CN106714163B - 一种基于姿势变化的手势行为认证模式的构建方法及系统 - Google Patents

Abstract

一种基于姿势变化的手势行为认证模式的构建方法及系统，包括：从移动终端接收通过其触摸屏采集的手势行为数据、以及通过移动终端的动作传感器收集的姿势行为数据；根据手势行为数据计算手势特征，并根据姿势行为数据计算姿势特征；对姿势特征进行聚类，以得到每个姿势特征的预测姿势标签；通过预测姿势标签将各姿势特征划分为K组，每组对应一个姿势；根据手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法。

Description

一种基于姿势变化的手势行为认证模式的构建方法及系统

技术领域

本发明涉及一种手势密码认证方法，特别是涉及一种基于姿势变化的手势行为认证模式的构建方法及系统。

背景技术

随着智能手机的普及，各式各样的移动应用大量出现，极大的方便和丰富了人们的日常生活。越来越多的人习惯于使用智能手机聊天、拍照、购物、娱乐等。手机不仅存储了用户的联系人、短信、照片和各类应用的账号信息，更可能存储了用户的银行账号信息。一旦手机丢失或者感染了恶意病毒，用户在手机上的隐私信息易被窃取，给用户造成损失。保护移动设备的信息安全已越来越引起人们的关注。目前常用的移动端认证方法主要有数字密码、手势密码、指纹、人脸、虹膜等。然而，数字密码和手势密码易被恶意软件窃取，且由于设置复杂的密码使用不便，很多用户设置的密码相对简单，易被破解。而指纹、虹膜认证需要额外的硬件支持，人脸认证则对前置摄像头要求相对较高，一些中低端和较早生产的机型无法使用。本专利旨在为传统的手势密码添加行为认证。用户输入手势密码时的手势行为(手指与触摸屏的交互行为)和姿势行为(用户所处的姿势)与用户的行为习惯密切相关，难以被模仿、盗用。通过由手机的触摸屏采集到的手势行为数据和方向、加速度传感器采集到的姿势行为数据，为用户输入手势密码时的手势和姿势行为建立行为认证模型，可用于提升手势密码认证的安全性。

综上，本传统技术利用手机触摸屏和手机方向、加速度传感器收集用户手势行为和姿势行为的数据，在用户输入手势密码时，除验证该手势密码与预设的手势密码相同外，无法使用其他识别及行为模型对用户的合法性进行进一步认证。现有技术存在认证模式单一、安全性较低的技术问题。

发明内容

鉴于以上现有技术的缺点，本发明的目的在于提供一种基于姿势变化的手势行为认证模式的构建方法及系统，用于解决现有技术的认证模式单一、安全性较低的技术问题。为实现上述目的及其他相关目的，本发明提供一种基于竞争的无线网络介质访问控制层接入方法及系统，包括：S1、从移动终端接收通过其触摸屏采集的手势行为数据、以及通过移动终端的动作传感器收集的姿势行为数据；S2、根据手势行为数据计算手势特征，并根据姿势行为数据计算姿势特征；S3、对姿势特征进行聚类，以得到每个姿势特征的预测姿势标签；S4、通过预测姿势标签将各姿势特征划分为K组，每组对应一个姿势；S5、根据手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法。

于本发明的一实施方式中，S1、从移动终端接收通过其触摸屏采集的手势行为数据、以及通过移动终端的动作传感器收集的姿势行为数据，包括：若用户使用手势密码登录，则利用手机触摸屏采集手指位置信息、压力、接触面积和时间戳；S12、利用手机的方向传感器来采集手机屏幕方向信息；用手机加速度传感器来采集手机加速度信息，作为用户的姿势行为数据。

于本发明的一实施方式中，S2、根据手势行为数据计算手势特征，并根据姿势行为数据计算姿势特征，包括：S21、根据预设逻辑从姿势行为数据中提取姿势特征信息和手势特征信息；S22、对每个特征都进行特征变换，即对于每个特征x，均使用公式：

(x_i-x_min)/(x_max-x_min)，

进行处理，其中x_i为当前特征，x_min为最小特征，x_max为最大特征；S23、根据预设逻辑对姿势行为特征信息和手势特征信息进行降维处理，处理得出特征向量；S24、根据预设向量逻辑将姿势特征信息处理为姿势特征分向量，将手势特征分向量处理为手势特征分向量； S25、计算手势特征分向量和姿势特征分向量，得出特征向量，形成特征向量集，每个特征向量对应一次手势密码输入。

于本发明的一实施方式中，S3、对姿势特征进行聚类，以得到每个姿势特征的预测姿势标签，包括：S31、根据特征信息，使用轮廓系数确定簇的个数K。簇与姿势类别一一对应；S32、根据预设逻辑计算得到簇的簇中心；S33、根据用户所有特征向量到其所属的簇中心的距离，按照公式：

计算阈值threshold，其中

为距离的平均值，var为距离的方差，a∈[1，5]，b∈[1，10]，a， b∈N*；S34、根据Kmeans方法，使用阈值threshold确定特征向量的所在的簇。

于本发明的一实施方式中，S4、通过预测姿势标签将各姿势特征划分为K组，每组对应一个姿势，包括：S41、经过姿势聚类得到每个特征向量的预测姿势标签，根据预测姿势标签可以将特征向量分为K个姿势标签组；S42、对每个姿势标签组对应的姿势训练得到一个手势认证子模型，手势认证子模型适于判定处于该姿势下的用户的手势行为是否合法。

于本发明的一实施方式中，S5、根据手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法，包括：S51、若有用户输入的手势密码与预设的手势密码相同，则使用采集到的行为数据计算出姿势特征和手势特征，计算姿势特征到K个簇中心的距离，取其中的最小值；S52、根据阈值threshold和最小值判断所述用户是否合法；S53、若最小值大于threshold，则认为当前用户的姿势不属于合法用户的姿势，判定该用户非法；S54、若最小值小于或等于threshold，则该最小值对应的姿势为当前用户的姿势，判定该用户合法；S55、取出该姿势所下的手势认证子模型判断用户的手势特征是否匹配；S56、若是，则判定为合法用户；S57、若否，则判定为非法用户。

于本发明的一实施方式中，一种基于基于姿势变化的手势行为认证模式的构建装置，用于为传统技术中的手势密码添加行为认证，包括：数据收集模块、特征提取模块、姿势聚类模块、手势认证子模型训练模块和密码输入认证模块；数据收集模块，用于利用手机触屏和传感器收集手势行为信息，数据收集模块由手机中安装的各类传感器组成；特征提取模块，用于根据预设逻辑处理手势行为信息，提取出特征信息，所述特征信息有不同的传感器分类别获得；姿势聚类模块，用于根据预设聚类逻辑聚类出姿势类别，姿势类别与不同用户姿势一一对应；手势认证子模型训练模块，用于根据预设训练逻辑训练出手势认证子模型，手势认证子模型与姿势标签组一一对应；密码输入认证模块，用于在用户输入密码时，则根据预设逻辑提取用户的手势特征，根据预设比较逻辑对比手势特征与手势认证子模型，得出行为认证结果。

于本发明的一实施方式中，数据收集模块，包括：触控收集模块、方向收集模块和加速度收集模块；触控收集模块，用于在用户使用手势密码登录时，则利用手机触摸屏采集手指位置信息、压力、接触面积和时间戳，在用户使用手势密码登录时，利用手机触摸屏采集手指位置的X、Y坐标、压力、接触面积和时间戳，作为用户的手势行为数据；方向收集模块，用于利用手机的方向传感器来采集手机屏幕方向信息，利用手机的方向传感器来采集手机屏幕方向的X、Y、Z坐标；加速度收集模块，用于使用手机加速度传感器来采集手机加速度信息，以及用手机加速度传感器来采集手机加速度的X、Y、Z坐标，作为用户的姿势行为数据。

于本发明的一实施方式中，特征信息提取模块，包括：特征提取模块、特征变换模块、降维处理模块、分向量计算模块和向量集模块；特征提取模块，用于根据预设逻辑从姿势行为数据中提取姿势特征信息和手势特征信息；特征变换模块，S、对每个特征都进行特征变换，即对于每个特征x，均使用公式：

(x_i-x_min)/(x_max-x_min)，

进行处理，其中x_i为当前特征，x_min为最小特征，x_max为最大特征；降维处理模块，用于根据预设逻辑对姿势行为特征信息和手势特征信息进行降维处理，处理得出特征向量；分向量计算模块，S、根据预设向量逻辑将姿势特征信息处理为姿势特征分向量，将手势特征分向量处理为手势特征分向量；向量集模块，计算手势特征分向量和姿势特征分向量，得出特征向量，形成特征向量集，每个特征向量对应一次手势密码输入。

于本发明的一实施方式中，姿势聚类模块，包括：簇个数确定模块、簇中心计算模块、阈值计算模块、特征向量聚类模块；簇个数确定模块，用于根据特征信息，使用轮廓系数确定簇的个数K。簇与姿势类别一一对应；簇中心计算模块，用于根据预设逻辑计算得到簇的簇中心；阈值计算模块，用于根据用户所有特征向量到其所属的簇中心的距离，按照公式：

计算阈值threshold，其中

为距离的平均值，var为距离的方差，a∈[，]，b∈[，0]，a，b∈N^*；特征向量聚类模块，用于根据Kmeans方法，使用阈值threshold确定特征向量的所在的簇。

于本发明的一实施方式中，手势认证子模型训练模块，包括：标签模块和模型训练模块；标签模块，用于通过姿势聚类得到每个特征向量的预测姿势标签，根据预测姿势标签可以将特征向量分为K个姿势标签组；模型训练模块，用于对每个姿势标签组对应的姿势训练得到一个手势认证子模型，手势认证子模型适于判定处于该姿势下的用户的手势行为是否合法。

于本发明的一实施方式中，密码输入认证模块，包括：最小值计算模块、姿势合法性判断模块、非法姿势判定模块、合法姿势判定模块、手势合法判断模块、合法手势判定模块、非法手势判定模块；最小值计算模块，用于在输入的手势密码与预设的手势密码相同时，使用采集到的行为数据计算出姿势特征和手势特征，计算姿势特征到K个簇中心的距离，取其中的最小值；姿势合法性判断模块，用于根据阈值threshold和最小值判断所述用户是否合法；非法姿势判定模块，用于在最小值大于threshold时，认为当前用户的姿势不属于合法用户的姿势，判定该用户非法；合法姿势判定模块，用于在最小值小于或等于threshold时，该最小值对应的姿势为当前用户的姿势，判定该用户合法；手势合法判断模块，用于取出该姿势所对应的手势认证子模型判断用户的手势特征是否匹配；合法手势判定模块，用于在用户的手势特征与手势认证子模型匹配时，判定所属用户为合法用户；非法手势判定模块，用于在用户的手势特征与手势认证子模型不匹配时，判定所属用户为非法用户。

如上所述，本发明提供的一种基于姿势变化的手势行为认证模式的构建方法及系统，具有以下有益效果：

本发明旨在为传统的手势密码添加行为认证。给出了一个姿势聚类算法。使用由手机方向、加速度传感器采集到用户姿势数据利用K-means算法和轮廓系数聚类出用户的姿势，并提出一种判定某姿势是否属于该用户的方法；为用户的每一个姿势分别训练一个手势认证子模型；给出了一个行为认证方法。该方法首先判定用户姿势是否合法，若合法则确定属于用户的某一种姿势，并利用该姿势下的手势认证子模型判定用户手势是否合法。用户输入手势密码时的手势行为(手指与触摸屏的交互行为)和姿势行为(用户所处的姿势)与用户的行为习惯密切相关，难以被模仿、盗用。通过由手机的触摸屏采集到的手势行为数据和方向、加速度传感器采集到的姿势行为数据，为用户输入手势密码时的手势和姿势行为建立行为认证模型，可用于提升手势密码认证的安全性。在用户使用手势密码登录时，除验证用户输入的手势密码与预设的手势密码是否相同外，可使用构建的行为认证模型对用户的手势和姿势行为进行认证，只有手势密码和行为认证模型均认证通过时才可正常登录。此方法不需要特殊硬件支持，只是对原有手势密码认证的改进，通过添加用户行为认证来提高安全性，无需用户进行额外学习和操作。提高了系统性能，解决了现有传统的手势密码安全性低，需要额外硬件支持的技术问题。

附图说明

图1显示本发明的一种基于竞争的无线网络介质访问控制层接入方法步骤示意图。

图2显示为本发明的向量信息处理步骤示意图。

图3显示为本发明的姿势聚类步骤示意图。

图4显示为本发明的手势认证子模型训练步骤示意图。

图5显示为本发明的认证方法步骤示意图。

图6显示为本发明的一种基于姿势变化的手势行为认证模式的构建装置模块示意图。

图7显示为本发明的数据收集模块示意图。

图8显示为本发明的特征信息提取模块示意图。

图9显示为本发明的姿势聚类模块示意图。

图10显示为本发明的手势认证子模型训练模块示意图

图11显示为本发明的密码输入认证模块示意图

元件标号说明

1 一种基于姿势变化的手势行为认证模式的构建装置

11 数据收集模块

12 特征信息提取模块

13 姿势聚类模块

14 手势认证子模型训练模块

15 密码输入认证模块

111 触控收集模块

112 方向收集模块

113 加速度收集模块

121 特征信息提取模块

122 特征变换模块

123 降维处理模块

124 分向量计算模块

125 向量集模块

131 簇个数确定模块

132簇中心计算模块

133 阈值计算模块

134 特征向量聚类模块

141 标签模块

142 模型训练模块

151 最小值计算模块

152 姿势合法性判断模块

153 非法姿势判定模块

154 合法姿势判定模块

155 手势合法判断模块

156 合法手势判定模块

157 非法手势判定模块

步骤标号说明

图1 S1～S5

图2 S21～S25

图3 S31～S34

图4 S41～S42

图5 S51～S57

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1至图11，须知，本说明书所附图式所绘示的结构，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如”上”、”下”、”左”、”右”、”中间”及”一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

请参阅图1，显示本发明的一种基于竞争的无线网络介质访问控制层接入方法步骤示意图，如图1所示，基于竞争的无线网络介质访问控制层接入方法包括：S1、从移动终端接收通过其触摸屏采集的手势行为数据、以及通过移动终端的动作传感器收集的姿势行为数据，智能手机内部安装有如加速度传感器，方向传感器和压力传感器，本发明通过这些传感器手机安全验证已经模型建立所需原始数据；S2、根据手势行为数据计算手势特征，并根据姿势行为数据计算姿势特征，本方法将获取的方向向量信息分为手势行为数据和姿势行为信息，生成两个分向量；S3、对姿势特征进行聚类，以得到每个姿势特征的预测姿势标签；S4、通过预测姿势标签将各姿势特征划分为K组，每组对应一个姿势，该模型首先使用K-means算法聚类出用户的姿势；S5、根据手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法，确定一个阈值用于判定某个姿势是否属于该用户，最后对用户的每个姿势分别使用one-class SVM算法构建手势认证子模型。利用手机触摸屏和手机方向、加速度传感器收集用户手势行为和姿势行为的数据，使用这些行为数据构建行为认证模型。在用户输入手势密码时，除验证该手势密码与预设的手势密码相同外，可使用上述行为模型对用户的合法性进行进一步认证。为此给出的技术方案为：在用户使用手势密码进行登录时，首先判定输入的手势密码是否与预设的手势密码相同：若不同，则判定为非法用户；若相同，则利用采集到的用户行为数据生成特征向量，然后根据姿势特征分向量判断出当前用户的姿势是否属于合法用户：若不属于，则判定为非法用户；若属于，则判定当前姿势属于合法用户的某种姿势，之后使用该姿势下的手势认证子模型来判定用户手势行为的合法性，得到最终的判定结果。

从移动终端接收通过其触摸屏采集的手势行为数据、以及通过移动终端的动作传感器收集的姿势行为数据，包括：若用户使用手势密码登录，则利用手机触摸屏采集手指位置信息、压力、接触面积和时间戳；利用手机的方向传感器来采集手机屏幕方向信息；用手机加速度传感器来采集手机加速度信息，作为用户的姿势行为数据。在用户使用手势密码登录时，利用手机触摸屏采集手指位置的X、Y坐标、压力、接触面积和时间戳，作为用户的手势行为数据。同时，利用手机的方向传感器来采集手机屏幕方向的X、Y、Z坐标，以及用手机加速度传感器来采集手机加速度的X、Y、Z坐标，作为用户的姿势行为数据。

请参阅图2，显示为本发明的向量信息处理步骤示意图，如图2所示，S2、根据手势行为数据计算手势特征，并根据姿势行为数据计算姿势特征，包括：S21、根据预设逻辑从姿势行为数据中提取姿势特征信息和手势特征信息；S22、对每个特征都进行特征变换，即对于每个特征x，均使用公式：

(x_i-x_min)/(x_max-x_min)，

进行处理，其中x_i为当前特征，x_min为最小特征，x_max为最大特征，其中姿势特征包括手机屏幕方向的X、Y坐标的平均值、方差、极差；手机在X、Y、Z方向上的加速度的平均值、方差、极差；手机屏幕方向的X、Y坐标组成的时间序列与其对应参考时间序列间的距离，手势特征包括：压力、接触面积的平均值、方差、最大值、最小值；手势的总持续时间；相邻时间戳间平均速度的平均值、方差、最大值、最小值；起始位置、中间位置、终止位置处的手指X、Y坐标、压力、接触面积；压力、接触面积取最大、最小值的时刻在总时间中的位置；手指X、Y坐标、压力、接触面积组成的时间序列与其对应参考时间序列间的距离；手指相邻时间戳间的平均速度组成的时间序列与其对应参考时间序列间的距离；由于不同的特征对应的取值范围不相同，可能对后续的算法产生干扰，我们对每个特征都进行特征变换，即对于每个特征x，均使用公式(x_i-x_min)/(x_max-x_min)进行处理，使得所有特征均处于 [0，1]；S23、根据预设逻辑对姿势行为特征信息和手势特征信息进行降维处理，处理得出特征向量，为了减少数据中冗余信息对算法的干扰，以及加快模型的训练速度，我们采用主成分分析算法(PCA)对特征向量进行处理，以降低特征向量的维度。因需区分手势特征和姿势特征，故应分别对姿势特征组成的特征向量和手势特征组成的特征向量进行降维处理；S24、根据预设向量逻辑将姿势特征信息处理为姿势特征分向量，将手势特征分向量处理为手势特征分向量，经过对特征的计算和处理，将特征向量的集合记为

n为特征向量的个数。其中每个特征向量

对应于一次手势密码的输入操作，其由姿势特征分向量

和手势特征分向量

组成，即

S25、计算手势特征分向量和姿势特征分向量，得出特征向量，形成特征向量集，每个特征向量对应一次手势密码输入。

请参阅图3，显示为本发明的姿势聚类步骤示意图，如图3所示，包括：S31、根据特征信息，使用轮廓系数确定簇的个数K。簇与姿势类别一一对应，由于用户姿势的个数是不可知的，因此我们使用轮廓系数(Silhouette Coefficient)来确定簇的个数K值(即用户姿势的个数)将K值从2增加到6，对于每个K值分别进行聚类并计算轮廓系数，取使轮廓系数最大的K值为最终K值；S32、根据预设逻辑计算得到簇的簇中心，用K-means算法聚类可计算出每个特征向量所属的簇，同时得到K个簇中心。这K个簇分别对应用户的K个姿势。特征向量与哪个簇中心的欧几里得距离最小，则该特征向量就属于这个个簇；S33、根据用户所有特征向量到其所属的簇中心的距离，按照公式：

计算阈值threshold，其中

为距离的平均值，var为距离的方差，a∈[1，5]，b∈[1，10]，a， b∈N*；S34、根据Kmeans方法，使用阈值threshold确定特征向量的所在的簇，为了判定某一特征向量是否属于该用户，我们计算出一个阈值，记为threshold。该阈值反应属于该用户的特征向量到其所属簇中心距离的最大值，当某一特征向量到各个簇中心的距离的最小值仍大于该threshold时，我们认为该特征向量不属于该用户。threshold的计算方法如下：分别计算该用户所有特征向量到其所属的簇中心的距离，并计算这些距离的平均值

和方差var，为确定a与b，我们令a从1增加到5，b从1增加到10，实验发现当a＝3，b＝7时效果最好。

请参阅图4，显示为本发明的手势认证子模型训练步骤示意图，如图4所示，S4、通过预测姿势标签将各姿势特征划分为K组，每组对应一个姿势，包括：S41、经过姿势聚类得到每个特征向量的预测姿势标签，根据预测姿势标签可以将特征向量分为K个姿势标签组，即划分为K个姿势；S42、对每个姿势标签组对应的姿势训练得到一个手势认证子模型，手势认证子模型适于判定处于该姿势下的用户的手势行为是否合法，训练手势认证子模型时使用特征向量中的手势特征分向量

由于用户的手机上只有本用户的行为信息，或者只有少量的非法用户的行为信息，且用户设置的手势密码多种多样，即使在服务器端也不能保证可以找到设置了同样手势密码的用户的行为信息。因此，在绝大多数情况下，我们无法获得训练该用户手势认证子模型的负样本。因此，我们使用one-class SVM算法来训练手势认证子模型。

请参阅图5，显示为本发明的认证方法步骤示意图，如图5所示，S5、根据手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法，包括：S51、在用户输入手势密码时，采集用户手势行为数据和姿势行为数据，首先验证用户输入的手势密码是否与预设的手势密码是否相同，若有用户输入的手势密码与预设的手势密码相同，则使用采集到的行为数据计算出姿势特征和手势特征，计算姿势特征到K 个簇中心的距离，取其中的最小值；S52、根据阈值threshold和最小值判断所述用户是否合法；S53、若最小值大于threshold，则认为当前用户的姿势不属于合法用户的姿势，判定该用户非法；S54、若最小值小于或等于threshold，则该最小值对应的姿势为当前用户的姿势，判定该用户合法；S55、取出该姿势所下的手势认证子模型判断用户的手势特征是否匹配；S56、若是，则判定为合法用户；S57、若否，则判定为非法用户。计算姿势特征到K个簇中心的距离，取其中的最小值。若该值大于threshold，则认为当前用户的姿势不属于合法用户的姿势，判定该用户非法。若小于或等于threshold，则该最小值对应的姿势为当前用户的姿势。取出该姿势所对应的手势认证子模型对用户的手势特征进行判定，从而得到最终的判定结果。

请参阅图6，显示为本发明的一种基于姿势变化的手势行为认证模式的构建装置模块示意图，如图6所示，一种基于姿势变化的手势行为认证模式的构建装置1，用于为传统技术中的手势密码添加行为认证，包括：数据收集模块11、特征提取模块12、姿势聚类模块13、手势认证子模型训练模块14和密码输入认证模块15；数据收集模块11，用于利用手机触屏和传感器收集手势行为信息，从移动终端接收通过其触摸屏采集的手势行为数据、以及通过移动终端的动作传感器收集的姿势行为数据，智能手机内部安装有如加速度传感器，方向传感器和压力传感器，本发明通过这些传感器手机安全验证已经模型建立所需原始数据；特征提取模块12，用于根据预设逻辑处理手势行为信息，提取出特征信息，根据手势行为数据计算手势特征，并根据姿势行为数据计算姿势特征，本方法将获取的方向向量信息分为手势行为数据和姿势行为信息，生成两个分向量；姿势聚类模块13，用于对姿势特征进行聚类，以得到每个姿势特征的预测姿势标签；手势认证子模型训练模块14，用于通过预测姿势标签将各姿势特征划分为K组，每组对应一个姿势，该模型首先使用K-means算法聚类出用户的姿势；密码输入认证模块l5，用于在用户输入密码时，则根据预设逻辑提取用户的手势特征，根据预设比较逻辑对比手势特征与手势认证子模型，得出行为认证结果，根据手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法，确定一个阈值用于判定某个姿势是否属于该用户，最后对用户的每个姿势分别使用one-class SVM算法构建手势认证子模型。利用手机触摸屏和手机方向、加速度传感器收集用户手势行为和姿势行为的数据，使用这些行为数据构建行为认证模型。在用户输入手势密码时，除验证该手势密码与预设的手势密码相同外，可使用上述行为模型对用户的合法性进行进一步认证。为此给出的技术方案为：在用户使用手势密码进行登录时，首先判定输入的手势密码是否与预设的手势密码相同：若不同，则判定为非法用户；若相同，则利用采集到的用户行为数据生成特征向量，然后根据姿势特征分向量判断出当前用户的姿势是否属于合法用户：若不属于，则判定为非法用户；若属于，则判定当前姿势属于合法用户的某种姿势，之后使用该姿势下的手势认证子模型来判定用户手势行为的合法性，得到最终的判定结果。

请参阅图7，显示为本发明的数据收集模块示意图，如图7所示，数据收集模块11包括：触控收集模块111、方向收集模块112和加速度收集模块113；触控收集模块111，用于若用户使用手势密码登录，则利用手机触摸屏采集手指位置信息、压力、接触面积和时间戳；方向收集模块112，用于利用手机的方向传感器来采集手机屏幕方向信息，利用手机的方向传感器来采集手机屏幕方向信息；用手机加速度传感器来采集手机加速度信息，作为用户的姿势行为数据。在用户使用手势密码登录时，利用手机触摸屏采集手指位置的X、Y坐标、压力、接触面积和时间戳，作为用户的手势行为数据；加速度收集模块113，用于使用手机加速度传感器来采集手机加速度信息，作为用户的姿势行为数据。

请参阅图8，显示为本发明的特征信息提取模块示意图，如图8所示，特征信息提取模块12包括：特征提取模块121、特征变换模块122、降维处理模块123、分向量计算模块124和向量集模块125；特征提取模块121，用于根据预设逻辑从姿势行为数据中提取姿势特征信息和手势特征信息；特征变换模块122，用于对每个特征都进行特征变换，即对于每个特征x，均使用公式：

(x_i-x_min)/(x_max-x_min)，

进行处理，其中x_i为当前特征，x_min为最小特征，x_max为最大特征，其中姿势特征包括手机屏幕方向的X、Y坐标的平均值、方差、极差；手机在X、Y、Z方向上的加速度的平均值、方差、极差；手机屏幕方向的X、Y坐标组成的时间序列与其对应参考时间序列间的距离，手势特征包括：压力、接触面积的平均值、方差、最大值、最小值；手势的总持续时间；相邻时间戳间平均速度的平均值、方差、最大值、最小值；起始位置、中间位置、终止位置处的手指X、Y坐标、压力、接触面积；压力、接触面积取最大、最小值的时刻在总时间中的位置；手指X、Y坐标、压力、接触面积组成的时间序列与其对应参考时间序列间的距离；手指相邻时间戳间的平均速度组成的时间序列与其对应参考时间序列间的距离；由于不同的特征对应的取值范围不相同，可能对后续的算法产生干扰，我们对每个特征都进行特征变换，即对于每个特征x，均使用公式(x_i-x_min)/(x_max-x_min)进行处理，使得所有特征均处于[0，1]；降维处理模块123，用于根据预设逻辑对姿势行为特征信息和手势特征信息进行降维处理，处理得出特征向量，为了减少数据中冗余信息对算法的干扰，以及加快模型的训练速度，我们采用主成分分析算法(PCA)对特征向量进行处理，以降低特征向量的维度。因需区分手势特征和姿势特征，故应分别对姿势特征组成的特征向量和手势特征组成的特征向量进行降维处理；分向量计算模块124，用于根据预设向量逻辑将姿势特征信息处理为姿势特征分向量，将手势特征分向量处理为手势特征分向量，经过对特征的计算和处理，将特征向量的集合记为

n为特征向量的个数。其中每个特征向量

对应于一次手势密码的输入操作，其由姿势特征分向量

和手势特征分向量

组成，即

向量集模块125用于计算手势特征分向量和姿势特征分向量，得出特征向量，形成特征向量集，每个特征向量对应一次手势密码输入。

请参阅图9，显示为本发明的姿势聚类模块示意图，如图9所示，姿势聚类模块13包括：簇个数确定模块131、簇中心计算模块132、阈值计算模块133、特征向量聚类模块 134；簇个数确定模块131，用于根据特征信息，使用轮廓系数确定簇的个数K。簇与姿势类别一一对应，由于用户姿势的个数是不可知的，因此我们使用轮廓系数(SilhouetteCoefficient)来确定簇的个数K值(即用户姿势的个数)将K值从2增加到6，对于每个K 值分别进行聚类并计算轮廓系数，取使轮廓系数最大的K值为最终K值；簇中心计算模块 132，根据预设逻辑计算得到簇的簇中心，用K-means算法聚类可计算出每个特征向量所属的簇，同时得到K个簇中心。这K个簇分别对应用户的K个姿势。特征向量与哪个簇中心的欧几里得距离最小，则该特征向量就属于这个个簇；阈值计算模块133，用于根据用户所有特征向量到其所属的簇中心的距离，按照公式：

计算阈值threshold，其中

为距离的平均值，var为距离的方差，a∈[1，5]，b∈[1，10]，a， b∈N*；特征向量聚类模块134，用于根据Kmeans方法，使用阈值threshold确定特征向量的所在的簇，为了判定某一特征向量是否属于该用户，我们计算出一个阈值，记为threshold。该阈值反应属于该用户的特征向量到其所属簇中心距离的最大值，当某一特征向量到各个簇中心的距离的最小值仍大于该threshold时，我们认为该特征向量不属于该用户。threshold的计算方法如下：分别计算该用户所有特征向量到其所属的簇中心的距离，并计算这些距离的平均值

和方差var，为确定a与b，我们令a从1增加到5，b从1增加到10，实验发现当 a＝3，b＝7时效果最好。

请参阅图10，显示为本发明的手势认证子模型训练模块示意图，如图10所示，手势认证子模型训练模块14包括：标签模块141和模型训练模块142；标签模块141，用于经过姿势聚类得到每个特征向量的预测姿势标签，根据预测姿势标签可以将特征向量分为K个姿势标签组，即划分为K个姿势；模型训练模块142，用于对每个姿势标签组对应的姿势训练得到一个手势认证子模型，手势认证子模型适于判定处于该姿势下的用户的手势行为是否合法，训练手势认证子模型时使用特征向量中的手势特征分向量

由于用户的手机上只有本用户的行为信息，或者只有少量的非法用户的行为信息，且用户设置的手势密码多种多样，即使在服务器端也不能保证可以找到设置了同样手势密码的用户的行为信息。因此，在绝大多数情况下，我们无法获得训练该用户手势认证子模型的负样本。因此，我们使用one-class SVM算法来训练手势认证子模型。

请参阅图11，显示为本发明的密码输入认证模块示意图，如图11所示，手势认证子模型训练模块15包括：最小值计算模块151、姿势合法性判断模块152、非法姿势判定模块153、合法姿势判定模块154、手势合法判断模块155、合法手势判定模块156、非法手势判定模块157；最小值计算模块151，用于在用户输入手势密码时，采集用户手势行为数据和姿势行为数据，首先验证用户输入的手势密码是否与预设的手势密码是否相同，若有用户输入的手势密码与预设的手势密码相同，则使用采集到的行为数据计算出姿势特征和手势特征，计算姿势特征到K个簇中心的距离，取其中的最小值；姿势合法性判断模块152，用于根据阈值threshold和最小值判断所述用户是否合法；非法姿势判定模块153，用于在最小值大于threshold时，则认为当前用户的姿势不属于合法用户的姿势，判定该用户非法；合法姿势判定模块154，用于在最小值小于或等于threshold时，则该最小值对应的姿势为当前用户的姿势，判定该用户合法；手势合法判断模块155，用于取出该姿势所下的手势认证子模型判断用户的手势特征是否匹配；合法手势判定模块156，用于在用户的手势特征与手势认证子模型匹配时，判定所属用户为合法用户；非法手势判定模块157，用于在用户的手势特征与手势认证子模型不匹配时，判定为非法用户，取出该姿势所对应的手势认证子模型对用户的手势特征进行判定，从而得到最终的判定结果。

综上所述，本发明利用手机触摸屏和手机方向、加速度传感器收集用户手势行为和姿势行为的数据，使用这些行为数据构建行为认证模型。该模型首先使用K-means算法聚类出用户的姿势，同时确定一个阈值用于判定某个姿势是否属于该用户，最后对用户的每个姿势分别使用one-class SVM算法构建手势认证子模型。在用户输入手势密码时，除验证该手势密码与预设的手势密码相同外，可使用上述行为模型对用户的合法性进行进一步认证。为此给出的技术方案为：在用户使用手势密码进行登录时，首先判定输入的手势密码是否与预设的手势密码相同：若不同，则判定为非法用户；若相同，则利用采集到的用户行为数据生成特征向量，然后根据姿势特征分向量判断出当前用户的姿势是否属于合法用户：若不属于，则判定为非法用户；若属于，则判定当前姿势属于合法用户的某种姿势，之后使用该姿势下的手势认证子模型来判定用户手势行为的合法性，得到最终的判定结果，具有很高的商业价值和实用性。

Claims (10)

1.一种基于姿势变化的手势行为认证模式的构建方法，其特征在于，包括：

从移动终端接收通过其触摸屏采集的手势行为数据，以及通过所述移动终端的动作传感器收集的姿势行为数据；

根据所述手势行为数据计算手势特征，并根据所述姿势行为数据计算姿势特征；

对所述姿势特征进行聚类，以得到每个姿势特征的预测姿势标签；

通过所述预测姿势标签将各所述姿势特征划分为K组，每组对应一个姿势；

根据所述手势行为数据对每个姿势类别分别训练一个手势认证子模型，供验证处于一姿势下的用户手势行为是否合法，若有用户输入的手势密码与预设的手势密码相同，则使用采集到的行为数据计算出姿势特征和手势特征，计算姿势特征到K个簇中心的距离，取其中的最小值；

根据阈值threshold和所述最小值判断所述用户是否为合法用户；

若所述最小值大于所述threshold，则认为当前用户的姿势不属于合法用户的姿势，判定该用户非法；

若所述最小值小于或等于所述threshold，则该最小值对应的姿势为当前用户的姿势，判定该用户合法；

取出该所述姿势所下的所述手势认证子模型判断用户的手势特征是否匹配；

若是，则判定为合法用户；

若否，则判定为非法用户。

2.根据权利要求1所述的方法，其特征在于，所述从移动终端接收通过其触摸屏采集的手势行为数据、以及通过所述移动终端的动作传感器收集的姿势行为数据，包括：若用户使用手势密码登录，则利用手机触摸屏采集手指位置信息、压力、接触面积和时间戳；利用手机的方向传感器来采集手机屏幕方向信息；用手机加速度传感器来采集手机加速度信息，作为用户的姿势行为数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述手势行为数据计算手势特征，并根据所述姿势行为数据计算姿势特征，包括：

根据预设逻辑从所述姿势行为数据中提取姿势特征信息和手势特征信息；

对每个特征都进行特征变换，即对于每个特征x，均使用公式：

(x_i-x_min)/(x_max-x_min)，

进行处理，其中x_i为当前特征，x_min为最小特征，x_max为最大特征；

根据预设逻辑对所述姿势行为特征信息和所述手势特征信息进行降维处理，处理得出特征向量；

根据预设向量逻辑将所述姿势特征信息处理为姿势特征分向量，将所述手势特征分向量处理为手势特征分向量；

计算所述手势特征分向量和所述姿势特征分向量，得出特征向量，形成特征向量集，每个所述特征向量对应一次手势密码输入。

4.根据权利要求1所述的方法，其特征在于，所述对所述姿势特征进行聚类，以得到每个姿势特征的预测姿势标签，包括：

根据所述特征信息，使用轮廓系数确定簇的个数K，所述簇与所述姿势类别一一对应；

根据预设逻辑计算得到所述簇的簇中心；

根据用户所有特征向量到其所属的所述簇中心的距离，按照公式：

计算阈值threshold，其中

为所述距离的平均值，var为所述距离的方差，a∈[1，5]，b∈[1，10]，a，b∈N^*；

根据Kmeans方法，使用所述阈值threshold确定所述特征向量的所在的所述簇。

5.根据权利要求1或4所述的方法，其特征在于，通过所述预测姿势标签将各所述姿势特征划分为K组，每组对应一个姿势，包括：

经过姿势聚类得到每个特征向量的预测姿势标签，根据所述预测姿势标签可以将所述特征向量分为K个姿势标签组；

对每个所述姿势标签组对应的姿势训练得到一个手势认证子模型，所述手势认证子模型适于判定处于该姿势下的用户的手势行为是否合法。

6.一种基于姿势变化的手势行为认证模式的构建装置，其特征在于，用于为传统技术中的手势密码添加行为认证，包括：数据收集模块、特征信息提取模块、姿势聚类模块、手势认证子模型训练模块和密码输入认证模块；

数据收集模块，用于利用手机触屏和传感器收集手势行为信息；

特征信息提取模块，用于根据预设逻辑处理所述手势行为信息，提取出特征信息；

姿势聚类模块，用于根据预设聚类逻辑聚类出姿势类别，所述姿势类别与不同用户姿势一一对应；

手势认证子模型训练模块，用于根据预设训练逻辑训练出手势认证子模型，所述手势认证子模型与所述姿势标签组一一对应；

密码输入认证模块，用于在用户输入密码时，则根据预设逻辑提取用户的手势特征，根据预设比较逻辑对比所述手势特征与所述手势认证子模型，得出行为认证结果，所述密码输入认证模块，包括：最小值计算模块、姿势合法性判断模块、非法姿势判定模块、合法姿势判定模块、手势合法判断模块、合法手势判定模块、非法手势判定模块；

最小值计算模块，用于在输入的手势密码与预设的手势密码相同时，使用采集到的行为数据计算出姿势特征和手势特征，计算姿势特征到K个簇中心的距离，取其中的最小值；

姿势合法性判断模块，用于根据阈值threshold和所述最小值判断所述用户是否合法；

非法姿势判定模块，用于在所述最小值大于threshold时，认为当前用户的姿势不属于合法用户的姿势，判定该用户非法；

合法姿势判定模块，用于在所述最小值小于或等于threshold时，该最小值对应的姿势为当前用户的姿势，判定该用户合法；

手势合法判断模块，用于在所述最小值小于或等于threshold时，判定该最小值对应的姿势为当前用户的姿势后，取出该所述姿势所对应的所述手势认证子模型判断用户的手势特征是否匹配；

合法手势判定模块，用于在所述用户的所述手势特征与所述手势认证子模型匹配时，判定所属用户为合法用户；

非法手势判定模块，用于在所述用户的所述手势特征与所述手势认证子模型不匹配时，判定所属用户为非法用户。

7.根据权利要求6所述的装置，其特征在于，所述数据收集模块，包括：触控收集模块、方向收集模块和加速度收集模块；

触控收集模块，用于在用户使用手势密码登录时，则利用手机触摸屏采集手指位置信息、压力、接触面积和时间戳；

方向收集模块，用于利用手机的方向传感器来采集手机屏幕方向信息；

加速度收集模块，用于使用手机加速度传感器来采集手机加速度信息，作为用户的姿势行为数据。

8.根据权利要求7所述的装置，其特征在于，所述特征信息提取模块，包括：特征提取模块、特征变换模块、降维处理模块、分向量计算模块和向量集模块；

特征提取模块，用于根据预设逻辑从所述姿势行为数据中提取姿势特征信息和手势特征信息；

特征变换模块，对每个特征都进行特征变换，即对于每个特征x，均使用公式：

(x_i-x_min)/(x_max-x_min)，

进行处理，其中x_i为当前特征，x_min为最小特征，x_max为最大特征；

降维处理模块，根据预设逻辑对所述姿势行为特征信息和所述手势特征信息进行降维处理；

分向量计算模块，根据预设向量逻辑将所述姿势特征信息处理为姿势特征分向量，将所述手势特征分向量处理为手势特征分向量；

向量集模块，计算所述手势特征分向量和所述姿势特征分向量，得出特征向量，形成特征向量集，每个所述特征向量对应一次手势密码输入。

9.根据权利要求6所述的装置，其特征在于，所述姿势聚类模块，包括：簇个数确定模块、簇中心计算模块、阈值计算模块、特征向量聚类模块；

簇个数确定模块，用于根据所述特征信息，使用轮廓系数确定簇的个数K，所述簇与所述姿势类别一一对应；

簇中心计算模块，用于根据预设逻辑计算得到所述簇的簇中心；

阈值计算模块，用于根据用户所有特征向量到其所属的所述簇中心的距离，按照公式：

计算阈值threshold，其中

为所述距离的平均值，var为所述距离的方差，a∈[1，5]，b∈[1，10]，a，b∈N^*；

特征向量聚类模块，用于根据Kmeans方法，使用所述阈值threshold确定所述特征向量的所在的所述簇。

10.根据权利要求6或9所述的装置，其特征在于，所述手势认证子模型训练模块，包括：标签模块和模型训练模块；

标签模块，用于通过姿势聚类得到每个特征向量的预测姿势标签，根据所述预测姿势标签可以将所述特征向量分为K个姿势标签组；

模型训练模块，用于对每个所述姿势标签组对应的姿势训练得到一个手势认证子模型，所述手势认证子模型适于判定处于该姿势下的用户的手势行为是否合法。

Images