动数据；3)将基础样本数据向量求均值，求得样本数据。样本数据的确定如图3所示。

步骤四：对未知用户数据进行比对处理，确定用户是否为认证用户

获取认证用户的样本数据和未知用户的特征向量数据，计算两向量之间的距离，得到距离向量，并计算该向量的方差值，同对应函数的阈值进行比较。各函数阈值如图4所示。

本发明步骤二中计算距离值和角度值的方法为：

空间中的三个点O(x₀，y₀，z₀),A(x₁，y₁，z₁),B(x₂，y₂，z₂).其欧式距离由下式给出：

$E\left(OA\right)=\sqrt{{(x_0-x_1)}^2+{(y_0-y_1)}^2+{(z_0-z_1)}^2}---\left(1\right)$

其中E(OA)是O点到A点的欧氏距离。

其角度值由下式给出：

$A(O,A,B)={\cos }^{-1}\left(\frac{E{\left(OA\right)}^2+E{\left(OB\right)}^2-E{\left(AB\right)}^2}{2\×E\left(OA\right)\×E\left(OB\right)}\right)---\left(2\right)$

其中A(O，A，B)是∠AOB的值.E(OA),E(OB),E(AB)是根据(1)式计算的两点间的.有向量f＝[p₁，p₂，，，p_n]^T

f_k＝Ker(f)(3)

f_k＝[q₁，q₂，，，q_n]^T。其中Ker(x)是计算向量核平滑密度估计。

本发明步骤三中计算相关系数的方法为：

有向量α＝[α₁，α₂，，，α_n]^T，β＝[β₁，β₂，，，β_n]^T,相关系数的计算方法如下式所示：

C_αβ＝C(α,β)(4)

其中C(α，β)是用来计算向量α和β相关系数的函数。

本发明步骤三中，相对系数大于0.98时，求得样本数据的方法为：

有三个认证用户的特征向量α＝[α₁，α₂，，，α_n]^T,β＝[β₁，β₂，，，β_n]^T,γ＝[γ₁，γ₂，，，γ_n]^T，分别计算C_αβ，C_βγ，C_αγ，则计算三个向量的均值，计算方法如下式所示：

$M(\mathrm{\α},\mathrm{\β},\mathrm{\γ})=\frac{1}{3}({\mathrm{\α}}_i+{\mathrm{\β}}_i+{\mathrm{\γ}}_i)---\left(5\right)$

M(α，β，γ)即为求得的三个向量的均值向量，即认证用户的样本数据；

本发明步骤四中，计算向量方差值的方法为：

有向量f₁＝[p₁，p₂，，，p_n]^T,向量f₂＝[q₁，q₂，，，q_n]^T.计算方差的方法如下式所示:

$V_{f_{12}}=Var(f_1-f_2)---\left(6\right)$

其中Var(f)为计算向量f的函数。即为向量f₁和向量f₂的差的方差值。

当使用F1、F2、F3和F4四个函数进行数据认证工作时，分别计算四个函数的认证结果，即得到四个判别结果。有如下两种情况，每种情况对应的判别方案为：(1)三个函数的判别结果一致，则认定判别结果为三个函数的判别结果。(2)四个函数中两个判别函数结果相同，另两个判别结果相同，则根据实验对应的不同函数的准确率，计算相同判别结果的准确率加和。最终的判别结果同准确率加和结果值比较大的结果一致。

一种利用手机加速度传感器捕捉用户晃动手势数据进行身份认证的方法：

1)利用智能手机中的加速度传感器采集用户晃动数据；

2)利用数据空间的点与点之间的关系进行数据特征提取；

3)采用认证用户样本数据筛选方法确定认证用户样本数据；

4)使用门限值的方法，利用非认证用户的晃动数据和认证用户的样本数据对用户身份进行认证。

所述的用加速度传感器捕捉用户晃动数据的方法是：1)利用智能手机的加速度传感器，记录用户晃动手机时的三轴加速度数据，得到用户晃动手机的加速度数据空间；

利用数据空间的点间角度和欧式距离长度进行数据特征提取的方法是：1)计算数据空间的中心点，得到中心点的坐标数据；2)随机选取两个数据空间中的点，计算以中心点为顶点的三点形成的角度，将计算得到的角度值进行核平滑密度估计处理，得到概率密度向量。作为提取特征；3)随机选取一个数据空间内的点，计算该点到中心点的欧氏距离；将距离值形成向量，对该向量进行核平滑密度估计处理，得到概率密度向量作为提取特征；4)随机选取数据空间的三个点，并随机选取这三点形成的一个角度；将计算得到的角度值进行核平滑密度估计处理，得到概率密度向量。作为提取特征；5)随机选取数据空间的两个点，并计算这两点间的距离，将距离值形成向量，对该向量进行核平滑密度估计处理，得到概率密度向量作为提取特征。

认证用户样本数据筛选方法为：1)获取认证用户三次晃动手机的晃动数据；2)对该三次晃动手机的晃动数据进行特征提取；3)计算每个特征向量同其他向量的相关系数；4)将每组特征向量的相关系数同0.98比较，若大于0.98，则认为可以作为基础样本数据；若小于0.98，则认为数据不准确，需要重新获取认证用户的样本数据；5)将获得的三个特征向量加和求平均值，得到样本数据；

认证用户方法为：1)获得非认证用户的特征向量和认证用户的样本向量；2)将两个特征向量做差，得到差值向量；3)计算获得的差值向量的方差；4)将得到的不同处理函数的方差值同对应的阈值进行比较，得到四个函数的判别结果，再根据联合判定算法，判定该用户是否为认证用户。

下面通过在Matlab仿真环境中实施本发明进行详细描述。

(1)检测实例

本发明的实施场景如下：

嵌有加速度传感器的智能手机

步骤二中的参数设定：

N值设定为300。

其中每个场景中本发明的实施步骤如下：

步骤一：加速度传感器捕捉用户晃动数据

采集了27名用户每人晃动2次的晃动数据作为非认证用户数据，5名用户每人晃动10次的晃动数据作为认证用户数据。每名用户的晃动动作的加速度点的采集数超过1000，加速度传感器设置为快速模式。

步骤二：对加速度数据进行特征向量的提取

利用函数，对采集到的用户数据进行处理，得到每名用户的四个函数的特征向量数据。

步骤三：对认证用户的特征样本数据进行筛选

对5名用户的10次晃动数据随机选取3个作为一组，选取10组，作为认证用户的基础样本数据。对每组基础样本数据进行认证用户的样本数据处理，提取出可以作为样本数据的数据。

步骤四：对未知用户数据进行比对处理，确定用户是否为认证用户

以获得的每组数据获得的样本数据同步骤三中选取剩余的7个个数据以及非认证用户组的特征数据进行差值计算、求方差，并将结果同表1中的数据进行对比，并对结果进行判断。同时根据四个函数的判别结果，使用联合判别算法，得到最终结果。

(2)实验及分析

本发明利用两个参数来评价发明的效率：1)认证识别率：将认证用户识别为认证用户的正确率；2)非认证识别率：将非认证用户识别为非认证用户的正确率；

根据上述两个衡量指标，将样本数据同认证用户组的剩余7个数据进行比对，得到认证识别率结果；将样本数据同非认证用户组的27个数据进行比对，得到非认证识别率结果。实验结果如图5所示。

实验结果显示，四个函数的认证识别率和非认证识别率均表现良好。其中F3具有最高的认证识别率和非认证识别率，均在90％以上。F1和F4的认证识别率和非认证识别率也表现良好，均大于80％。F2的认证识别率表现良好，大于80％，非认证识别率虽表现一般，但也超过了75％。总的来说，本发明对应的四个函数的认证识别率和非认证识别率表现良好。

根据上述四个函数的判别结果，使用联合判别算法对认证用户组和非认证用户组的数据进行判别。实验结果如图6所示。

实验结果显示，经联合判别算法的判别后，认证识别率和非认证识别率在90％上下浮动。认证识别率和非认证识别率均表现良好。

Claims (4)

1.一种基于手机传感器的手机用户身份认证方法，其特征在于：包括以下步骤，

步骤一：获得认证用户样本数据；

步骤二：加速度传感器采集当前用户晃动数据；

步骤三：对获得的数据进行特征向量提取；

步骤四：使用门限值的方法，利用认证用户样本数据对当前用户身份进行认证。

2.根据权利要求1所述的一种基于手机传感器的手机用户身份认证方法，其特征在于：所述的对数据进行特征向量提取的方法为：

(1)计算数据空间的中心C，随机选择N组数据空间中的点，每组两个点，计算每组点和C点组成的以C点为顶点的角度值，并将计算得到的角度值进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F1函数处理后的特征向量；

(2)在数据空间中，随机选择N组点，每组三个点，计算三点组成的角度值中的一个角，并将计算得到的角度值进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F2函数处理后的特征向量；

(3)并随机选择N个点，计算每个点到重心C的欧式距离，对得到的距离值向量进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F3函数处理后的特征向量；

(4)随机选择N对所选的空间点，计算每对点的欧式距离，构成N维向量，对得到的距离值向量进行核平滑密度估计处理，得到核平滑估计密度向量，该向量作为F4函数处理后的特征向量。

3.根据权利要求1所述的一种基于手机传感器的手机用户身份认证方法，其特征在于：所述的认证用户样本数据的筛选方法为：

(1)获得认证用户的三次晃动加速度数据，提取特征向量；

(2)计算每两个向量间的相关系数，

C_αβ＝C(α，β)

其中C(α，β)是用来计算向量α和β相关系数的函数，α＝[α₁，α₂，，，α_n]^T,β＝[β₁，β₂，，，β_n]^T；

将相关系数与阈值进行比较，如果超过阈值则作为基础样本数据保存，否侧返回步骤(1)；(3)将基础样本数据向量求均值，求得样本数据。

4.根据权利要求1所述的一种基于手机传感器的手机用户身份认证方法，其特征在于：所述的利用认证用户样本数据对当前用户身份进行认证的方法为：

(1)将当前用户的特征向量与认证用户样本特征向量做差，得到差值向量；

(2)计算差值向量的方差；

(3)将得到的不同处理函数的方差值同对应的阈值进行比较，得到四个函数的判别结果，再根据联合判定算法，判定该用户是否为认证用户。