CN108683503B - 一种基于声波的动态身份识别认证方法 - Google Patents

Abstract

一种基于声波的动态身份识别认证方法，先注册，用户根据提示在特定时间内做出特定的动作(脚步)；通过超声波对用户与传感器间距离进行测量；依据香农采样定理对所得距离信息进行处理；对处理后合法用户信息进行存储，并生成特征库；再验证，用户根据提示在特定时间内做出特定的动作(脚步)；通过超声波对用户与传感器间距离进行测量；依据香农采样定理对所得距离信息进行处理；通过比对得出是否与合法用户数据匹配结论，本发明具有“随身携带”、不会丢失、不会忘记等优点。

Description

一种基于声波的动态身份识别认证方法

技术领域

本发明属于安全防护领域，具体涉及一种基于声波的动态身份识别认证方法。

背景技术

利用钥匙等令牌方式进行身份认证，存在丢失、被窃和复制等安全隐患；利用密码等所知道的口令方式，则存在遗忘、被攻击的问题，因此，传统的身份认证方式正面临着安全性的考验。合理地利用人自身所具有的物理特征，如生物识别技术，可以避免上述问题，因为这些特征具有稳定性、永久性和安全性等独特的优势。

研究表明，人的一个行为习惯的形成要21天，且当一个人形成一个行为习惯之后，想要改变是很不容易的，因此习惯性动作用于身份识别具有方便、安全等特性，不需记住身份证号码或密码，也不需要随身携带像智能卡之类的东西，“钥匙”是你自己的习惯，没有什么能比这更安全和更方便的了。利用习惯性动作进行验证逐渐成为一种公认的、更安全的身份认证技术，截至到目前为止，市场上还未出现以习惯性动作作为身份验证的系统，因此基于此开发出一款立足于习惯性动作的智能安全识别系统也就成为一种可能。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于声波的动态身份识别认证方法，具有“随身携带”、不会丢失、不会忘记等优点。

为了达到上述目的，本发明采取的技术方案为：

一种基于声波的动态身份识别认证方法，包括以下步骤：

步骤1)，注册：

1.1)用户根据提示在特定时间内做出特定的动作(脚步)；

1.2)通过超声波对用户与传感器间距离进行测量；

1.3)依据香农采样定理对所得距离信息进行处理；

1.4)对处理后合法用户信息进行存储，并生成特征库；

步骤2)，验证：

2.1)用户根据提示在特定时间内做出特定的动作(脚步)；

2.2)通过超声波对用户与传感器间距离进行测量；

2.3)依据香农采样定理对所得距离信息进行处理；

2.4)通过比对得出是否与合法用户数据匹配结论。

所述的步骤2.4)匹配验证过程，包括以下步骤：

1)启动验证过程；

2)产生随机数；

3)依据随机数对验证用户特征进行采样；

4)通过聚类算法及KNN算法与特征库中信息进行匹配；

5)对结果进行判断，并依据结果发出相应信息。

所述的聚类算法为一种基于PSO的聚类算法，包括以下步骤：

1)相似度定义：

LD值定义为如下形式：

D_ij＝p_ij-p_ip_j

式中，r²等于1时表示两个特征有着最强的关联性，等于0表示无任何关系，r²用于计算LD值，p_i表示第i个特征在一个位置(列)上出现的概率，p_j表示另一个位置上特征j出现的概率；

2)PSO聚类算法：

基于PSO的聚类算法利用个体位置的编码实现对特征类的划分，利用适应度函数引导算法实现最优聚类，其位置的每一维对应于一个特征，该维度的数值取整后表示对应的特征所在类的标号；

适应度函数为如下形式：

式中

表示第i个聚类第j个特征与该类中心m_i的LD值，x代表特征，n_i表示第i个类内特征的数目，k表示聚类的数目，f值越小表示聚类的效果越好，此外，如果两个类中有一半或者一半以上的特征具有较强的相关性，即大于一个设定的阈值r₀，则合并这两个聚类。

所述的KNN算法，具体步骤如下：

1)随机从特征库中选择k个样本作为“合法”信息的k个初始最邻近节点；

2)计算验证用户信息与每个初始k个初始最邻近节点的欧氏距离；

3)将步骤2)所得结果排序，并求得其中最大值；

4)重复步骤2)和步骤3)并记录特征次数，并按照高低顺序排序；

5)依据步骤4)结果判定用户信息是否“合法”。

所述的超声波测距的模块型号为HC-SR04。

采用了上述技术方案后，本发明具有以下的积极的效果：

1.本发明中的习惯性动作具有稳定性，由于个人的行为习惯的设定是很不容易被模仿的，所以当一个人的习惯性动作在设定之后具有稳定性，是很难发生改变的。

2.本发明中的习惯性动作具有不易被模仿伪造性。一个人的指纹可能会被通过某种方式进行提取，人脸识别也可能通过现有的3D打印技术进行完美复制，但是一个人的行为习惯这些虽然是能够被模仿，但由于密码的同源多样性，除非是这个人自愿告知通过的方式来进行验证，否则无法通过身份识别认证。

3.本发明中的验证过程采用多种学习策略确保了方法的可靠性。

4.本发明中习惯性动作的采集具有非接触性，不需要人直接进行接触的，这样更加方便。

附图说明

图1为本发明一种基于声波的动态身份识别认证方法流程图。

图2为本发明一种基于声波的动态身份识别认证方法的验证流程图。

具体实施方式

下文将结合具体实施例详细描述本发明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，他们可以被相互组合从而达到更好的技术效果。

如图1所示，一种基于声波的动态身份识别认证方法，包括以下步骤：

步骤1)，注册：

1.1)用户根据提示在特定时间内做出特定的动作(脚步)，按下SET按钮，在提示音的节奏下做出个性化的步伐动作，完成密码的录入；

1.2)通过超声波对用户与传感器间距离进行测量，超声波发射器向某一方向发射超声波，在发射超声波的同时开始计时，超声波在空气中传播，途中碰到障碍物反射后立即返回来，超声波接收器收到反射波就立即停止计时，超声波在空气中的传播速度约为340m/s，根据计时器记录的时间t，就可以计算出超声波发射点距障碍物的距离(s)，即为：s＝340t/2；

1.3)用户以有意识状态下的习惯性脚步(单脚或双脚前后左右变动趋势)依次在距离声波测距器0.5-1.2米处进行习惯性脚步变换，并计算保存距离的正确变换作为验证是否为合法本人的依据，依据香农采样定理对此过程进行采样；

1.4)对处理后合法用户信息进行存储，并生成特征库；

步骤2)，验证：

2.1)用户根据提示在特定时间内做出特定的动作(脚步)，数据录入结束后，使用人先站在离装置0.5-1.2米处，停留2秒后，系统通过蜂鸣器发出提示音提示开始进行数据采集；

2.2)通过超声波对用户与传感器间距离进行测量，用户观察LED灯提示的有效识别段出现的位置，并根据有效识别段出现的位置开始进行脚步变换；

2.3)依据香农采样定理及系统设定的随机事件数进行采样，记录脚步变换与声波距离器的距离；

2.4)并通过聚类及KNN算法分析处理判断是否与合法用户保存的数据匹配，确定用户身份。

如图2所示，所述的步骤2.4)匹配验证过程，包括以下步骤：

1)启动验证过程；

2)产生随机数；

3)依据随机数对验证用户特征进行采样；

4)通过聚类算法及KNN算法与特征库中信息进行匹配；

5)对结果进行判断，并依据结果发出相应信息，如果判断为合法用户，则在液晶显示屏上显示“欢迎”字样；否则，蜂鸣器发出报警。

所述的聚类算法为一种基于PSO的聚类算法，该算法能够根据数据的特征自动发现高相关性子类，不需要提前指定聚类的数目，包括以下步骤：

1)相似度定义：

相似度的定义是聚类算法的一个重要组成部分，LD值是相似度最直接也是最有效的评价标准，LD值定义为如下形式：

D_ij＝p_ij-p_ip_j

式中，r²等于1时表示两个特征有着最强的关联性，等于0表示无任何关系，r²用于计算LD值，p_i表示第i个特征在一个位置(列)上出现的概率，p_j表示另一个位置上特征j出现的概率；

2)PSO聚类算法：

基于PSO的聚类算法利用个体位置的编码实现对特征类的划分，利用适应度函数引导算法实现最优聚类，其位置的每一维对应于一个特征，该维度的数值取整后表示对应的特征所在类的标号；

适应度函数用于引导算法的进化方向，这里PSO算法用于聚类的目的是使得同一类内特征间相似度较高，而不同类间的特征差异性较大，因此，这里定义适应度函数为如下形式：

式中

表示第i个聚类第j个特征与该类中心m_i的LD值，x代表特征，n_i表示第i个类内特征的数目，k表示聚类的数目，f值越小表示聚类的效果越好，此外，如果两个类中有一半或者一半以上的特征具有较强的相关性，即大于一个设定的阈值r₀，则合并这两个聚类。

所述KNN14具体步骤如下：

1)随机从特征库中选择k个样本作为“合法”信息的k个初始最邻近节点；

2)计算验证用户信息与每个初始k个初始最邻近节点的欧氏距离；

3)将步骤2)所得结果排序，并求得其中最大值；

4)重复步骤2)和步骤3)并记录特征次数，并按照高低顺序排序；

5)依据步骤4)结果判定用户信息是否“合法”。

所述的超声波测距的模块型号为HC-SR04。

为验证本发明方法的有效性，进行如下实验：

由1000名用户进行注册，对数据进行采集；数据经存储后，逐人进行验证；另找100名非法用户进行验证；

表1列出的是本实验结果。

表1

实验结果与分析：

经过实验可以发现，合法用户经数据录入之后，在实验过程中没有出现理论上的实验效果，有五人未能被识别出来，主要是由于(1)系统取值的延时时间不足，系统的数据采集与提示灯点亮间时差设定不合理；(2)各算法参数设置可能存在不足；(3)超声波探头的测量宽度较小，而系统设计时将超过1.5m的距离置为无效，导致操作过程中容易出现无效数据。

综上所述，仅为本本发明的较佳实例而已，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本发明的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (2)

1.一种基于声波的动态身份识别认证方法，其特征在于，包括以下步骤：

步骤1)，注册：

1.1)用户根据提示在特定时间内做出特定的脚步动作；

1.2)通过超声波对用户与传感器间距离进行测量；

1.3)依据香农采样定理对所得距离信息进行处理；

1.4)对处理后合法脚步变化与距离进行存储，并生成特征库；

步骤2)，验证：

2.1)用户根据提示在特定时间内做出特定的脚步动作；

2.2)通过超声波对用户与传感器间距离进行测量；

2.3)依据香农采样定理对所得距离信息进行处理；

2.4)通过比对得出是否与合法用户脚步变化与距离匹配结论：

2.4.1)启动验证过程；

2.4.2)产生随机数；

2.4.3)依据随机数对验证用户特征进行采样；

2.4.4)通过聚类算法及KNN算法与特征库中信息进行匹配；

2.4.5)对结果进行判断，并依据结果发出相应信息。

2.根据权利要求1所述的一种基于声波的动态身份识别认证方法，其特征在于：所述的聚类算法为一种基于PSO的聚类算法，包括以下步骤：

1)相似度定义：

LD值定义为如下形式：

D_ij＝p_ij-p_ip_j

式中，

表示特征i和特征j间的关联性，

等于1时表示两个特征有着最强的关联性，等于0表示无任何关系，

用于计算LD值，l表示特征最大可能取值，p_i表示第i个特征在一个列上出现的概率，p_j表示另一个列上特征j出现的概率，p_ij表示第i个特征和特征j同时出现的概率；

2)PSO聚类算法：

基于PSO的聚类算法利用个体列的编码实现对特征类的划分，利用适应度函数引导算法实现最优聚类，其每一列对应于一个特征，该列的数值取整后表示对应的特征所在类的标号；

适应度函数为如下形式：

式中x代表特征，X_q表示第q个类中特征所有可能取值的集合，m_q表示第q个类的聚类中心，n_q表示第q个类内特征的数目，k表示聚类的数目，

表示特征j与第a个聚类中心的关联性，f值越小表示聚类的效果越好，此外，如果两个类中有一半或者一半以上的特征具有较强的相关性，则合并这两个聚类。

Images