CN106899968B - 一种基于WiFi信道状态信息的主动非接触身份认证方法 - Google Patents
一种基于WiFi信道状态信息的主动非接触身份认证方法 Download PDFInfo
- Publication number
- CN106899968B CN106899968B CN201611254118.2A CN201611254118A CN106899968B CN 106899968 B CN106899968 B CN 106899968B CN 201611254118 A CN201611254118 A CN 201611254118A CN 106899968 B CN106899968 B CN 106899968B
- Authority
- CN
- China
- Prior art keywords
- data
- action
- time
- behavior
- csi
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 68
- 230000006399 behavior Effects 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000011160 research Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/02—Protecting privacy or anonymity, e.g. protecting personally identifiable information [PII]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Collating Specific Patterns (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WiFi信道状态信息的主动非接触身份认证方法,本发明主要通过WiFi信道状态信息来对人体行为中包含的与用户体型、习惯等特征进行提取。本发明是利用WiFi信道状态信息在身份识别方向上的首次应用,通过对现阶段广泛应用的WiFi信号中的信道状态信息CSI(Channel State Information)进行合理有效的去噪,特征提取,然后根据提取结果将与动作相关的波形数据进行切分。然后对切分后的数据进一步进行用户行为的识别以及用户身份相关信息(动作方向,速度,用户体型等)的提取。然后利用这些特征结果对用户身份进行识别,同时保证了整个机制的真实性。
Description
技术领域
本发明涉及一种基于WiFi信道状态信息的用户身份识别系统,主要用于解决在WiFi环境下利用WiFi信号对人体行为特征的提取实现对人的身份识别问题。
背景技术
通过近几年在无线感知方面的研究,基于已有的商用设备的无线信号的人类活动,手势的识别以及室内定位已被证明可行且有着很好的识别结果和精度。同时随着Wi-Fi设备的普及以及该领域研究的相关进展,产生了新的安全问题的研究需求,这类安全问题主要分为两类:
(1)在无线感知的技术背景下产生的新的隐私保护问题;
(2)无线感知技术在现有的一些安全领域问题中的应用。
第一类问题针对的是如何是的通过对无线信号进行无损的干扰,使之在保证正常数据传输的同时隐藏正确的CSI信息,使得无线感知的系统无法获得CSI信号中的物理数据,从而达到隐私保护的目的。第二类问题的重点则是如何将无线感知技术应用到安全问题中,例如:利用移动设备的CSI信息使得无线AP对非法接入设备进行过滤。
这一系列关于WiFi无线感知的研究都说明了无线信号中的CSI信息与外界物理环境变化的相关性,也就是与外界行为的相关性。这也就意味着通过对无线信号中CSI数据的分析,提取行为识别结果中行为的隐藏信息,从而实现对环境中对无线信号进行“干扰”的人的具体身份识别成为可能。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于WiFi信道状态信息的主动非接触身份认证方法,其主要目的是利用已有的商用Wi-Fi设备对未携带移动设备的人进行身份认证和识别。要求的环境限制主要是以下两点。首先是针对已有的商用Wi-Fi设备,这使得本发明的研究具有低成本以及泛用性的优点;其次是无设备依赖(device-free),就是指受感知的目标(这里指被身份识别的人)不需要携带设备(例如手机,RFID等)这同样保证了研究的低成本与泛用性,但也表明只能从人体反射的无线信号中去提取隐含的物理信息。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于WiFi信道状态信息的主动非接触身份认证方法,包括以下步骤:
步骤1,获取研究对象各种行为的CSI数据,对CSI数据降噪处理。
步骤2,使用离散小波变换DWT对步骤1降噪后的CSI数据进行降维分解提取。
步骤3,使用时间片内方差值配合概率统计对步骤2降维分解提取到的数据进行动作片段的切分。
步骤4,训练隐马尔科夫模型:将步骤步骤3获取的行为类别、切分出的时间窗口的数量导入隐马尔科夫模型进行训练,其中,使用随机变量Zt描述t时刻系统状态的概率分布,具有转移概率,则在第t时刻系统状态的实际状态Zt未知,相反在t时刻对系统有一个观测Xt。使用10折交叉验证的方法确定隐马尔科夫模型参数包括HMM模型的状态数S及mixtures,从而选取最优参数建立模型。
步骤5,根据获取的行为类别、行为花费的时间、切分出的时间窗口的数量,通过fresnel模型获对行为动作中频率的变化与无人环境中平稳数据的频率变化相对比,得出行为动作的运动方向和位移。然后结合行为类别、行为花费的时间、切分出的时间窗口的数量、动作的运动方向和位移对各个动作进行编码,同时将一系列连续动作编码串联起来作为动作序列。
步骤6,对于产生的动作序列,通过分析各个动作间的时间间隔以及时间分布得出用户行为习惯相关的数据,然后结合动作的速度和幅度得出用户体型相关的数据。而用户行为习惯相关的数据、用户体型相关的数据就是与用户身份相关的隐藏特征。
步骤7,将提取出的隐藏特征和动作序列结合分类器进行分类。
步骤8,识别时,获取的实际CSI数据,将实际CSI数据经过步骤1至步骤3处理后导入训练好的隐马尔科夫模型中,得到其对应的行为类别、行为花费的时间、切分出的时间窗口的数量。然后根据得到行为类别、行为花费的时间、切分出的时间窗口的数量经过步骤5至步骤6的处理得到用户身份相关的隐藏特征和动作序列,将得到用户身份相关的隐藏特征和动作序列导入到步骤7中的分类器中进行识别匹配完成对身份的识别。
优选的:所述步骤1中对CSI数据降噪处理的方法包括以下步骤:
步骤1.1:利用巴特沃斯滤波器对获取的CSI数据进去噪处理,巴特沃斯滤波可用如下公式表示:
其中,H(W)表示滤波后的CSI数据,w代表角频率,wc代表截止频率,n代表滤波器的阶数,G0代表直流分量。
步骤1.2:利用主成份分析PCA对步骤1.1滤波后的CSI数据进一步去噪。
优选的:所述步骤1.2利用主成份分析PCA对滤波后的CSI数据进一步去噪的方法包括以下步骤。
步骤1.2.1,将不同信道的CSI数据减去其平均值,形成标准CSI矩阵。
步骤1.2.2,求特征协方差矩阵。
步骤1.2.3,求协方差的特征值和特征向量。
步骤1.2.4,将特征值按照从大到小的顺序排序,选择其中最大的k个,然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。
步骤1.2.5,将样本点投影到选取的特征向量上。
优选的:所述步骤3中动作片段的切分方法,包括以下步骤:
步骤3.1,将降维分解提取到的数据按照固定时间片大小划分为多个时间片。
步骤3.2,对同一个时间片内的数据取平均值映射速度分布,然后与前一个时间片的平均值做差,结果映射为加速度分布,同时取时间片内的方差。
步骤3.3,设定一个阈值,将各个时间片内的方差与阈值做对比,然后统计每个时间片上超出阈值的维数,维数若大于总维数的一定百分比即视为1个活跃时间。
步骤3.4,将连续3个以及以上的活跃时间片,同时允许其中有不超过2个非活跃时间片的容差作为一个连续动作数据段,将这个连续动作数据段从全体数据中分离出来作为一个动作的数据片段。
优选的:所述步骤3中动作片段的切分方法:设置固定窗口W,同时计算出每个窗口中的能量强度平均值、与前一个窗口中的强度差以及窗口中的能量方差,然后根据步骤2降维分解提取到的数据针对每一维数据定下方差的阈值,其次将每一维数据与阈值对比并进行概率统计。最后根据统计结果将包含动作信息的时间窗口中数据分离出来。
其中,D表示方差,A表示能量强度,N表示窗口大小。
优选的:所述步骤5中获取动作方向和距离的方法包括以下步骤:
步骤5.1,对时间片内的数据进行几何均值滤波然后统计波动次数,然后与无人平稳环境中单位时间片内的波动次数做比对。
步骤5.2,然后利用比对结果与实际穿过的fresnel区域的数量进行比对和匹配获得穿过fresenl区域的数量与时间,然后配合波长获得距离。
步骤5.3,再利用不同子载波间的波长差导致闯过fresenl的先后区别,获得具体移动方向是面向fresnel区域的焦点或是背离焦点。
本发明相比现有技术,具有以下有益效果:
本发明使用WiFi无限信号中的信道状态信息进行身份识别,相较于传统的身份识别方式有着应用范围广,成本低以及不容易被周围人获取模仿的优点。在无线感知领域和身份识别领域都提出了新的可能性,最后,本发明的设计保证了整个机制的真实性。
附图说明
图1实验环境图。
图2系统流程图。
图3隐马尔科夫模型。
图4Fresnel模型。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于WiFi信道状态信息的主动非接触身份认证方法,如附图1所示,本方法在硬件上由两部分组成:信号发射器与信号接收器。以现有商业WiFi设备作为信号发射器,用装有Intel5300的设备(笔记本或者台式机)作为信号接收器。笔记本通过接收室内环境中通过多径反射的WiFi信号并进行分析处理实现对身份的识别。本方法利用商用WiFi信号在环境中多径传播反射的接收结果为识别依据,通过对识别结果进行分析获得行为的类型分类,然后通过行为识别的结果进行进一步分析获得最终的身份识别结果,是使用商用WiFi信号配合行为识别进行身份识别的首次应用。
识别过程主要分为两个部分:行为识别和身份识别,
行为识别是整个系统处理过程的第一部分,为后续的身份识别提供了基本信息,主要包含以下处理过程:噪声去除,波形切分以及识别匹配。
噪声去除:这里需要去除的噪声包括由于设备环境等带来的噪声,以及对后续识别过程没有意义的频率上的信息。所以这里主要分为三步:1、butterworth低通滤波。2、主成分分析PCA。3、离散小波变换DWT。低通滤波的目的是将不需要的频率数据滤除,PCA的目的是通过将数据中主要的影响成分提取出来,一方面对数据进行降维处理,另一方面能够使得有用的信息更为明显。最后一步离散小波变换是对PCA结果的进一步分析提取。
波形切分:为了适应后续的行为识别算法,需要对存在动作的数据段进行切割和提取。由于DWT后的数据的依旧不能很方便的通过定义统一阈值的方法来进行数据分段,本发明设计了一种针对时间片内数据的方差进行概率统计的方法,将所有特征综合考虑,能够良好地反应出动作在时间段中的分布情况。本发明使用时间片内方差值配合概率统计进行动作片段的切分。使用的波形切分分段算法分为以下几个过程:
1)将滤波后的多维数据按照固定时间片大小划分为多个时间片。
2)对同一个时间片内的数据取平均值映射速度分布,然后与前一个时间片的平均值做差,结果映射为加速度分布,同时取时间片内的方差。
3)将各个时间片内的方差与阈值做对比,然后统计每个时间片上超出阈值的维数,维数若大于总维数的一定百分比即视为1个活跃时间片。
4)将连续3个以及以上的活跃时间片,同时允许其中有不超过2个非活跃时间片的容差作为一个连续动作数据段,将这个连续动作数据段从全体数据中分离出来作为一个动作的数据片段。
识别匹配:结合前两步的结果,需要对切分出的数据进行识别和匹配,这里使用隐马尔科夫模型(HMM)来进行识别。
身份识别:
在完成对行为类型额识别之后,需要对识别结果进行进一步的特征提取,这里主要包含以下几个部分:1、行为编码。2、隐藏特征提取。3身份识别匹配。行为编码就是讲一系列的动作行为结果然后结合Fresnel模型提取距离和方向信息,再结合各个行为的时间分布进行编码生成动作序列。通过结合前序过程中的结果对连续动作进行动作编码序列的产生。其主要要求是满足一定条件的动作组。然后从动作序列中结合各个动作之间的速度、时间分布、动作幅度等进行对用户身份相关的特征的提取。然后结合这些特征的类型进行身份识别。对动作编码序列进行进一步的分析提取和用户身份相关的隐藏信息,主要包括:动作组包含的动作类型,顺序,时间、各个动作之间的相对速度,时间分布,以及停顿时间的大小占比、以及各个动作的绝对速度,方向,幅度。对波形频率的分析并结合fresnel模型获得动作的方向以及幅度信息主要包括以下几点:
1)对时间片内的数据进行几何均值滤波然后统计波动次数,然后与无人平稳环境中单位时间片内的波动次数做比对。
2)然后利用比对结果与实际穿过的fresnel区域的数量进行比对和匹配获得穿过fresenl区域的数量与时间,然后配合波长获得距离。
3)再利用不同子载波间的波长差导致闯过fresen1的先后区别,获得具体移动方向是面向fresnel区域的焦点或是背离焦点。
具体步骤如附图2所示:
1、行为识别
具体包括以下步骤:
步骤1.1:利用巴特沃斯滤波器去噪。巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦,没有起伏,而在阻频带则逐渐下降为零。利用此特点,巴特沃斯滤波器可以对采集的CSI数据进去噪处理,去除大部分的噪声。巴特沃斯滤波可用如下公式表示:
其中,H(W)表示滤波后的CSI数据,w代表角频率,wc代表截止频率,n代表滤波器的阶数,G0代表直流分量。
步骤1.2:利用PCA(主成份分析)去噪。通过提取对数据影响较高的分量进一步去除细微噪声,并且降低了CSI的数据维度,提高了系统的识别效率。其具体过程如下:
1)将不同信道的CSI数据减去其平均值,形成标准CSI矩阵
2)求特征协方差矩阵
3)求协方差的特征值和特征向量
4)将特征值按照从大到小的顺序排序,选择其中最大的k个,然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵
5)将样本点投影到选取的特征向量上
步骤1.3:离散小波变换(DWT)是一种时频域分析工具,它的尺度函数使其具有一定的自适应能力,表现为对高频信号具有较高的时域分辨能力,对低频信号具有较高的频域分辨能力。并且有着数十类基函数可供选择,不同的基函数具有不同的时频域特性。通过实验本发明使用Daubechies(db4)小波对降噪后的CSI波形进行分解。
步骤1.4:设置固定窗口W,同时计算出每个窗口中的能量强度平均值、与前一个窗口中的强度差以及窗口中的能量方差,然后针对采集到的无人环境中的数据针对每一维数据定下方差的阈值,然后对实际采集的数据的每一维与阈值多对比并进行概率统计。然后根据统计结果将包含动作信息的时间窗口中数据分离出来。
其中,D表示方差,A表示能量强度,N表示窗口大小。
步骤1.5:训练隐马尔科夫模型。隐马尔科夫模型示意图如附图3所示,使用随机变量Zt描述t时刻系统状态的概率分布,具有转移概率,在第t时刻系统状态的实际状态Zt未知,相反在t时刻对系统有一个观测Xt,而状态和观测不是一一对应的,一个状态可能以不同概率产生若干种预测。开关门动作可以分为明显的若干阶段,这个阶段的概念刚好和隐马尔科夫模型中状态的概念相对应,所以使用隐马尔科夫模型进行建模能够理想的效果。最后使用10折交叉验证的方法确定模型参数包括HMM模型的状态数S及mixtures,从而选取最优参数建立模型,对于不同动作分类不同模型,从而实现开关门动作的准确识别。
2、身份识别
步骤2.1:在前一部分已经完成了对行为类别识别,同时结合切分出的时间窗口的数量,可以获得行为花费的时间。然后结合fresnel模型可以获得行为的方向以及位移(也就是动作幅度)。如附图4所示,fresnel模型就是以发送端和接收端为椭圆焦点波长为焦距差的同焦点椭圆。由于波的相干性所以会呈现出相干加强和减弱的周期性变化,通过对行为动作中频率的变化与无人环境中平稳数据的频率变化相对比,可以得出行为动作的运动方向和位移。然后结合这些信息对各个动作进行编码,同时将一系列连续动作编码串联起来作为动作序列。
步骤2.2:对于产生的动作序列,通过分析各个动作间的时间间隔以及时间分布可以得出用户行为习惯相关的数据,通过结合动作的速度和幅度可以得出用户体型相关的数据。这些就是与用户身份相关且不容易被他人观察获取并模仿的隐藏特征。
步骤2.3:将提取出的隐藏特征和动作序列结合SVM等分类器进行识别匹配完成对身份的识别。
本发明的意义与重要性在于不同于以往的行为识别的研究,在身份识别这个最终目标前提下,如果仅仅采用传统的行为识别的结果作为身份识别的依据,则会有易被他人获取并模仿的问题,这会导致身份识别的缺少可靠性与科学性。所以本发明不仅仅拘泥于识别行为的种类,更加着重于在识别出行为的类型后去对行为中包含的隐含信息去进行分析和提取,包括速度范围,动作幅度范围,行为习惯等,对于无线感知研究这有深化和精细化的重要意义。同时也会应用到已有的无线感知的一些其他方向中的方法(比如定位或者成像)多元地提取身份识别时的场景信息,所以本发明也需要对无线感知中各类研究方法的综合应用。同时不同于已有的基于无线信号的信息对移动设备接入合法性对的研究,虽然本质上都是通过返回的无线信号进行身份识别,但本发明的研究对象(人)相对于移动接入设备,所反映出的无线信号特征有着更大的随机性,也包含着更多可挖掘信息的可能性。同时本发明也为未来安全领域以及智能家居等应用领域提供了新的可能性。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于WiFi信道状态信息的主动非接触身份认证方法,其特征在于,包括以下步骤:
步骤1,获取研究对象各种行为的CSI数据,对CSI数据降噪处理;
对CSI数据降噪处理的方法如下:
步骤1.1:利用巴特沃斯滤波器对获取的CSI数据进去噪处理,巴特沃斯滤波可用如下公式表示:
其中,H(W)表示滤波后的CSI数据,w代表角频率,wc代表截止频率,n代表滤波器的阶数,G0代表直流分量;
步骤1.2:利用主成份分析PCA对步骤1.1滤波后的CSI数据进一步去噪;
利用主成份分析PCA对滤波后的CSI数据进一步去噪的方法如下;
步骤1.2.1,将不同信道的CSI数据减去其平均值,形成标准CSI矩阵;
步骤1.2.2,求特征协方差矩阵;
步骤1.2.3,求协方差的特征值和特征向量;
步骤1.2.4,将特征值按照从大到小的顺序排序,选择其中最大的k个,然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵;
步骤1.2.5,将样本点投影到选取的特征向量上;
步骤2,使用离散小波变换DWT对步骤1降噪后的CSI数据进行降维分解提取;
步骤3,使用时间片内方差值配合概率统计对步骤2降维分解提取到的数据进行动作片段的切分;
动作片段的切分方法如下:
步骤3.1,将降维分解提取到的数据按照固定时间片大小划分为多个时间片;
步骤3.2,对同一个时间片内的数据取平均值映射速度分布,然后与前一个时间片的平均值做差,结果映射为加速度分布,同时取时间片内的方差;
步骤3.3,设定一个阈值,将各个时间片内的方差与阈值做对比,然后统计每个时间片上超出阈值的维数,维数若大于总维数的一定百分比即视为1个活跃时间;
步骤3.4,将连续3个以及以上的活跃时间片,同时允许其中有不超过2个非活跃时间片的容差作为一个连续动作数据段,将这个连续动作数据段从全体数据中分离出来作为一个动作的数据片段;
设置固定窗口W,同时计算出每个窗口中的能量强度平均值、与前一个窗口中的强度差以及窗口中的能量方差,然后根据步骤2降维分解提取到的数据针对每一维数据定下方差的阈值,其次将每一维数据与阈值对比并进行概率统计;最后根据统计结果将包含动作信息的时间窗口中数据分离出来;
其中,D表示方差,A表示能量强度,N表示窗口大小;
步骤4,训练隐马尔科夫模型:将步骤3获取的行为类别、切分出的时间窗口的数量导入隐马尔科夫模型进行训练,其中,使用随机变量Zt描述t时刻系统状态的概率分布,具有转移概率,则在第t时刻系统状态的实际状态Zt未知,相反在t时刻对系统有一个观测Xt;使用10折交叉验证的方法确定隐马尔科夫模型参数包括HMM模型的状态数S及mixtures,从而选取最优参数建立模型;
步骤5,根据获取的行为类别、行为花费的时间、切分出的时间窗口的数量,通过fresnel模型获对行为动作中频率的变化与无人环境中平稳数据的频率变化相对比,得出行为动作的运动方向和位移;然后结合行为类别、行为花费的时间、切分出的时间窗口的数量、动作的运动方向和位移对各个动作进行编码,同时将一系列连续动作编码串联起来作为动作序列;
步骤6,对于产生的动作序列,通过分析各个动作间的时间间隔以及时间分布得出用户行为习惯相关的数据,然后结合动作的速度和幅度得出用户体型相关的数据;而用户行为习惯相关的数据、用户体型相关的数据就是与用户身份相关的隐藏特征;
步骤7,将提取出的隐藏特征和动作序列结合分类器进行分类;
步骤8,识别时,获取的实际CSI数据,将实际CSI数据经过步骤1至步骤3处理后导入训练好的隐马尔科夫模型中,得到其对应的行为类别、行为花费的时间、切分出的时间窗口的数量;然后根据得到行为类别、行为花费的时间、切分出的时间窗口的数量经过步骤5至步骤6的处理得到用户身份相关的隐藏特征和动作序列,将得到用户身份相关的隐藏特征和动作序列导入到步骤7中的分类器中进行识别匹配完成对身份的识别。
2.根据权利要求1所述基于WiFi信道状态信息的主动非接触身份认证方法,其特征在于:所述步骤5中获取动作方向和距离的方法包括以下步骤:
步骤5.1,对时间片内的数据进行几何均值滤波然后统计波动次数,然后与无人平稳环境中单位时间片内的波动次数做比对;
步骤5.2,然后利用比对结果与实际穿过的fresnel区域的数量进行比对和匹配获得穿过fresenl区域的数量与时间,然后配合波长获得距离;
步骤5.3,再利用不同子载波间的波长差导致闯过fresenl的先后区别,获得具体移动方向是面向fresnel区域的焦点或是背离焦点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611254118.2A CN106899968B (zh) | 2016-12-29 | 2016-12-29 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611254118.2A CN106899968B (zh) | 2016-12-29 | 2016-12-29 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106899968A CN106899968A (zh) | 2017-06-27 |
CN106899968B true CN106899968B (zh) | 2020-04-24 |
Family
ID=59198886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611254118.2A Active CN106899968B (zh) | 2016-12-29 | 2016-12-29 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106899968B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527016B (zh) * | 2017-07-25 | 2020-02-14 | 西北工业大学 | 室内WiFi环境下基于动作序列检测的用户身份识别方法 |
CN107947874B (zh) * | 2017-11-21 | 2020-10-30 | 太原理工大学 | 基于WiFi信道状态信息的室内地图语义标识方法 |
CN108304857A (zh) * | 2017-12-15 | 2018-07-20 | 浙江大学 | 一种基于多模感知的身份识别方法 |
CN108537014B (zh) * | 2018-04-04 | 2020-03-20 | 深圳大学 | 一种基于移动设备的用户身份认证方法及系统 |
CN108901021B (zh) * | 2018-05-31 | 2021-05-11 | 大连理工大学 | 一种基于无线网络信道状态信息的深度学习身份识别系统及方法 |
CN109460776A (zh) * | 2018-10-11 | 2019-03-12 | 浙江工业大学 | 一种基于信道状态检测的驾驶员区分方法 |
CN109599124B (zh) * | 2018-11-23 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 一种音频数据处理方法、装置及存储介质 |
CN109784212A (zh) * | 2018-12-27 | 2019-05-21 | 东莞理工学院 | 一种基于WiFi信号的生物打字识别方法 |
CN109672485B (zh) * | 2019-01-24 | 2021-07-09 | 西安电子科技大学 | 基于信道状态信息室内人员实时入侵及运动速度检测方法 |
CN110062379B (zh) * | 2019-04-15 | 2022-10-28 | 哈尔滨工程大学 | 一种人体行为场景下基于信道状态信息的身份认证方法 |
CN110062378A (zh) * | 2019-04-15 | 2019-07-26 | 哈尔滨工程大学 | 一种手势场景下基于信道状态信息的身份认证方法 |
CN110738130A (zh) * | 2019-09-21 | 2020-01-31 | 天津大学 | 基于Wi-Fi的路径独立的步态识别方法 |
CN110621038B (zh) * | 2019-09-30 | 2021-07-20 | 武汉大学 | 一种基于WiFi信号检测步态实现多用户身份识别的方法及装置 |
CN110958568B (zh) * | 2019-11-25 | 2020-11-13 | 武汉理工大学 | 基于WiFi的船舶驾驶室人员值班行为识别方法及系统 |
CN112861893B (zh) * | 2019-11-27 | 2023-03-24 | 四川大学 | 基于csi幅度-子载波概率分布的陌生人识别算法 |
CN111787499B (zh) * | 2020-06-28 | 2023-09-22 | 中国海洋大学 | 复用基站蜂窝信号的用户识别和计数方法 |
CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、系统 |
CN113449587B (zh) * | 2021-04-30 | 2023-04-18 | 北京邮电大学 | 一种人体行为识别和身份认证方法、装置和电子设备 |
CN113420778B (zh) * | 2021-05-19 | 2022-07-26 | 南京邮电大学 | 一种基于Wi-Fi信号和深度相机的身份识别方法 |
CN113238659A (zh) * | 2021-06-29 | 2021-08-10 | 中国科学技术大学 | 基于wifi信号的实时行为识别方法与系统 |
CN115119146A (zh) * | 2022-05-19 | 2022-09-27 | 大连理工大学 | 一种基于wifi信号的隔离人员身份认证方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009020482A2 (en) * | 2007-05-15 | 2009-02-12 | Louisiana Tech University Research Foundation, A Division Of The Louisiana Tech University Foundation, Inc. | Hidden markov model ('hmm')-based user authentication using keystroke dynamics |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
-
2016
- 2016-12-29 CN CN201611254118.2A patent/CN106899968B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009020482A2 (en) * | 2007-05-15 | 2009-02-12 | Louisiana Tech University Research Foundation, A Division Of The Louisiana Tech University Foundation, Inc. | Hidden markov model ('hmm')-based user authentication using keystroke dynamics |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105844216A (zh) * | 2016-03-11 | 2016-08-10 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
Also Published As
Publication number | Publication date |
---|---|
CN106899968A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106899968B (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
Zhang et al. | Wifi-id: Human identification using wifi signal | |
Bailador et al. | Analysis of pattern recognition techniques for in-air signature biometrics | |
CN102034288B (zh) | 基于多生物特征识别的智能门禁系统 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN110062379B (zh) | 一种人体行为场景下基于信道状态信息的身份认证方法 | |
Wang et al. | Identification and authentication for wireless transmission security based on RF-DNA fingerprint | |
CN110730473A (zh) | 面向WiFi活动识别的信号特征提取方法 | |
Rathgeb et al. | Bit reliability-driven template matching in iris recognition | |
CN110929242B (zh) | 基于无线信号进行姿态无关的连续用户认证方法及系统 | |
Zeng et al. | User-definable dynamic hand gesture recognition based on Doppler radar and few-shot learning | |
Birgale et al. | Iris recognition using discrete wavelet transform | |
CN113780521A (zh) | 一种基于深度学习的辐射源个体识别方法 | |
CN108549076B (zh) | 一种基于速度节奏图的多种类无人机场景识别方法 | |
CN110621038A (zh) | 一种基于WiFi信号检测步态实现多用户身份识别的方法及装置 | |
Demirel et al. | Iris recognition system using combined histogram statistics | |
Yang et al. | WFID: driver identity recognition based on Wi-Fi signals | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
Kartik et al. | Noise robust multimodal biometric person authentication system using face, speech and signature features | |
Setiawan et al. | Features extraction of palm vein image using phase symmetry | |
Al-Rawi et al. | Feature extraction of human facail expressions using Haar wavelet and neural network | |
CN111274989A (zh) | 一种基于深度学习的野外车辆识别方法 | |
CN112712046B (zh) | 一种基于设备硬件指纹的无线充电设备认证方法 | |
CN115294658B (zh) | 一种面向多应用场景的个性化手势识别系统及其手势识别方法 | |
CN111626172B (zh) | 一种加速人脸特征相似度分析的装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20170627 Assignee: LAUNCH DESIGN Inc.,Ltd. Assignor: Nanjing University of Aeronautics and Astronautics Contract record no.: X2020320000049 Denomination of invention: An active contactless authentication method based on WiFi channel state information Granted publication date: 20200424 License type: Common License Record date: 20200730 |