CN105530095A - 一种用户身份认证的方法及装置 - Google Patents

Abstract

本发明公开了一种用户身份认证的方法及装置，通过加速度传感器获取待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据，基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合，根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，从而得到了基于终端检测用户做静态手势时的生理震动进行身份认证，其中，最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的，由于不同用户做静态手势时的生理震动特征具有差异，因此每个用户的最小分类超球面不同，能够实现用户身份认证的安全性。

Description

一种用户身份认证的方法及装置

技术领域

本发明涉及身份认证技术领域，尤其涉及一种用户身份认证的方法及装置。

背景技术

目前，在网络环境下，传统的身份认证技术通过鉴别用户名、密码、身份证、信用卡、智能卡等标识用户身份的事物来判定一个人的身份。但这些方法存在密码容易被遗忘、泄露和仿冒，智能卡等物品容易丢失、被盗窃等安全问题。为了解决安全性不高的问题，可以以每个人具有的惟一而且终生稳定的生物特征为依据,通过图像处理和模式识别技术来实现身份认证，进而提高身份认证的安全性。这些生物特征包括人脸、虹膜、指纹、掌纹、声音等生理特征，还包括签名、步态、语音等后天性的行为特征，以及他们之间的组合。

目前,终端中还可集成加速度传感器来获取用户的生物特征。比如，利用手机内置的加速度传感器可以获取用户的运动特征，比如肌肉震动规律。每个人的运动特征通常具有唯一性，但目前还缺少基于终端中的加速度传感器对用户的静态手势所产生的运动特征进行检测以进行身份认证的技术方案。

发明内容

本发明实施例提供一种用户身份认证的方法及装置，用以实现基于终端中的加速度传感器对用户的静态手势所产生的运动特征进行检测以进行身份认证。

本发明实施例一种用户身份认证的方法，包括：

获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据；

基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合；

根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，所述最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。实现了基于终端中的加速度传感器对用户的静态手势所产生的运动特征进行检测以进行身份认证。

进一步地，所述通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到所述最小分类超球面，包括：

获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据；

基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合；

根据所述多组特征向量集合，采用一类分类支持向量机OneClass-SVM，对所述最小分类超球面进行训练。实现了基于终端中的加速度传感器多次对合法用户的静态手势所产生的运动特征进行检测并得到训练的最小分类超球面以进行身份认证。

进一步地，所述加速度传感器检测加速度数据的过程，包括：

所述加速度传感器检测用户在连续时间长度内保持静态姿势时肌肉震动带动终端震动的震动信号；

所述加速度传感器根据检测到的震动信号生成所述震动信号在三维空间的加速度数据。实现了对用户的静态手势所产生的运动特征的采集。

进一步地，所述获取加速度传感器检测到的加速度数据，包括：

接收所述加速度传感器检测到的加速度数据；

根据设定时间窗口截取得到所述设定时间窗口内接收到的加速度数据，所述设定时间窗口的长度小于起始检测时刻到结束检测时刻之间的时间长度，且所述设定时间窗口的起始边界位于所述起始检测时刻之后，所述设定时间窗口的结束边界位于所述结束检测时刻之前。以减少检测震动信号的过程中开始和结束阶段的噪声信号的影响，得到一段稳定可靠的信号的加速度数据，能够提高身份认证的精度并降低匹配的数据量。

进一步地，基于高阶统计量对获得的加速度数据进行特征提取，包括：

根据获取到的所述加速度数据，计算得到三维空间内所述加速度数据的至少一个高阶谱；

根据得到的至少一个高阶谱，计算得到至少一个高阶谱的高阶统计量；

从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值。基于高阶统计量对获得的加速度数据进行特征提取，保证可较为精确地根据加速度数据提取特征信息。

进一步地，所述从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值，包括：

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的二阶谱，则分别提取以下高阶统计量为特征值：所述二阶谱的峰值频率f_max(PSD)、所述二阶谱未归一化的峰值max(PSD)、所述二阶谱未归一化的所有样本点数之和S(PSD)、所述二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、所述二阶谱归一化后的一阶谱矩m₁(PSD)、所述二阶谱归一化后的二阶谱矩m₂(PSD)、所述二阶谱归一化后的四阶谱矩m₄(PSD)、所述二阶谱比归一化后的最大值的0.05倍大的所有样本点数N_5％(PSD)、所述二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的三阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述三阶谱的对角切片未归一化峰值max(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)、所述三阶谱的对角切片归一化后的一阶谱矩m₁(diag|Bisp|)、所述三阶谱的对角切片归一化后的二阶谱矩m₂(diag|Bisp|)、所述三阶谱的对角切片归一化后的五阶谱矩m₅(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_95％(diag|Bisp|)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的四阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述四阶谱的对角切片未归一化的峰值max(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和S(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Trisp|)、所述四阶谱的对角切片归一化后的一阶谱矩m₁(diag|Trisp|)、所述四阶谱的对角切片归一化后的二阶谱矩m₂(diag|Trisp|)、所述四阶谱的对角切片归一化后的三阶谱矩m₃(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_5％(diag|Trisp|)。通过上述方式获取设定数量的特征值能有效识别用户的生理震动特征，以提高用户身份认证的安全性。

进一步地，所述根据所述特征向量集合以及身份认证模板对所述待认证用户进行身份认证，包括：

若分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面外，则用户身份认证失败；

若所述分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面内，则用户身份认证成功；

其中，所述分类器用于根据所述特征向量集合以及所述最小分类超球面对所述待认证用户进行身份认证。分类器根据最小分类超球面对待认证用户进行身份认证，实现了用户身份认证的安全性。

本发明实施例提供一种用户身份认证的装置，包括：

获取模块，用于获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据；

提取模块，应与基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合；

认证模块，用于根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，所述最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。实现了基于终端中的加速度传感器对用户的静态手势所产生的运动特征进行检测以进行身份认证。

进一步地，还包括训练模块，所述训练模块具体用于：

获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据；

基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合；

根据所述多组特征向量集合，采用一类分类支持向量机OneClass-SVM，对所述最小分类超球面进行训练。实现了基于终端中的加速度传感器多次对合法用户的静态手势所产生的运动特征进行检测并得到训练的最小分类超球面以进行身份认证。

进一步地，所述获取模块具体用于

接收所述加速度传感器检测到的加速度数据；

根据设定时间窗口截取得到所述设定时间窗口内接收到的加速度数据，所述设定时间窗口的长度小于起始检测时刻到结束检测时刻之间的时间长度，且所述设定时间窗口的起始边界位于所述起始检测时刻之后，所述设定时间窗口的结束边界位于所述结束检测时刻之前。以减少检测震动信号的过程中开始和结束阶段的噪声信号的影响，得到一段稳定可靠的信号的加速度数据，能够提高身份认证的精度并降低匹配的数据量。

进一步地，所述提取模块具体用于：

根据获取到的所述加速度数据，计算得到三维空间内所述加速度数据的至少一个高阶谱；

根据得到的至少一个高阶谱，计算得到至少一个高阶谱的高阶统计量；

从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值。基于高阶统计量对获得的加速度数据进行特征提取，保证可较为精确地根据加速度数据提取特征信息。

进一步地，所述提取模块具体用于：

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的二阶谱，则分别提取以下高阶统计量为特征值：所述二阶谱的峰值频率f_max(PSD)、所述二阶谱未归一化的峰值max(PSD)、所述二阶谱未归一化的所有样本点数之和S(PSD)、所述二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、所述二阶谱归一化后的一阶谱矩m₁(PSD)、所述二阶谱归一化后的二阶谱矩m₂(PSD)、所述二阶谱归一化后的四阶谱矩m₄(PSD)、所述二阶谱比归一化后的最大值的0.05倍大的所有样本点数N_5％(PSD)、所述二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的三阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述三阶谱的对角切片未归一化峰值max(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)、所述三阶谱的对角切片归一化后的一阶谱矩m₁(diag|Bisp|)、所述三阶谱的对角切片归一化后的二阶谱矩m₂(diag|Bisp|)、所述三阶谱的对角切片归一化后的五阶谱矩m₅(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_95％(diag|Bisp|)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的四阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述四阶谱的对角切片未归一化的峰值max(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和S(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Trisp|)、所述四阶谱的对角切片归一化后的一阶谱矩m₁(diag|Trisp|)、所述四阶谱的对角切片归一化后的二阶谱矩m₂(diag|Trisp|)、所述四阶谱的对角切片归一化后的三阶谱矩m₃(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_5％(diag|Trisp|)。通过上述方式获取设定数量的特征值能有效识别用户的生理震动特征，以提高用户身份认证的安全性。

进一步地，所述认证模块具体用于：

若分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面外，则用户身份认证失败；

若所述分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面内，则用户身份认证成功；

其中，所述分类器用于根据所述特征向量集合以及所述最小分类超球面对所述待认证用户进行身份认证。分类器根据最小分类超球面对待认证用户进行身份认证，实现了用户身份认证的安全性

上述实施例中，通过加速度传感器获取待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据，基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合，根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，从而得到了基于终端检测到的用户做静态手势时的生理震动进行身份认证。其中，最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的，由于不同用户做静态手势时的生理震动特征具有差异，因此每个用户的最小分类超球面不同，能够实现用户身份认证的安全性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种用户身份认证的方法流程图；

图2为本发明实施例提供的一种最小分类超球面的训练过程的方法流程图；

图3为本发明实施例提供的一种用户身份认证的装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。

如图1所示的本发明实施例提供的一种用户身份认证流程，该流程可在移动终端上执行，该移动终端上装配有运动加速度传感器。所述移动终端可包括智能手持设备，如智能手机、PDA等，还可包括智能可穿戴设备。如图1所示，该方法可包括以下步骤：

步骤101，获取加速度传感器检测到的加速度数据，加速度数据是加速度传感器检测到的待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据；

步骤102，基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合；

步骤103，根据特征向量集合以及最小分类超球面对待认证用户进行身份认证，最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。

加速度传感器为移动终端(如智能手持终端)中内置的加速度传感器，可以采集用户在手持智能设备时，保持静态姿势时肌肉震动带动终端震动的震动信号，并能够获得震动信号对应的加速度数据。比如，用户持手机保持手臂向前平举或者手臂弯曲处于视线正前方，保持这些静态姿势伴随着上肢肌肉震颤，只要手臂肘部不由身体支撑，上肢能产生明显的肌肉震颤，在保持这些静态姿势的过程中手机内置的加速度传感器便会采集肌肉震颤带动手机震动过程所产生的震动信号，并将采集的震动信号转换成加速度数据。

具体来说，加速度传感器检测用户在连续时间长度内保持静态姿势时肌肉震动带动终端震动的震动信号，根据检测到的震动信号生成震动信号在三维空间的加速度数据。比如，将加速传感器的采集频率设置为50HZ，用户手握手机按本人习惯做静态的认证手势，待手势稳定后，按下开始记录开关，加速度传感器开始记录数据，用户保持手势静止不变持续约10秒，手机身份认证系统通过加速度传感器的API(ApplicationProgramInterface，应用程序接口)接口实时接收整个过程产生的加速度数据。

为了减少检测震动信号的过程中开始和结束阶段的噪声信号的影响，可预先设置一时间窗口用来获取加速度传感器检测到的加速度数据，即，将在该时间窗口内获取到的加速度数据作为有效数据以用来作为身份认证的依据。这样，步骤101的实现过程可包括：接收加速度传感器检测到的加速度数据，根据设定时间窗口截取得到设定时间窗口内接收到的加速度数据，设定时间窗口的长度小于起始检测时刻到结束检测时刻之间的时间长度，且设定时间窗口的起始边界位于起始检测时刻之后，设定时间窗口的结束边界位于结束检测时刻之前。

比如，手机身份认证系统接收到的加速度数据为用户保持手势静止不变持续约10秒时加速度传感器采集的数据，为了获得稳定可靠的加速度数据，可以设置6秒的时间窗口，在10秒时间长度内的加速度数据中，将从开始记录2秒之前和结束记录前2秒时间段内的数据去除，留下中间6秒时间长度内的加速度数据作为有效加速度数据。也就是说将记录开始和结束时按下开始按钮和停止按钮带来较大噪声的不稳定信号的加速度数据去除，留下一段稳定可靠的信号的加速度数据。根据设定时间窗口截取得到设定时间窗口内接收到的加速度数据为有效加速度数据，能够提高身份认证的精度并降低匹配的数据量。

本发明实施例中，采用基于高阶统计量的方法对获得的加速度数据进行特征提取，以保证可较为精确地根据加速度数据提取特征信息。

较佳地，步骤102中，基于高阶统计量对获得的加速度数据进行特征提取，包括：

根据获取到的加速度数据，计算得到三维空间内加速度数据的至少一个高阶谱；根据得到的至少一个高阶谱，计算得到至少一个高阶谱的高阶统计量；从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值。

其中，所述至少一个高阶谱可以包括二阶谱、三阶谱、四阶谱，当然还可以包括其他组合情况。下面以计算得到三维空间内加速度数据的二阶谱、三阶谱、四阶谱，且以X坐标轴方向上的加速度数据序列为例为例，说明计算高阶统计量的步骤：

步骤一，对第一特征函数求偏导数，然后根据获取到的加速度数据X＝x(k)，计算X坐标轴方向上的有效加速度数据的一阶矩m_1x、二阶矩m_2x、三阶矩m_3x、四阶矩m_4x，其中，第一特征函数为：Φ(ω)＝E[exp(jω^Tx)]，式中的E[exp(jω^Tx)]为数学期望函数，j为虚数单位T为向量转置，τ₁,τ₂,...,τ_k-1为不同的时间偏移变量。得到的X方向上的有效加速度数据的一阶矩m_1x、二阶矩m_2x、三阶矩m_3x、四阶矩m_4x分别为：

m_1x＝E[x(k)]

m_2x(τ)＝E[x(k)x(k+τ)]

m_3x(τ₁,τ₂)＝E[x(k)x(k+τ₁)x(k+τ₂)]

m_4x(τ₁,τ₂,τ₃)＝E[x(k)x(k+τ₁)x(k+τ₂)x(k+τ₃)]

步骤二，对第二特征函数求偏导数，然后根据获取到的加速度数据X＝x(k)，计算X坐标轴方向上加速度数据的一阶累积量c_1x、二阶累积量c_2x、三阶累积量c_3x、四阶累计量c_4x，其中，第二特征函数为：Ψ(ω)＝lnΦ(ω)＝lnE[exp(jω^Tx)]，计算得到的X坐标轴方向上加速度数据的一阶累积量c_1x、二阶累积量c_2x、三阶累积量c_3x、四阶累计量c_4x分别为：

c_1x＝m_1x

$c_{2x}\left(\mathrm{\τ}\right)=m_{2x}\left(\mathrm{\τ}\right)-m_{1x}^2$

$c_{3x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2)=m_{3x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2)-m_{1x}[m_{2x}\left({\mathrm{\τ}}_1\right)+m_{2x}\left({\mathrm{\τ}}_2\right)+m_{2x}({\mathrm{\τ}}_2-{\mathrm{\τ}}_1)]+2m_{1x}^3$

$\begin{array}{c}{c}_{4x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2,{\mathrm{\τ}}_3)=m_{4x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2,{\mathrm{\τ}}_3)-m_{2x}\left({\mathrm{\τ}}_1\right)m_{2x}({\mathrm{\τ}}_3-{\mathrm{\τ}}_2)-m_{2x}\left({\mathrm{\τ}}_2\right)m_{2x}({\mathrm{\τ}}_3-{\mathrm{\τ}}_1)-m_{2x}\left({\mathrm{\τ}}_3\right)m_{2x}({\mathrm{\τ}}_2-{\mathrm{\τ}}_1)\\ -m_{1x}[m_{3x}({\mathrm{\τ}}_2-{\mathrm{\τ}}_1,{\mathrm{\τ}}_3-{\mathrm{\τ}}_1)+m_{3x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_{2.})+m_{3x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_{3.})+m_{3x}({\mathrm{\τ}}_2,{\mathrm{\τ}}_3)]+m_{1x}^2[m_{2x}\left({\mathrm{\τ}}_1\right)+m_{2x}\left({\mathrm{\τ}}_2\right)\\ +m_{2x}\left({\mathrm{\τ}}_3\right)+m_{2x}({\mathrm{\τ}}_3-{\mathrm{\τ}}_1)+m_{2x}({\mathrm{\τ}}_3-{\mathrm{\τ}}_2)m_{2x}({\mathrm{\τ}}_2-{\mathrm{\τ}}_1)]-6m_{1x}^4\end{array}$

步骤三，若上一步骤中的一阶累积量c_1x、二阶累积量c_2x、三阶累积量c_3x、四阶累计量c_4x满足绝对可和条件，则根据获取到的加速度数据X＝x(k)，计算X坐标轴方向上加速度数据的二阶谱、三阶谱、四阶谱。上述计算二阶谱、三阶谱、四阶谱的过程可根据统计规律进行，当高阶累积量满足绝对可和条件时，即则可得到高阶谱，高阶谱的计算公式可表示为：

$S_{k,x}({\mathrm{\ω}}_1,{\mathrm{\ω}}_2,...,{\mathrm{\ω}}_{k-1})=\underset{{\mathrm{\τ}}_1}{\mathrm{\Σ}}\underset{{\mathrm{\τ}}_2}{\mathrm{\Σ}}...\underset{{\mathrm{\τ}}_{k-1}}{\mathrm{\Σ}}{c}_{k,x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2,...,{\mathrm{\τ}}_{k-1})\exp \{-j{\mathrm{\ω}}^{T}T\}$

根据上述公式，二阶谱的计算公式为：

三阶谱的计算公式为： $S_{3,x}\left(\mathrm{\ω}\right)=\underset{-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{C}_{3,x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2)\exp (-\mathrm{j\ω\τ})$

四阶谱的计算公式为： $S_{4,x}\left(\mathrm{\ω}\right)=\underset{-\∞}{\overset{+\∞}{\mathrm{\Σ}}}{C}_{4,x}({\mathrm{\τ}}_1,{\mathrm{\τ}}_2,{\mathrm{\τ}}_3)\exp (-\mathrm{j\ω\τ})$

进一步地，可对上述计算公式进行简化。具体的，用X(ω_i)表示序列x的傅里叶变换，即X^*(ω_i)是X(ω_i)的复共轭数。则二阶谱(也称作功率谱)的计算公式可转换为：

PSD(x)＝X(ω₁)X^*(ω₁)

三阶谱(也称作双谱)的计算公式可替换为：

Bisp(x)＝X(ω₁)X(ω₂)X^*(ω₁+ω₂)

四阶谱(也称作三谱)的计算公式可替换为：

Trisp(x)＝X(ω₁)X(ω₂)X(ω₃)X^*(ω₁+ω₂+ω₃)

计算得到至少一个高阶谱后，需要进一步计算高阶统计量。本发明实施例中所用到的高阶统计量可包括以下几种：

第一种：高阶谱的峰值频率f_max(P)，例如，二阶谱的峰值频率f_max(PSD)；

第二种：二阶谱未归一化的峰值max(PSD)；或者，是三阶谱或以上更高阶的高阶谱的对角切片未归一化的峰值，例如，三阶谱的对角切片为归一化的峰值max(diag|Bisp|)、四阶谱的对角切片未归一化的峰值max(diag|Trisp|)；

第三种：二阶谱的未归一化的所有样本点数之和，或者三阶谱或以上更高阶的高阶谱的对角切片未归一化的所有样本点数之和，记为S(p)，其中，例如，二阶谱未归一化的所有样本点数之和S(PSD)、三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)；

第四种：二阶谱的未归一化的所有样本点数之和与未归一化的最大值的比值，或者三阶谱或以上更高阶的高阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值，记为S_r(p)，其中，例如，二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)；

第五种：二阶谱的归一化后的谱矩，或者三阶谱或以上更高阶的高阶谱的对角切片归一化后的谱矩，记为m_i(P)，i＝1～n，n为正整数；

具体的，对于高阶谱p_k，将其归一化得到P_k，例如，由归一化后的P_k可得如下谱矩：

一阶谱矩二阶谱矩三阶谱矩 $m_3\left(P\right)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(k-m_1)}^3{P}_k,$ 四阶谱矩 $m_4\left(P\right)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(k-m_1)}^4{P}_k,$ 五阶谱矩m₅(P)＝(1/m₂)^3/2m₃。

第六种：二阶谱比归一化后的最大值的α倍大的所有样本点数，或者三阶谱或以上更高阶的高阶谱的对角切片比归一化后的最大值的α倍大的所有样本点数，记为N_α(P)，0＜α＜1；

例如，取α＝0.05，二阶谱比归一化后的最大值的0.05倍大的所有样本点数为N_5％(PSD)，三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数为N_5％(diag|Bisp|)；

又如，取α＝0.95，二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数为N_95％(diag|Bisp|)。

计算得到高阶统计量之后，进一步地从得到的高阶谱的高阶统计量中提取设定数量的特征值。仍以高阶谱为二阶谱、三阶谱、四阶谱，以X方向上的加速度数据序列为例，根据以上6种高阶统计量，提取的高阶统计量特征值包括：

对于二阶谱，则分别提取以下高阶统计量为特征值：二阶谱的峰值频率f_max(PSD)、二阶谱未归一化的峰值max(PSD)、二阶谱未归一化的所有样本点数之和S(PSD)、二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、二阶谱归一化后的一阶谱矩m₁(PSD)、二阶谱归一化后的二阶谱矩m₂(PSD)、二阶谱归一化后的四阶谱矩m₄(PSD)、二阶谱比归一化后的最大值的0.05倍大的所有样本点数N_5％(PSD)、二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；

对于三阶谱的对角切片，则分别提取以下高阶统计量为特征值：三阶谱的对角切片未归一化峰值max(diag|Bisp|)、三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)、三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)、三阶谱的对角切片归一化后的一阶谱矩m₁(diag|Bisp|)、三阶谱的对角切片归一化后的二阶谱矩m₂(diag|Bisp|)、三阶谱的对角切片归一化后的五阶谱矩m₅(diag|Bisp|)、三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Bisp|)、三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_95％(diag|Bisp|)；

对于四阶谱的对角切片，则分别提取以下高阶统计量为特征值：四阶谱的对角切片未归一化的峰值max(diag|Trisp|)、四阶谱的对角切片未归一化的所有样本点数之和S(diag|Trisp|)、四阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Trisp|)、四阶谱的对角切片归一化后的一阶谱矩m₁(diag|Trisp|)、四阶谱的对角切片归一化后的二阶谱矩m₂(diag|Trisp|)、四阶谱的对角切片归一化后的三阶谱矩m₃(diag|Trisp|)、四阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Trisp|)、四阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_5％(diag|Trisp|)。

通过上述高阶统计量特征值提取过程可得到X坐标轴方向上的25个高阶统计量特征值，采用相同的方式可分别得到Y坐标轴方向和Z坐标轴方向上的25个高阶统计量特征值，每个特征值在不同坐标轴上都有各自不同的数值。

然后，可分别将X坐标轴方向、Y坐标轴方向、Z坐标轴方向上的加速度数据的25个高阶统计量特征值构成列向量，形成特征向量集合。

具体的，X坐标轴方向上的加速度数据得到的25个高阶统计量特征值组成的列向量为x＝{x₁,x₂,...,x₂₅}^T，Y坐标轴方向上的加速度数据得到的25个高阶统计量特征值组成的列向量为y＝{y₁,y₂,...,y₂₅}^T，Z坐标轴方向上的加速度数据得到的25个高阶统计量特征值组成的列向量为z＝{z₁,z₂,...,z₂₅}^T。然后，将列向量x＝{x₁,x₂,...,x₂₅}^T、列向量y＝{y₁,y₂,...,y₂₅}^T、列向量z＝{z₁,z₂,...,z₂₅}^T构成特征向量集合。

上述实施例中，通过加速度传感器获取待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据，基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合，根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，从而得到了基于终端检测用户做静态手势时的生理震动进行身份认证的技术方案，其中，最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的，由于不同用户做静态手势时的生理震动特征具有差异，因此每个用户的最小分类超球面不同，能够实现用户身份认证的安全性。

本发明实施例中，用于进行身份认证的最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。图2示出了一种最小分类超球面的训练过程，该过程可包括：

步骤201，获取加速度传感器检测到的加速度数据，加速度数据是加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据；

步骤202，基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合；

步骤203，根据多组特征向量集合，采用一类分类支持向量机(OneClass-SVM)，对最小分类超球面进行训练。

步骤201中，加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据的方法参照上述实施例步骤101。

步骤202中，基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合的方法参照步骤102，此处不再累述。

假如步骤201～步骤203中的多组为3组，则采用采用一类分类支持向量机对获得的三组特征向量集合进行训练得到最小分类超球面，具体的，先根据三组特征向量集合确定最小分类超球体，该最小分类超球体在空间上包含三组特征向量，且体积最小，该最小分类超球体的超球面即为用于身份认证的最小分类超球面。

为了实现错误划分与区域范围间的折中，可在OneClass-SVM训练得到最小分类超球面的过程进行优化，具体优化过程如下：

(1)引入松弛变量ξ_i，则最小分类超球面的表达式为：并使得下式满足||x_i-a||²≤R²+ξ_i，i＝1,2,...,N，ξ_i≥0，其中，C＞0为惩罚系数，是一个常数,用于控制对错分样本惩罚的程度。

(2)定义拉格朗日函数 $L=R^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i[R^2+{\mathrm{\ξ}}_i-(x_i^2-2a{x}_i+a^2)]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_i{\mathrm{\ξ}}_i,$ 其中，α_i≥0，γ_i≥0(i＝1,2,...,N)，α_i、γ_i为拉格朗日系数。

将上式分别对R和a求偏微分，并令其等于0，可得到如下优化方程：

$\underset{\mathrm{\α}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j(x_i,x_j)-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i(x_i,x_j)$

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1$

其中，0≤α_i≤C，i＝1,2,...,N。

(3)引入高斯径向基核函数得到对应的优化方程如下：

$\underset{\mathrm{\α}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i,x_j)$

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i=1$

其中，0≤α_i≤C，i＝1,2,...,N。

满足上式的α_i大部分为0，只有一小部分α_i≥0，那些不为零的α_i对应的样本点决定了超球体边界的构成，将这些不为零的α_i对应的样本点称为支持对象，设任一支持对象为x_s，则优化后的最小分类超球面为：

$R^2=K(x_s,x_s)-2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_s,x_i)+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)$

按照图2所示的方法获取最小分类超球面后，利用分类器对步骤102得到的特征向量集合进行身份认证，其中分类器中存储有步骤203训练得到的最小分类超球面，以使分类器根据特征向量集合以及最小分类超球面对待认证用户进行身份认证。

根据以上训练过程得到的最小分类超球面后，相应的，步骤103的身份认证过程包括：

若分类器判断所述特征向量集合中的特征向量位于最小分类超球面外，则用户身份认证失败；若所述分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面内，则用户身份认证成功。

其中，所述分类器用于根据所述特征向量集合以及所述最小分类超球面对所述待认证用户进行身份认证。特征向量集合中的特征向量位于最小分类超球面外，是指特征向量到最小分类超球面所在的最小分类超球体的球心的空间距离的平方f(z)大于R²。特征向量集合中的特征向量位于所述最小分类超球面内，是指特征向量到最小分类超球面所在的最小分类超球体的球心的空间距离的平方f(z)小于或等于R²。

f(z)的计算公式如下：

$f\left(z\right)=K(z,z)-2\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(z,x_i)+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)$

可选的，确定f(z)与R²之间的空间距离d，即特征向量到最小分类超球面所在的最小分类超球体的球心的距离的平方与R²的差值，d＝|f(z)-R²|，分类器根据特征向量集合中的特征向量以及最小分类超球面进行身份认证时，若判断d>0，则输出用户身份认证失败结果；若d≤0则输出用户身份认证成功消息。

在上述实施例的基础上，本发明实施例还提供了一种针对用户最小分类超球面的姿势匹配测试的方法。在用户认证的实际应用中，姿势匹配测试的目的是为了验证本实施例所提供的用户身份认证的安全性，使非合法用户本人的模仿姿势错误接受率(FalseAcceptanceRate，FAR)尽可能小，合法用户本人的认证姿势错误拒绝率(FalseRejectionRate，FRR)尽可能较低。

根据训练得到的最小分类超球面，进行姿势匹配测试具体过程如下：

合法用户持手机每天做20组认证姿势，每组认证姿势共执行5次得到100组认证姿势的加速度数据，根据这100组加速度数据和最小分类超球面计算姿势匹配测试中合法用户本人的认证姿势错误拒绝率。

选取10名非合法用户作为姿势匹配测试的实验人员，每名实验人员仔细观察合法用户的认证姿势动作，并手持同一手机模仿该合法用户执行10组认证姿势，最后得到100组模仿认证姿势的有效加速度数据，根据这10组认证姿势的100组加速度数据和最小分类超球面计算姿势匹配测试中非合法用户本人的模仿姿势错误接受率。

实验结果证明，采用本发明实施例提供的身份认证的方法，非合法用户仿冒和恶意模仿用户注册姿势时，成功率较低，而本人认证成功几率较高。也就是说，本发明实施例提供的身份认证的方法具有较高的安全性。

基于相同的技术构思，本发明实施例还提供一种用户身份认证的装置，这些装置的具体内容可参照上述方法实施例，在此不再赘述。

实施例2

如图3所示的本发明实施例提供的一种用户身份认证的装置，该装置包括：

获取模块301，用于获取加速度传感器检测到的加速度数据，加速度数据是加速度传感器检测到的待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据；

提取模块302，应与基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合；

认证模块303，用于根据特征向量集合以及最小分类超球面对待认证用户进行身份认证，最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。

较佳地，还包括训练模块，训练模块具体用于：

获取加速度传感器检测到的加速度数据，加速度数据是加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据；

基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合；

根据多组特征向量集合，采用一类分类支持向量机OneClass-SVM，对最小分类超球面进行训练。

较佳地，获取模块具体用于：

接收加速度传感器检测到的加速度数据；

根据设定时间窗口截取得到设定时间窗口内接收到的加速度数据，设定时间窗口的长度小于起始检测时刻到结束检测时刻之间的时间长度，且设定时间窗口的起始边界位于起始检测时刻之后，设定时间窗口的结束边界位于结束检测时刻之前。

较佳地，提取模块具体用于：

根据获取到的加速度数据，计算得到三维空间内加速度数据的至少一个高阶谱；

根据得到的至少一个高阶谱，计算得到至少一个高阶谱的高阶统计量；

从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值。

较佳地，提取模块具体用于：

若根据获取到的加速度数据，得到三维空间内加速度数据的二阶谱，则分别提取以下高阶统计量为特征值：二阶谱的峰值频率f_max(PSD)、二阶谱未归一化的峰值max(PSD)、二阶谱未归一化的所有样本点数之和S(PSD)、二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、二阶谱归一化后的一阶谱矩m₁(PSD)、二阶谱归一化后的二阶谱矩m₂(PSD)、二阶谱归一化后的四阶谱矩m₄(PSD)、二阶谱比归一化后的最大值的0.05倍大的所有样本点数N_5％(PSD)、二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；

若根据获取到的加速度数据，得到三维空间内加速度数据的三阶谱的对角切片，则分别提取以下高阶统计量为特征值：三阶谱的对角切片未归一化峰值max(diag|Bisp|)、三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)、三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)、三阶谱的对角切片归一化后的一阶谱矩m₁(diag|Bisp|)、三阶谱的对角切片归一化后的二阶谱矩m₂(diag|Bisp|)、三阶谱的对角切片归一化后的五阶谱矩m₅(diag|Bisp|)、三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Bisp|)、三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_95％(diag|Bisp|)；

若根据获取到的加速度数据，得到三维空间内加速度数据的四阶谱的对角切片，则分别提取以下高阶统计量为特征值：四阶谱的对角切片未归一化的峰值max(diag|Trisp|)、四阶谱的对角切片未归一化的所有样本点数之和S(diag|Trisp|)、四阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Trisp|)、四阶谱的对角切片归一化后的一阶谱矩m₁(diag|Trisp|)、四阶谱的对角切片归一化后的二阶谱矩m₂(diag|Trisp|)、四阶谱的对角切片归一化后的三阶谱矩m₃(diag|Trisp|)、四阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Trisp|)、四阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_5％(diag|Trisp|)。

较佳地，认证模块具体用于：

若分类器判断所述特征向量集合中的特征向量位于最小分类超球面外，则用户身份认证失败；

若所述分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面内，则用户身份认证成功；

其中，所述分类器用于根据所述特征向量集合以及所述最小分类超球面对所述待认证用户进行身份认证。

上述实施例中，通过加速度传感器获取待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据，基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合，根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，从而得到了基于终端检测用户做静态手势时的生理震动进行身份认证的技术方案，其中，最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的，由于不同用户做静态手势时的生理震动特征具有差异，因此每个用户的最小分类超球面不同，能够实现用户身份认证的安全性。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (13)

1.一种用户身份认证的方法，其特征在于，包括：

获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据；

基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合；

根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，所述最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。

2.如权利要求1所述的方法，其特征在于，所述通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到所述最小分类超球面，包括：

获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据；

基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合；

根据所述多组特征向量集合，采用一类分类支持向量机OneClass-SVM，对所述最小分类超球面进行训练。

3.如权利要求1或2所述的方法，其特征在于，所述加速度传感器检测加速度数据的过程，包括：

所述加速度传感器检测用户在连续时间长度内保持静态姿势时肌肉震动带动终端震动的震动信号；

所述加速度传感器根据检测到的震动信号生成所述震动信号在三维空间的加速度数据。

4.如权利要求1或2所述的方法，其特征在于，所述获取加速度传感器检测到的加速度数据，包括：

接收所述加速度传感器检测到的加速度数据；

根据设定时间窗口截取得到所述设定时间窗口内接收到的加速度数据，所述设定时间窗口的长度小于起始检测时刻到结束检测时刻之间的时间长度，且所述设定时间窗口的起始边界位于所述起始检测时刻之后，所述设定时间窗口的结束边界位于所述结束检测时刻之前。

5.如权利要求1或2所述的方法，其特征在于，基于高阶统计量对获得的加速度数据进行特征提取，包括：

根据获取到的所述加速度数据，计算得到三维空间内所述加速度数据的至少一个高阶谱；

根据得到的至少一个高阶谱，计算得到至少一个高阶谱的高阶统计量；

从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值。

6.如权利要求5所述的方法，其特征在于，所述从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值，包括：

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的二阶谱，则分别提取以下高阶统计量为特征值：所述二阶谱的峰值频率f_max(PSD)、所述二阶谱未归一化的峰值max(PSD)、所述二阶谱未归一化的所有样本点数之和S(PSD)、所述二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、所述二阶谱归一化后的一阶谱矩m₁(PSD)、所述二阶谱归一化后的二阶谱矩m₂(PSD)、所述二阶谱归一化后的四阶谱矩m₄(PSD)、所述二阶谱比归一化后的最大值的0.05倍大的所有样本点数N_5％(PSD)、所述二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的三阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述三阶谱的对角切片未归一化峰值max(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)、所述三阶谱的对角切片归一化后的一阶谱矩m₁(diag|Bisp|)、所述三阶谱的对角切片归一化后的二阶谱矩m₂(diag|Bisp|)、所述三阶谱的对角切片归一化后的五阶谱矩m₅(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_95％(diag|Bisp|)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的四阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述四阶谱的对角切片未归一化的峰值max(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和S(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Trisp|)、所述四阶谱的对角切片归一化后的一阶谱矩m₁(diag|Trisp|)、所述四阶谱的对角切片归一化后的二阶谱矩m₂(diag|Trisp|)、所述四阶谱的对角切片归一化后的三阶谱矩m₃(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_5％(diag|Trisp|)。

7.如权利要求1至6中任一项所述的方法，其特征在于，所述根据所述特征向量集合以及身份认证模板对所述待认证用户进行身份认证，包括：

若分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面外，则用户身份认证失败；

若所述分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面内，则用户身份认证成功；

其中，所述分类器用于根据所述特征向量集合以及所述最小分类超球面对所述待认证用户进行身份认证。

8.一种用户身份认证的装置，其特征在于，包括：

获取模块，用于获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的待认证用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据；

提取模块，应与基于高阶统计量对获得的加速度数据进行特征提取，得到特征向量集合；

认证模块，用于根据所述特征向量集合以及最小分类超球面对所述待认证用户进行身份认证，所述最小分类超球面是通过对合法用户在保持静态姿势时肌肉震动带动终端震动所产生的加速度数据进行训练得到的。

9.如权利要求8所述的装置，其特征在于，还包括训练模块，所述训练模块具体用于：

获取加速度传感器检测到的加速度数据，所述加速度数据是所述加速度传感器检测到的合法用户在保持静态姿势时肌肉震动带动终端震动所产生的多组加速度数据；

基于高阶统计量对获得的多组加速度数据进行特征提取，得到多组特征向量集合；

根据所述多组特征向量集合，采用一类分类支持向量机OneClass-SVM，对所述最小分类超球面进行训练。

10.如权利要求8或9所述的装置，其特征在于，所述获取模块具体用于

接收所述加速度传感器检测到的加速度数据；

根据设定时间窗口截取得到所述设定时间窗口内接收到的加速度数据，所述设定时间窗口的长度小于起始检测时刻到结束检测时刻之间的时间长度，且所述设定时间窗口的起始边界位于所述起始检测时刻之后，所述设定时间窗口的结束边界位于所述结束检测时刻之前。

11.如权利要求8或9所述的装置，其特征在于，所述提取模块具体用于：

根据获取到的所述加速度数据，计算得到三维空间内所述加速度数据的至少一个高阶谱；

根据得到的至少一个高阶谱，计算得到至少一个高阶谱的高阶统计量；

从得到的至少一个高阶谱的高阶统计量中提取设定数量的特征值。

12.如权利要求11所述的装置，其特征在于，所述提取模块具体用于：

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的二阶谱，则分别提取以下高阶统计量为特征值：所述二阶谱的峰值频率f_max(PSD)、所述二阶谱未归一化的峰值max(PSD)、所述二阶谱未归一化的所有样本点数之和S(PSD)、所述二阶谱未归一化的所有样本点数之和与未归一化的最大值的比值S_r(PSD)、所述二阶谱归一化后的一阶谱矩m₁(PSD)、所述二阶谱归一化后的二阶谱矩m₂(PSD)、所述二阶谱归一化后的四阶谱矩m₄(PSD)、所述二阶谱比归一化后的最大值的0.05倍大的所有样本点数N_5％(PSD)、所述二阶谱比归一化后的最大值的0.95倍大的所有样本点数N_95％(PSD)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的三阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述三阶谱的对角切片未归一化峰值max(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和S(diag|Bisp|)、所述三阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Bisp|)、所述三阶谱的对角切片归一化后的一阶谱矩m₁(diag|Bisp|)、所述三阶谱的对角切片归一化后的二阶谱矩m₂(diag|Bisp|)、所述三阶谱的对角切片归一化后的五阶谱矩m₅(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Bisp|)、所述三阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_95％(diag|Bisp|)；

若根据获取到的所述加速度数据，得到三维空间内所述加速度数据的四阶谱的对角切片，则分别提取以下高阶统计量为特征值：所述四阶谱的对角切片未归一化的峰值max(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和S(diag|Trisp|)、所述四阶谱的对角切片未归一化的所有样本点数之和与未归一化的最大值的比值S_r(diag|Trisp|)、所述四阶谱的对角切片归一化后的一阶谱矩m₁(diag|Trisp|)、所述四阶谱的对角切片归一化后的二阶谱矩m₂(diag|Trisp|)、所述四阶谱的对角切片归一化后的三阶谱矩m₃(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.05倍大的所有样本点数N_5％(diag|Trisp|)、所述四阶谱的对角切片比归一化后的最大值的0.95倍大的所有样本点数N_5％(diag|Trisp|)。

13.如权利要求8至12中任一项所述的装置，其特征在于，所述认证模块具体用于：

若分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面外，则用户身份认证失败；

若所述分类器判断所述特征向量集合中的特征向量位于所述最小分类超球面内，则用户身份认证成功；

其中，所述分类器用于根据所述特征向量集合以及所述最小分类超球面对所述待认证用户进行身份认证。