CN106850955A - 一种基于步态识别的手机身份验证方法 - Google Patents
一种基于步态识别的手机身份验证方法 Download PDFInfo
- Publication number
- CN106850955A CN106850955A CN201611186703.3A CN201611186703A CN106850955A CN 106850955 A CN106850955 A CN 106850955A CN 201611186703 A CN201611186703 A CN 201611186703A CN 106850955 A CN106850955 A CN 106850955A
- Authority
- CN
- China
- Prior art keywords
- gait
- acceleration
- signal
- mobile phone
- vector
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72463—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions to restrict the functionality of the device
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3226—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using a predetermined code, e.g. password, passphrase or PIN
- H04L9/3231—Biological data, e.g. fingerprint, voice or retina
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于步态识别的手机身份验证方法。其实现方案是:先采集步态信号并变换、处理,然后提取步态周期和步态模式,确定特征向量矩阵后进行识别和验证步态。本发明通过对坐标系的转换,解决了手机在方向和位置上的不稳定性;通过消除噪声分量使得步态验证的准确性有所提高。
Description
技术领域
本发明涉及通信安全身份验证和生物特征识别领域,尤其涉及一种基于步态识别的手机身份验证方法。
背景技术
目前手机中最常用的身份验证技术仍然依赖于传统的使用密码的方法,但这些技术并不是高效的,于是使用生物特征作为替代品如面部、指纹或在线签名等技术,近来已经在手机上广泛应用。但这些方法都存在着繁杂、遗忘、丢失泄露、被复制等问题,所以需要一种更加方便、有效、安全的身份验证技来保证手机通信安全。
手机在方向和位置上存在着不稳定性,严重影响着步态识别。并且步态识别的准确率受到噪声影响。
发明内容
本发明目的在于解决手机身份验证的安全性问题,提出了一种基于步态识别的手机身份验证方法,同时解决了手机不稳定性问题和手机噪声影响步态验证准确率问题。
为实现上述发明目的,本发明所提供的技术方案是:
(1)坐标系变换法解决手机不稳定性问题:先得到n个手机传感器的加速度ai,旋转矢量Oi和重力gi,A、G、O分别为加速度、重力加速度和方向的矩阵,然后消除采样时重力对获取的加速度的影响,得到纯步态信号,并根据每个旋转矢量Oi得到旋转矩阵Ri,把不包含重力的加速度矢量转换到地球坐标系统,新加速度矢量ai为原加速度向量ai乘以相应的旋转矩阵Ri。接着将X轴和Y轴信号合成a(XY),步态信号的幅度用另外的维度M表示为a(M),最终,变换后的步态信号在Z、XY、M三个维度上表示。
(2)小波变换阙值法消除在信号中的噪声分量:先把原始信号经过小波分解后得出各层的分解系数,即选择一个小波并确定所需的分解层次,对加速度进行分解,分解层次一般都为3到5层,然后对于各层分解系数的模与阙值比较之后再分别处理,最后对处理完的小波系数进行反变换,便得到去噪的小波信号。
本发明有以下优点:
1、步态具有难以伪造、很难受到干扰的特点。即使如果骗子可以记录真正用户的行走风格,伪造正品步态模式也是困难的。步态信号在用户走路时被隐形地捕获,并不被他人干预。所以,在安全级别不是过分严格的情况下,这一身份验证更加方便、安全。
2、本发明提供了一种简单而有效的方法,手机在方向和位置上出现的不稳定性得到了解决。
3、本发明消除了信号中的噪声分量,使得手机步态验证的准确性得到提高。
附图说明
图1为本发明所述的一种基于步态识别的手机身份验证方法流程图;
图2为本发明所述方法中步骤一使用的手机在方向和位置上出现不稳定性情况示意图:(a)手机的坐标系、(b)错位、(c)迷失错误、(d)错位和定向障碍错误;
图3为本发明所述方法中步骤三使用的步态周期示意图;
图4为本发明所述方法中步骤三使用的函数波形图:(a)自相关函数,横坐标为归一化系数c,纵坐标为时间t;(b)检测到的在Z轴的标记点,横坐标为加速度m/s2,纵坐标为采样点数。
具体实施方式
如图1所示,本发明所述基于步态识别的手机身份验证方法的基本流程:获取步态信号、数据处理、步态提取、确定特征向量矩阵、识别和验证步态。具体按如下步骤:
步骤一:获取步态信号。
当手机在口袋、包、手中,步行时,手机在方向和位置上出现不稳定性,如图2所示。解决错位和定向障碍的问题,就能维持手机步态验证或识别系统在实际条件下的准确率。本发明提供了一个简单而又有效的解决错位和定向障碍问题的方法,策略是使步态信号总是在一个固定的坐标系统表示,该系统对设备的方向不敏感,即将代表步态信号的加速度矢量从不稳定移动坐标系统转变到一个稳定的系统。基于手机传感器的可用性,地球坐标系是进行步态数据采集最为有效的固定系统。
(1-1)数据采集。
如图2(a)所示,加速度计在三个正交轴的X,Y,Z轴作用于手机,并对手机进行检测。行走时加速度计输出的加速采样序列被认为是步态信号,每个采样信号是一个3维失量,各部分是作用于每个维度的重力和用户的运动力量的组合。用a表示加速度矢量,用a(X)表示在X轴上检测到的加速度的值,具体地:
a=(a(X),a(Y),a(Z))
由加速度计的特点,原始加速度总是包括重力加速度部分。额外激活重力虚拟传感器,确定手机在步态捕获过程中重力加速度在三个坐标轴上的分量,以消除重力的影响,得到只含有个人纯步态信息的采样。重力传感器的输出是一个3分量的矢量。g表示重力加速度矢量,g(X)表示在X轴检测到的重力加速度的值,具体地:
g=(g(X),g(Y),g(Z))
为解决错位和定向障碍问题,激活一个方向合成传感器,与加速度计、重力传感器一起监控手机的方向移动状态。方向传感器输出的是一个3分量的矢量,O表示方向传感器输出的方向向量,α,β,γ分别表示围绕手机X,Y,Z轴的旋转程度,具体地:
o=(α,β,γ)
(1-2)步态信号变换。
传感器检测一段时间后,得到n个手机传感器的加速度ai,旋转矢量oi和重力gi,相应地,令A、G、O分别表示n个手机传感器构成的加速度矩阵、重力加速度矩阵和方向矩阵,具体地:
A=[a1,…,ai,…,an]T∈Rn×3,
G=[g1,…,gi,…,gn]T∈Rn×3,
步态信号的变换步骤如下:
加速度包括重力加速度和步态信号对应的加速度,消除加速度中重力加速度的影响,得到纯步态信号的加速度,具体地:A=A-G。
根据每个手机传感器输出的方向向量oi得到旋转矩阵Ri,其中,Ri可以将加速度矢量从移动坐标系统转换到地球坐标系统,具体地:
因此地球坐标系统中的纯步态信号的加速度矢量为ai=aiRi,可以表示为:
变换后的纯步态信号的加速度矢量是在地球坐标系中给出的,其中变换后Z轴表示垂直方向,垂直于地面,X轴和Y轴代表水平平面,平行于地面。
用户可以在水平平面向任何方向步行,变换后X轴和Y轴上的步态信号是在同一个时刻捕获,所以不单独使用X轴和Y轴信号,使用X轴和Y轴合成信号a(XY),具体地:a(XY)=(a1 (XY),…,ai (XY),…,an (XY)),其中,因此,步态信号的加速度矢量表示在地球坐标系上的2个维度。
步态信号的幅度用维度M表示为a(M),具体地:a(M)=(a1 (M),…,ai (M),…,an (M)),其中
因此,步态变换后的步态信号加速度最终表示在3个维度上,具体地:
步骤二:采集的数据处理。
(2-1)线性插值,得到固定采样频率下的步态信号加速度。
手机传感器获取加速度的采样速率不稳定,因此采用线性插值的方法对已获取的加速度进行处理,从而得到固定采样频率下的步态信号加速度。同时,由于手机操作系统的设计,加速度矢量、方向矢量以及重力加速度矢量一般不同时产生,但是错位和定向障碍问题在解决时需要这三种数据同时产生。因此,我们采用相同的线性插值方法对已获取的方向矢量和重力加速度矢量处理,即把经过线性插值的加速度采样所用的时间轴用作参考轴,来近似确定方向矢量和重力加速度矢量,进而获得具有相同采样速率的加速度、方向以及重力加速度。
(2-2)消除噪声,恢复出有效的信号。
手机传感器捕捉步态信号的过程中,由于错位、传感器的质量、鞋类的差异等因素的影响,获取的步态信号中不可避免地含有噪声。因此采用小波阈值收缩去噪法减弱信号中的噪声分量。小波阈值收缩去噪法的主要理论依据是:小波变换具有很强的数据去相关性,能够使信号的能量在小波域集中在少量的大的小波系数中,而噪声却分布在整个小波域,对应大量的数值小的小波系数。经小波分解后,信号的小波系数的幅值要大于噪声,然后就可以用阈值的方法把信号小波系数保留,而使大部分噪声的小波系数减为0。小波变换的具体步骤是:
将含噪信号在各尺度上进行小波分解,保留大尺度低分辨率下的全部小波系数。
对于各尺度高分辨率下的小波系数,可以设定一个阈值,幅值低于该阈值的小波系数全部置0,高于该阈值的小波系数或者完整保留,或者做相应的收缩处理。
最后将处理后获得的小波系数利用小波逆变换进行重构,恢复出有效的信号。
步骤三:步态提取。
(3-1)基于分割的步态周期。
定义一个步态周期为脚后跟初次接触地面开始,到同一脚后跟再次接触地面。图3为步态周期示意图,手机被放置在一条腿的口袋,脚后跟初次接触地面,参考图3中的“a”阶段。在脚后跟接触地面的时候,地面反作用力和惯性力一起作用在右腿,使手机传感器感测到Z轴纯步态信号的加速度值强烈改变并形成负峰,是步态周期的起点,参考图4(b),横坐标为采样点数,纵坐标为加速度,单位m/s2。事件“d”的情况发生(例如,左脚后跟接触地面),手机传感器产生负峰值,类似于“a”事件,但由于该装置被放置在右腿,是相对向左侧,手机传感器只检测作用右腿微不足道的力。所以“d”事件(图4(b),圆点)所产生的峰的幅度低于“a”产生的。
分割的目的是将信号分割成单独的步态周期,确定哪些是由图3中的“a”或“i”情况下所产生的峰。分割的具体步骤如下:
确定所有手机传感器的Z轴步态负峰值的位置,将这些峰,即纯步态信号的加速度沿Z轴的分量按从小到大的顺序保存在Π中,n为手机传感器数目,具体地:
确定Π中步态周期起点的两个标准,分别是基于峰的幅度和基于步态周期起始点的正确位置。
基于峰的幅度:
消除由噪声引起的峰值,若该峰值所对应的加速度大于门限δ,则将其删掉。其中门限δ=μΠ-τσΠ,τ为调节参数,由用户定义,可以用来改变门限值的大小。
基于步态周期起始点的正确位置:
步态周期起始点之间的距离围绕一个恒定范围波动,这样的范围不包括所有的情况,因为步行的速度根据不同的个体显著变化。
Z轴信号的自相关函数ct表示了加速度信号在两个不同时刻的相关程度,步态信号是周期性的,自相关函数ct与原信号的频率相同,由步态信号的自相关函数ct可以得到步态信号的周期性,Z轴信号的自相关函数ct(0≤t<n)为参照图4(a),横坐标为时间t,纵坐标为归一化的自相关系数c,ci和cj为分别为第一峰的自相关系数和第二峰的自相关系数,则一个步态周期的长度可以近似为Δ=j。
令Ω为步态周期起始点所对应的峰,其中,Ω中的元素满足标准1,且存在两个峰之间的时间间隔近似等于步态周期,其中ε>0。
假设给定的步态信号S有k-1(k>1)个步态周期,即|Ω|=k,把步态信号分成k-1个不同的段,其中每一段Si包括一个完整的步态周期,具体地:
(3-2)模式提取。
将已经提取的单个步态周期段连接形成步态模式,每个步态模式包含ns个连续段,且每个段的50%与前一个段交叠。
令[Su (Z) Su (XY) Su (M)]表示一个步态模式,u=1,2,…,s,该模式包含nu个段,每个段包含一个步态周期。其中,
令 则步态模式集合P是P(Z)、P(XY)、P(M)的集合,具体地:
步骤四:确定特征向量矩阵。
(4-1)时域特征提取。
时域特征包括均值、平均偏差、均方根、标准差和连续段的平均数目。
[Su (Z) Su (XY) Su (M)]表示一个步态模式,u=1,2,…,s,该步态模式由nu个连续段构成,提取的时域特征包括:s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的均值;s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的平均偏差;s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的标准差;s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的均方根;三个轴向Su (Z)、Su (XY)、Su (M)的连续段的平均数目,三个平均数目值相同。
(4-2)特征向量降维。
因为手机的计算以及内存资源有限,为了让该步态识别系统可以在手机上运行,需要减少所提取的特征向量的维数,把多指标转化为几个少数综合指标,其中每个主要成分都能够反映原始变量的大部分信息,且所含信息互不重复,同时保持该特征向量的辨别力。
假设用户数量为N,从所有步态模式提取的特征向量数量为M,每个特征向量的长度为nf。令第i(i=1,…,M)个用户的第j(j=1,…,M)个特征向量其中是的第k个特征,k=1,2,…,nf。M个用户的特征向量构成特征向量矩阵FT,即
由特征向量矩阵FT得到协方差矩阵Σ,具体地:对矩阵Σ的每一行按照特征值从大到小的顺序进行排序,特征值越高则表示该特征越重要。为了将原始特征向量的维数从nf维降到k维,根据特征值的顺序选取矩阵Σ的前k列构成矩阵U,具体地:
降维后的特征向量矩阵为具体地:
步骤五:识别和验证步态。
在获得有效的步态特征后,采用SVM的方法对其进行识别,其基本思想是对于非线性可分样本,将其输入向量非线性变换映射到另一个高维空间Z中,在变换后的空间中寻找一个最优的分界面,使其推广能力最好。具体步骤如下:
(5-1)样本训练。
待识别的步态有c类,记为S1,S2,…,Sc。通过步骤四中分别提取c个步态的特征,并进行特征向量降维,构成降维后的特征向量矩阵的维度为(M*c)×k,其中M为从每个步态提取的特征向量的数目,(M*c)为所有步态的特征向量,k为降维后的特征向量的长度。
设计c个SVM分类器fi(i=1,2,…,c),每个fi用其中的一类样本Si的特征值,即降维后的特征向量矩阵的第i行至第(i*M-1)行作为正样本训练,而其他所有样本Sj特征值(j≠i),即降维后的特征向量矩阵的剩余行作为负样本训练。对于正、负样本,系统输出分别为+1、-1。
(5-2)步态识别。
测试阶段,对每个测试样本提取的特征值输入到c个分类器中,如果只有一个fi输出为+1,则将该样本判别为第i类,若有p(p>1)个分类器输出是+1,则利用最近距离分类技术,即计算测试样本与这p个分类器所代表的训练样本之间的距离,将测试样本判别为最小值对应的那个步态类别。如果所有分类器输出都是-1,则判定本次识别错误。
对于手机身份验证,首先手机的主人要预先进行步态样本的训练,即将步骤四提取的特征向量存储于手机中。当进行身份验证时,采用SVM方法对步态进行识别验证,若存在分类器输出为+1,则证明是手机主人;若所有分类器输出均为-1,则手机自动报警。
这种基于步态识别的手机身份验证方法在安全级别不是过分严格的情况下,这一身份验证更加方便、有效、安全,并且手机不稳定性、噪声等问题都得到了有效的解决。
上述实施例仅仅是为清楚地说明本发明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举,而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (6)
1.一种基于步态识别的手机身份验证方法,其特征在于,包括以下步骤:
步骤一:获取步态信号;
步骤二:采集的数据处理;
步骤三:步态提取;
步骤四:确定特征向量矩阵;
步骤五:识别步态,进行手机身份验证。
2.根据权利要求1所述基于步态识别的手机身份验证方法,其特征在于,步骤一中获取步态信号,按如下步骤进行:
当手机在口袋中且步行时,手机在方向和位置上出现不稳定性,出现错位、迷失错误以及错位和定向障碍;基于手机传感器的可用性,以地球坐标系为基准来进行步态数据采集,使步态信号总是在一个固定的坐标系统表示,该系统对设备的方向不敏感,即将代表步态信号的加速度矢量从不稳定移动坐标系统转变到一个稳定的系统中;
(1-1)数据采集,加速度计在三个正交轴的X,Y,Z轴作用于手机,并对手机进行检测;行走时加速度计输出的加速采样序列被认为是步态信号,每个采样信号是一个3维失量,各部分是作用于每个维度的重力和用户的运动力量的组合,用a表示加速度矢量,用a(X)表示在X轴上检测到的加速度的值,具体地:
a=(a(X),a(Y),a(Z))
由加速度计的特点,原始加速度总是包括重力加速度部分,额外激活重力虚拟传感器,确定手机在步态捕获过程中重力加速度在三个坐标轴上的分量,以消除重力的影响,得到只含有个人纯步态信息的采样;重力传感器的输出是一个3分量的矢量,g表示重力加速度矢量,g(X)表示在X轴检测到的重力加速度的值,具体地:
g=(g(X),g(Y),g(Z))
为解决错位和定向障碍问题,激活一个方向合成传感器,与加速度计、重力传感器一起监控手机的方向移动状态,方向传感器输出的是一个3分量的矢量,O表示方向传感器输出的方向向量,α,β,γ分别表示围绕手机X,Y,Z轴的旋转程度,具体地:
o=(α,β,γ)
(1-2)步态信号变换,传感器检测一段时间后,得到n个手机传感器的加速度ai,旋转矢量oi和重力gi,相应地,令A、G、O分别表示n个手机传感器构成的加速度矩阵、重力加速度矩阵和方向矩阵,具体地:
A=[a1,…,ai,…,an]T∈Rn×3
G=[g1,…,gi,…,gn]T∈Rn×3
加速度包括重力加速度和步态信号对应的加速度,消除加速度中重力加速度的影响,得到纯步态信号的加速度,具体有A=A-G;
根据每个手机传感器输出的方向向量oi得到旋转矩阵Ri,其中,Ri可以将加速度矢量从移动坐标系统转换到地球坐标系统,具体地:
因此地球坐标系统中的纯步态信号的加速度矢量为ai=aiRi,可以表示为:
变换后的纯步态信号的加速度矢量是在地球坐标系中给出的,其中变换后Z轴表示垂直方向,垂直于地面,X轴和Y轴代表水平平面,平行于地面;
用户可以在水平平面向任何方向步行,变换后X轴和Y轴上的步态信号是在同一个时刻捕获,所以不单独使用X轴和Y轴信号,使用X轴和Y轴合成信号a(XY),a(XY)=(a1 (XY),…,ai (XY),…,an (XY)),其中
步态信号的加速度矢量表示在地球坐标系上的2个维度;
步态信号的幅度用维度M表示为a(M),a(M)=(a1 (M),…,ai (M),…,an (M)),其中
步态变换后的步态信号加速度最终表示在3个维度上,具体地:
3.根据权利要求1或2所述基于步态识别的手机身份验证方法,其特征在于,步骤二中采集的数据处理,按如下步骤进行:
(2-1)线性插值,得到固定采样频率下的步态信号加速度:
手机传感器获取加速度的采样速率不稳定,因此采用线性插值的方法对已获取的加速度进行处理,从而得到固定采样频率下的步态信号加速度;由于手机操作系统的设计,加速度矢量、方向矢量以及重力加速度矢量一般不同时产生,错位和定向障碍问题在解决时需要加速度矢量、方向矢量以及重力加速度矢量这三种数据同时产生,采用相同的线性插值方法对已获取的方向矢量和重力加速度矢量处理,把经过线性插值的加速度采样所用的时间轴用作参考轴,来近似确定方向矢量和重力加速度矢量,进而获得具有相同采样速率的加速度、方向以及重力加速度;
(2-2)消除噪声,恢复出有效的信号:
手机传感器捕捉步态信号的过程中,由于错位、传感器质量差异等因素的影响,获取的步态信号中不可避免地含有噪声,采用小波阈值收缩去噪法减弱信号中的噪声分量;小波变换具有很强的数据去相关性,能够使信号的能量在小波域集中在少量的大的小波系数中,而噪声却分布在整个小波域,对应大量的数值小的小波系数;经小波分解后,信号的小波系数的幅值要大于噪声,然后就可以用阈值的方法把信号小波系数保留,而使大部分噪声的小波系数减为0;
小波变换的具体方法是:将含噪信号在各尺度上进行小波分解,保留大尺度低分辨率下的全部小波系数;对于各尺度高分辨率下的小波系数,可以设定一个阈值,幅值低于该阈值的小波系数全部置0,高于该阈值的小波系数或者完整保留,或者做相应的收缩处理;最后将处理后获得的小波系数利用小波逆变换进行重构,恢复出有效的信号。
4.根据权利要求1-3任一项所述基于步态识别的手机身份验证方法,其特征在于,步骤三中步态提取,按如下步骤进行:
(3-1)分割步态周期:
定义一个步态周期为脚后跟初次接触地面开始,到同一脚后跟再次接触地面,手机被放置在一条腿的口袋,脚后跟初次接触地面在脚后跟接触地面的时候,地面反作用力和惯性力一起作用在右腿,使手机传感器感测到Z轴纯步态信号的加速度值剧烈改变并形成负峰,为步态周期的起点;
将信号分割成单独的步态周期,确定行走过程中各种情况下所产生的峰,按如下方法进行分割:
确定所有手机传感器的Z轴步态负峰值的位置,将这些峰,即纯步态信号的加速度沿Z轴的分量按从小到大的顺序保存在Π中,n为手机传感器数目,具体有
确定Π中步态周期起点的两个标准,分别是基于峰的幅度和基于步态周期起始点的正确位置;
基于峰的幅度:消除由噪声引起的峰值,若该峰值所对应的加速度大于门限δ,则将其删掉,其中门限δ=μΠ-τσΠ,τ为调节参数,由用户定义,可以用来改变门限值的大小;
基于步态周期起始点的正确位置:步态周期起始点之间的距离围绕一个恒定范围波动,由于步行的速度根据不同的个体显著变化,此范围不包括所有的情况;
Z轴信号的自相关函数ct表示了加速度信号在两个不同时刻的相关程度,步态信号是周期性的,自相关函数ct与原信号的频率相同,由步态信号的自相关函数ct可以得到步态信号的周期性,Z轴信号的自相关函数ct(0≤t<n)为
横坐标为时间t,纵坐标为归一化的自相关系数c,ci和cj为分别为第一峰的自相关系数和第二峰的自相关系数,则一个步态周期的长度可以近似为Δ=j;
令Ω为步态周期起始点所对应的峰,其中,Ω中的元素满足标准1,且存在两个峰之间的时间间隔近似等于步态周期,其中ε>0;
假设给定的步态信号S有k-1(k>1)个步态周期,即|Ω|=k,把步态信号分成k-1个不同的段,其中每一段Si包括一个完整的步态周期,具体地:
(3-2)模式提取:将已经提取的单个步态周期段连接形成步态模式,每个步态模式包含ns个连续段,且每个段的50%与前一个段交叠;
令[Su (Z) Su (XY) Su (M)]表示一个步态模式,u=1,2,…,s,该模式包含nu个段,每个段包含一个步态周期,其中
令 则步态模式集合P是P(Z)、P(XY)、P(M)的集合,具体地:
5.根据权利要求1-4任一项所述基于步态识别的手机身份验证方法,其特征在于,步骤四中确定特征向量矩阵,按如下步骤进行:
(4-1)时域特征提取,时域特征包括均值、平均偏差、均方根、标准差和连续段的平均数目;
[Su (Z) Su (XY) Su (M)]表示一个步态模式,u=1,2,…,s,该步态模式由nu个连续段构成,提取的时域特征包括:s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的均值;s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的平均偏差;s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的标准差;s个步态模式的三个轴向Su (Z)、Su (XY)、Su (M)的均方根;三个轴向Su (Z)、Su (XY)、Su (M)的连续段的平均数目,三个平均数目值相同;
(4-2)特征向量降维:
手机的计算以及内存资源有限,让该步态识别系统可以在手机上运行,需要减少所提取的特征向量的维数,把多指标转化为几个少数综合指标,其中每个主要成分都能够反映原始变量的大部分信息,且所含信息互不重复,同时保持该特征向量的辨别力;
假设用户数量为N,从所有步态模式提取的特征向量数量为M,每个特征向量的长度为nf;令第i(i=1,…,M)个用户的第j(j=1,…,M)个特征向量其中是的第k个特征,k=1,2,…,nf,M个用户的特征向量构成特征向量矩阵FT,
由特征向量矩阵FT得到协方差矩阵Σ,具体地
对矩阵Σ的每一行按照特征值从大到小的顺序进行排序,特征值越高则表示该特征越重要;将原始特征向量的维数从nf维降到k维,根据特征值的顺序选取矩阵Σ的前k列构成矩阵U,
降维后的特征向量矩阵为有
6.根据权利要求1-5任一项所述基于步态识别的手机身份验证方法,其特征在于,步骤五中识别步态,进行手机身份验证:
在获得有效的步态特征后,采用SVM的方法对其进行识别,其基本思想是对于非线性可分样本,将其输入向量非线性变换映射到另一个高维空间Z中,在变换后的空间中寻找一个最优的分界面,按如下步骤进行:
(5-1)样本训练:
待识别的步态有c类,记为S1,S2,…,Sc,通过步骤四中分别提取c个步态的特征,并进行特征向量降维,构成降维后的特征向量矩阵 的维度为(M*c)×k,其中M为从每个步态提取的特征向量的数目,(M*c)为所有步态的特征向量,k为降维后的特征向量的长度;
设计c个SVM分类器fi(i=1,2,…,c),每个fi用其中的一类样本Si的特征值,降维后的特征向量矩阵的第i行至第(i*M-1)行作为正样本训练,而其他所有样本Sj特征值(j≠i),降维后的特征向量矩阵的剩余行作为负样本训练,对于正、负样本,系统输出分别为+1、-1;
(5-2)步态识别:
测试阶段,对每个测试样本提取的特征值输入到c个分类器中,如果只有一个fi输出为+1,则将该样本判别为第i类,若有p(p>1)个分类器输出是+1,则利用最近距离分类技术,计算测试样本与这p个分类器所代表的训练样本之间的距离,将测试样本判别为最小值对应的那个步态类别;若所有分类器输出都是-1,则判定本次识别错误;
对于手机身份验证,首先手机的主人要预先进行步态样本的训练,将提取的特征向量存储于手机中;
当进行身份验证时,采用SVM方法对步态进行识别验证,若存在分类器输出为+1,则证明是手机主人,手机通过身份验证;若所有分类器输出均为-1,则手机不通过身份验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611186703.3A CN106850955B (zh) | 2016-12-20 | 2016-12-20 | 一种基于步态识别的手机身份验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611186703.3A CN106850955B (zh) | 2016-12-20 | 2016-12-20 | 一种基于步态识别的手机身份验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106850955A true CN106850955A (zh) | 2017-06-13 |
CN106850955B CN106850955B (zh) | 2019-07-02 |
Family
ID=59140553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611186703.3A Active CN106850955B (zh) | 2016-12-20 | 2016-12-20 | 一种基于步态识别的手机身份验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106850955B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710788A (zh) * | 2018-05-22 | 2018-10-26 | 上海众人网络安全技术有限公司 | 一种安全认证方法、装置、终端及存储介质 |
CN108847941A (zh) * | 2018-05-31 | 2018-11-20 | 上海众人网络安全技术有限公司 | 身份认证方法、装置、终端及存储介质 |
CN108932504A (zh) * | 2018-07-24 | 2018-12-04 | 中国科学院深圳先进技术研究院 | 身份认证方法、装置、电子设备及存储介质 |
CN109029492A (zh) * | 2018-10-12 | 2018-12-18 | 潍坊歌尔电子有限公司 | 一种计步方法、装置及腕部计步设备 |
CN109302532A (zh) * | 2018-11-02 | 2019-02-01 | 北京航空航天大学 | 一种基于智能手机加速度传感器的身份认证方法 |
CN109492362A (zh) * | 2017-09-13 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 敏感操作的验证方法、装置、移动终端及计算机存储介质 |
CN109902646A (zh) * | 2019-03-08 | 2019-06-18 | 中南大学 | 一种基于长短时记忆网络的步态识别方法 |
WO2020019171A1 (zh) * | 2018-07-24 | 2020-01-30 | 中国科学院深圳先进技术研究院 | 身份认证方法、装置、电子设备及存储介质 |
CN110769277A (zh) * | 2019-10-25 | 2020-02-07 | 杭州叙简科技股份有限公司 | 执法记录仪基于加速度传感器的视频编码系统及编码方式 |
CN111214236A (zh) * | 2020-01-14 | 2020-06-02 | 珠海格力电器股份有限公司 | 监护方法、装置、设备及存储介质 |
CN111428690A (zh) * | 2020-04-21 | 2020-07-17 | 桂林电子科技大学 | 一种基于步态信号拓扑分析的身份认证方法 |
CN113065468A (zh) * | 2021-04-02 | 2021-07-02 | 西安电子科技大学 | 基于用户坐标系与gru网络的步态认证方法 |
CN113516063A (zh) * | 2021-06-29 | 2021-10-19 | 北京精密机电控制设备研究所 | 一种基于K-Means及步态周期相似性的运动模式识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1426020A (zh) * | 2001-12-13 | 2003-06-25 | 中国科学院自动化研究所 | 基于步态的远距离身份识别方法 |
CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
CN105279411A (zh) * | 2015-09-22 | 2016-01-27 | 电子科技大学 | 一个基于步态生物特征的移动设备身份认证方法 |
-
2016
- 2016-12-20 CN CN201611186703.3A patent/CN106850955B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1426020A (zh) * | 2001-12-13 | 2003-06-25 | 中国科学院自动化研究所 | 基于步态的远距离身份识别方法 |
CN103377366A (zh) * | 2012-04-26 | 2013-10-30 | 哈尔滨工业大学深圳研究生院 | 一种步态识别方法和系统 |
CN105279411A (zh) * | 2015-09-22 | 2016-01-27 | 电子科技大学 | 一个基于步态生物特征的移动设备身份认证方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492362A (zh) * | 2017-09-13 | 2019-03-19 | 腾讯科技(深圳)有限公司 | 敏感操作的验证方法、装置、移动终端及计算机存储介质 |
CN108710788A (zh) * | 2018-05-22 | 2018-10-26 | 上海众人网络安全技术有限公司 | 一种安全认证方法、装置、终端及存储介质 |
CN108847941B (zh) * | 2018-05-31 | 2021-08-06 | 上海众人网络安全技术有限公司 | 身份认证方法、装置、终端及存储介质 |
CN108847941A (zh) * | 2018-05-31 | 2018-11-20 | 上海众人网络安全技术有限公司 | 身份认证方法、装置、终端及存储介质 |
CN108932504A (zh) * | 2018-07-24 | 2018-12-04 | 中国科学院深圳先进技术研究院 | 身份认证方法、装置、电子设备及存储介质 |
WO2020019171A1 (zh) * | 2018-07-24 | 2020-01-30 | 中国科学院深圳先进技术研究院 | 身份认证方法、装置、电子设备及存储介质 |
CN109029492A (zh) * | 2018-10-12 | 2018-12-18 | 潍坊歌尔电子有限公司 | 一种计步方法、装置及腕部计步设备 |
CN109029492B (zh) * | 2018-10-12 | 2021-09-03 | 潍坊歌尔电子有限公司 | 一种计步方法、装置及腕部计步设备 |
CN109302532A (zh) * | 2018-11-02 | 2019-02-01 | 北京航空航天大学 | 一种基于智能手机加速度传感器的身份认证方法 |
CN109302532B (zh) * | 2018-11-02 | 2020-02-07 | 北京航空航天大学 | 一种基于智能手机加速度传感器的身份认证方法 |
CN109902646A (zh) * | 2019-03-08 | 2019-06-18 | 中南大学 | 一种基于长短时记忆网络的步态识别方法 |
CN110769277A (zh) * | 2019-10-25 | 2020-02-07 | 杭州叙简科技股份有限公司 | 执法记录仪基于加速度传感器的视频编码系统及编码方式 |
CN111214236A (zh) * | 2020-01-14 | 2020-06-02 | 珠海格力电器股份有限公司 | 监护方法、装置、设备及存储介质 |
CN111428690A (zh) * | 2020-04-21 | 2020-07-17 | 桂林电子科技大学 | 一种基于步态信号拓扑分析的身份认证方法 |
CN113065468A (zh) * | 2021-04-02 | 2021-07-02 | 西安电子科技大学 | 基于用户坐标系与gru网络的步态认证方法 |
CN113065468B (zh) * | 2021-04-02 | 2023-04-07 | 西安电子科技大学 | 基于用户坐标系与gru网络的步态认证方法 |
CN113516063A (zh) * | 2021-06-29 | 2021-10-19 | 北京精密机电控制设备研究所 | 一种基于K-Means及步态周期相似性的运动模式识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106850955B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106850955A (zh) | 一种基于步态识别的手机身份验证方法 | |
Damaševičius et al. | Smartphone user identity verification using gait characteristics | |
He et al. | Activity recognition from acceleration data based on discrete consine transform and SVM | |
Gafurov et al. | Spoof attacks on gait authentication system | |
Qin et al. | A fuzzy authentication system based on neural network learning and extreme value statistics | |
Suto et al. | Efficiency investigation of artificial neural networks in human activity recognition | |
Rasekh et al. | Human activity recognition using smartphone | |
CN112380512B (zh) | 卷积神经网络动态手势认证方法、装置、存储介质及设备 | |
CN103595538A (zh) | 基于手机加速度传感器的身份认证方法 | |
Kekre et al. | Gabor filter based feature vector for dynamic signature recognition | |
Yang et al. | A novel driver identification method using wearables | |
Li et al. | Adaptive deep feature fusion for continuous authentication with data augmentation | |
Chen et al. | Driver recognition based on dynamic handgrip pattern on steeling wheel | |
CN113742669B (zh) | 一种基于孪生网络的用户认证方法 | |
Zeng et al. | Accelerometer-based gait recognition via deterministic learning | |
CN115935314A (zh) | 一种基于可穿戴设备运动传感器的用户身份认证方法 | |
Garg et al. | Biometric authentication using soft biometric traits | |
CN110826459A (zh) | 基于姿态估计的可迁移校园暴力行为视频识别方法 | |
Cai et al. | Practical Fall Detection Algorithm based on Adaboost | |
CN111444489B (zh) | 一种基于光电容积脉搏波传感器的双因子认证方法 | |
Chen et al. | A fusion method for partial fingerprint recognition | |
Zheng et al. | On-line handwriting signature recognition based on wavelet energy feature matching | |
Kothamachu Ramesh et al. | Person authentication by gait data from smartphone sensors using convolutional autoencoder | |
Liu et al. | A new gait recognition method using kinect via deterministic learning | |
Gafurov | Emerging biometric modalities: Challenges and opportunities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |