CN108847941A - 身份认证方法、装置、终端及存储介质 - Google Patents
身份认证方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN108847941A CN108847941A CN201810550790.9A CN201810550790A CN108847941A CN 108847941 A CN108847941 A CN 108847941A CN 201810550790 A CN201810550790 A CN 201810550790A CN 108847941 A CN108847941 A CN 108847941A
- Authority
- CN
- China
- Prior art keywords
- data
- time domain
- gait data
- gait
- user
- 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
- 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
-
- 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
- H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
Abstract
本发明公开了一种身份认证方法、装置、终端及存储介质,该方法包括:基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对时域步态数据进行提取,得到各个周期的时域步态数据,作为第一步态数据;将第一步态数据进行坐标转换得到第二步态数据,将第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与目标用户相对应的特征序列;将目标用户的特征序列输入至与目标用户相对应的单分类模型中,当单分类模型输出的数据为第一预设数据时,则认证通过。本发明实施例的技术方案实现了由于用户的步态信息具备个性化,当通过用户的步态信息进行身份认证时,提高了身份认证的准确性以及安全性的技术效果。
Description
技术领域
本发明实施例涉及安全认证技术领域,尤其涉及一种身份认证方法、装置、终端及存储介质。
背景技术
基于步态识别的身份认证方法最早于2006年由Gafurov提出,他通过大量重复实验发现同一用户之间的步态相似性和不同用户之间的不同之处,并得出结论:每一个用户的步态是独一无二的,可以通过用户的步态进行身份认证。
现有技术中基于步态识别的方法主要有四类:基于机器视觉、基于地面传感器、基于可穿戴式传感器或者基于移动终端中设置的传感器来进行身份认证。其中,基于机器视觉的认证方式为:使用摄像机捕获用户在走路过程中的一系列步态图像,再通过图像匹配算法来实现用户的身份认证,但是采用此种身份认证方式易受外界环境影响,示例性的易受外界环境光线、是否有障碍物遮挡、或者拍摄距离的影响,因此效果较差;基于地面传感器的身份认证方式为:通过地板上或者地毯中设置的力传感器捕获用户的步态特征,此种认证方式易受用户穿戴的物品重量影响,并且应用范围较小,不具备通用性。上述两种方式均是从计算机角度去分析用户的步态数据图片,成本较高、不能够实时进行身份认证,适用性不强。第三种方式是基于可穿戴式传感器来进行身份认证,即利用加速度信号来分析步态唯一性,然而此种方式虽然可以实时进行身份认证,但是在应用的过程中没有考虑到用户的步速变化、在使用的过程中必须要穿戴该传感器繁琐复杂以及忽略了用户的个体差异性从而导致检测不精准的技术问题。第四种实施方式虽然解决了不能实时进行身份认证的技术问题,但是依然没有解决通过手机中内设的传感器检测用户的步态数据来进行身份认证适用性较差以及精度不高的技术问题。
发明内容
本发明提供一种身份认证方法、装置、终端及存储介质,以提高身份认证的安全性和可靠性。
第一方面,本发明实施例提供了一种身份认证方法,该方法包括:
基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据;
将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列;
将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过。
第二方面,本发明实施例还提供了一种身份认证装置,该装置包括:
周期提取信息模块,用于基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据;
特征序列生成模块,用于将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列;
认证模块,用于将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过。
第三方面,本发明实施例还提供了一种终端,所述终端包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的身份认证方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的身份认证方法。
本发明实施例的技术方案通过基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对时域步态数据进行提取,得到各个周期的时域步态数据,将各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据,将第一步态数据进行坐标转换得到第二步态数据,将第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与目标用户相对应的特征序列,将目标用户的特征序列输入至与目标用户相对应的单分类模型中,当单分类模型输出的数据为第一预设数据时,则认证通过,解决了现有技术中对用户进行身份认证易受外界环境影响、通用性较差、精确度较低以及成本较高的技术问题,实现了由于用户的步态信息具备个性化,当通过用户的步态信息进行身份认证时,提高了身份认证的准确性以及安全性的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种身份认证方法流程示意图;
图2为本发明实施例二所提供的一种身份认证方法流程示意图;
图3为本发明实施例三所提供的一种身份认证方法流程示意图
图4为本发明实施例四所提供的一种身份认证装置结构示意图;
图5位本发明实施例五中所提供的一种终端结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种身份认证方法流程示意图,本发明实施例可适用于对用户的身份进行认证的情况,该方法可以由身份认证装置来执行,该装置可以通过软件和/或硬件的形式实现。
如图1所述,本实施例的方法包括:
S110、基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据。
其中,移动终端是指可以在移动中使用的计算机设备,可选的手机、平板电脑等。传感器是一种检测装置,能检测到被测量物体的信息,并可以将检测到的信息按一定规律转换为电信号或转换为用户所需的信息形式输出,从而满足不同用户的需求。该传感器内设于移动终端中,用于采集目标用户的时域步态数据,目标用户是指当前使用该移动终端进行身份验证的用户。
基于移动终端中的传感器采集目标用户的时域步态数据,可以是基于移动终端中的陀螺仪传感器获取目标用户的时域步态数据;或,基于移动终端中的加速度感器获取目标用户的时域步态数据。可以理解为,移动终端中内置的传感器可以是加速度传感器或者陀螺仪传感器。
时域是描述数学函数或物理信号对时间的关系,也就是用来描述获取到的动作信息随时间的变化关系。其中,不论时间为离散型还是连续型,时域中的函数或信号在各个离散时间点或者任意时间点的数值均为已知数,因此可以将时域步态数据理解为:在任意时间点传感器均可以采集到目标用户的步态数据。
需要说明的是,只要用户携带内设有所述传感器的移动终端,移动终端中的传感器均可以在任意时间点采集用户的时域步态数据,但是在实际应用的过程中只有用户触发设置有该认证方式的应用程序时,可选的,移动终端中下载的支付宝、微信等,可以对当前采集到的时域步态数据进行处理。
因此基于移动终端中的传感器采集目标用户的时域步态数据,具体可以是:目标用户触发相应的应用程序,传感器采集目标用户步态数据信息,可以是,对目标用户触发应用程序前一分钟采集到的步态数据信息进行处理,也可以是触发应用程序后开始采集目标用户一分钟的步态数据,用户可以根据实际需求进行设置。
此时采集到的步态数据为原始数据,也就说存在一定噪声的步态数据,当对此时的数据进行处理使,就可能导致得到的结果并不准确,因此还需要对应原始数据进行去噪处理,可选的,采用低通滤波法对采集的数据进行去噪处理。
每一个用户在步行的过程中步伐具备一定周期性,可以理解为,用户的左右脚各迈一步为一个周期,因此用户的步态数据信息具有很强的周期性,通过至少一个周期步态数据信息就可以判定是否为用户本人,因此还要对经去噪处理后的步态数据进行周期性提取。
其中,对用户的步态数据进行周期性提取可以如下采用公式得到目标用户的各个周期的步态数据,公式为:
再从各个周期的时域步态数据中选取至少一组周期时域步态数据作为第一步态数据。
S120、将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列。
需要说明的是,移动终端中的传感器在采集目标用户的时域步态数据是基于终端的手机坐标系来确定的,在使用的过程中移动终端可能放置在口袋中或者背包中等,此时终端的方向就是任意的,可选的移动终端为手机,因此就可能出现终端的重力加速度以及目标用户的加速度等在手机坐标系中的投影是任意的,不便于对获取到的数据进行分析。为了解决这一问题还需要将手机坐标系下的时域步态数据转换到惯性坐标系中,再选取垂直于地面方向的分量作为主要考察数据,这样设置的好处在于在用户行走的过程中需要克服重力做功,因此垂直于地面的数据具有一定的代表性,也就是说采用坐标转换对第一步态数据进行处理得到与第一时域步态数据信息相对应的第二步态数据。
其中,将所述第一步态数据信息转换为第二步态数据具体可以采用如下公式进行转换,将移动终端中的传感器检测到的时域数据,通过手机坐标系可以表示为:
A=xi+yj+zk (1)
由于检测到的数据是固定的,只是对其做了坐标的转换,其数据的本质是不发生变化的,因此还可以将检测到的数据表示为:
A=x′i′+y′j′+z′k′=xi+yj+zk (2)
其中,x、y、z分别表示手机坐标系中三轴加速度,i、j、k分别表示手机坐标系中的单位向量;x'、y'、z'分别表示惯性坐标系中三轴加速度,i'、j'、k'分别表示惯性坐标系中的单位向量。
进一步的可以将上述(1)式和(2)式用矩阵的形式表示,移项整理后可以得到:
根据向量的乘法运算可知,两个单位向量的內积等于它们之间的夹角余弦值,因此可以将(3)式表示为:
需要说明的是,移动终端中的传感器可以提供当前设置的姿态数据,分别为航向角ψ、俯仰角θ以及滚转角γ,根据空间几何原理,移动终端呈现出的任意姿态均可以理解为从惯性坐标系开始依次按照三个角度旋转后所得,在右手笛卡尔坐标系中,绕坐标轴的三维旋转变换可以用矩阵形式分别表示:
将(5)绕Z轴的旋转得到的矩阵,、(6)绕X轴的旋转得到的矩阵、(7)为绕y轴的旋转得到的矩阵以适当的顺序连接,可生成处理后的旋转矩阵表示为:
将(8)式整理后可以得到(9):
也就是说根据上式可以得到与第一步态数据相对应的第二步态数据。
其中,上述经坐标转换后得到的数据仍然是时域步态数据,当对时域步态数据进行分析时,可能存在有些信息的时域参数相同,但并不能说明此时获取到的时域信息完全相同。这就需要进一步分析获取到的时域步态数据的频率结构,并在频率域中对步态数据进行描述。频域也称为频率域,自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图,频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。将时域动作信息转换为频域动作信息可以通过傅立叶级数和傅立叶变换实现,当获取到时域数据为周期性信号时,可以采用傅立叶级数变换将时域数据转换为频域信息;若获取到的时域数据为非周期性时,可以采用傅里叶变换将时域数据转换为频域信息。由于用户的步态数据具备周期性且是连续的,因此可以对用户的时域步态数据进行傅里叶级数变换,得到与时域步态数据相对应的频域信息。
其中,特征生成模型可以根据用户输入的频谱信息得到与所述频谱信息相对应的特征序列,相对应的特征序列可以是图片,也可以是一组与输入的频谱信息相对应的序列数,可选的1.0、1.2等。
S130、将所述目标用户的特征序列输入至与预先训练好的所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过。
需要说明的是,在移动终端中安装的应用程序使用动作认证方式进行认证之前,需要将目标用户的步态数据录入,也就是说,若目标用户想通过步态数据来进行身份认证,需要先触发该应用程序,可选的,通过按键触发,或者触屏触发应用程序的图标等,打开应用程序后触发应用程序中的身份认证设置选项,可选的,密码设置方式,步态认证、面部认证、指纹认证等。用户可以根据实际需求进行选择设置,若用户选择步态认证时,可以弹出提示用户录入步态信息对话框来。在用户走几步或者一段距离的过程中传感器采集用户步态数据,也就是说传感器录入用户的时域步态数据。录入的时域步态数据经一系列处理得到与时域步态数据相对应的特征序列,并将此时得到的特征序列采用单分类向量机算法处理得到与目标用户相对应的单分类模型。该单分类模型可以预先存放在数据库中,当用户使用该程序进行验证时,可以从数据库中调取与目标用户相对应的单分类模型。
示例性的,当移动终端中下载的微信需要身份认证时,在进行身份认证之前,目标用户打开微信并触发安全设置选项中的步态认证方式,可弹出录入步态数据的对话框,目标用户携带移动终端走几步或者走一段距离,传感器采集目标用户的时域步态数据。此时获取到的时域步态数据有一定的噪声,可以采用低通滤波法对含噪声的原始数据进行处理得到去噪后的时域步态数据。
进一步的,采用周期性算法所去噪处理后的时域步态数据进行提取,得到各个周期的时域步态数据,并从各个周期的时域步态数据中提取至少一个周期的时域步态数据进行处理,其中,可以是一个周期的时域步态数据,两个周期的时域步态数据,需要说明的是,若是选择的周期数据较少,则选取数值波动较小的数据作为第一步态数据。第一步态数据经坐标转换得到第二步态数据,并对其进行处理后输入至特征生成模型,得到与目标用户走一段距离相对应的特征序列,也就是标准特征序列。将此标准特征序列采用单分类向量机算法训练得到与目标用户走一段距离相对应的单分类模型。
当目标用户使用该应用程序进行身份认证时,通过判断目标用户的当前时域步态数据与提前录入的时域步态数据是否匹配,进而来判断认证是否通过以及是否可以使用该应用程序。
示例性的,目标用户触发微信应用程序,步行至少两步,可选的,两步,四步,六步等,传感器获取目标用户步行六步的当前时域步态数据,采用周期性算法将其划分为三个周期,可以使用三个周期的步态数据,也可以是其中一个周期的时域步态数据,并将该数据作为第一步态数据。经坐标转换得到第二步态数据并采用傅里叶级数变化,将其转换为频域步态数据,基于预先训练好的特征生成模型得到与目标用户相对应的当前特征序列。
为了判断操作该应用程序的用户是否为目标用户,从数据库中调取与目标用户相对应的预先训练得到的单分类模型,需要说明的是,在用户录入时域步态数据的过程中,都有唯一的编号与用户相对应的,因此可以从数据库中调取与目标用户相对应的单分类模型,并将得到的当前特征序列输入至预先训练得到的单分类模型中。当单分类模型输出的值与第一预设数据相同时,则认为是目标用户在使用该程序,认证通过,用户可以打开该应用程序并使用;若输出的数据与第一预设数据不同时,则判定不是目标用户在使用该程序,验证失败,并对用户进行提示,可选的,提示用户重新进行验证等。
本发明实施例的技术方案通过基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对时域步态数据进行提取,得到各个周期的时域步态数据,将各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据,将第一步态数据进行坐标转换得到第二步态数据,将第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与目标用户相对应的特征序列,将目标用户的特征序列输入至与目标用户相对应的单分类模型中,当单分类模型输出的数据为第一预设数据时,则认证通过,解决了现有技术中对用户进行身份认证易受外界环境影响、通用性较差、精确度较低以及成本较高的技术问题,实现了由于用户的步态信息具备个性化,当通过用户的步态信息进行身份认证时,提高了身份认证的准确性以及安全性的技术效果。
实施例二
在基于移动终端中的传感器采集目标用户的当前时域动作信息之前,还需要得到特征生成模型,以便每个用户通过特征生成模型得到与每个用户相对应的特征序列,从而采用单分类向量机算法对获取的特征序列进行训练得到单分类模型,所述单分类模型还可以根据用户输入的特征序列判定当前的用户是否为目标用户。图2为本发明实施例二所提供的一种身份认证方法流程示意图,如图2所述,本发明实施例的方法包括:
S210、获取至少一个用户的时域步态数据,采用周期性算法对至少一个用户的至少的时域步态数据进行提取,得到与至少一个用户相对应的各个周期的时域步态数据,并提取所述各个周期的时域步态数据中的至少一个周期的时域步态数据进行相应的坐标转换。
需要说明的是,特征生成模型是基于大数据训练得到的,因此需要获取多个用户的时域步态数据,再采用周期性算法对获取到的时域步态数据进行提取处理,得到各个周期的时域步态数据,从各个周期的时域步态数据中提取至少一个周期的时域步态数据作为第一步态数据。此时获取到的第一步态数据采用的手机坐标系,不便于分析计算。为了便于对处理得到的周期性时域步态数据进行处理,采用坐标转换算法将手机坐标系下的数据转换为惯性坐标系中的数据,也就是得到第二步态数据。需要说明的是,第一步态数据与第二步态数据本质是相同的,只是不同坐标系下数值可能存在不同。
S220、将进行坐标转换后得到的所述至少一个周期的时域步态数据转化为与所述至少一个周期的时域步态数据相对应的至少一个周期的频域步态信息。
由于采用深度学习网络算法对获取的数据进行训练学习得到特征生成模型,然而该算法的输入端是图片或者相应的频谱信息,因此可以采用傅里叶级数变化对周期性的时域步态数据进行处理得到与所述至少一个周期的时域步态数据相对应的至少一个周期的频域步态信息。
S230、将所述至少一个周期的频域步态信息作为第一样本数据,采用深度学习网络算法训练得到特征生成模型。
将与至少一个用户相对应的至少一个周期的频域步态数据信息作数深度学习网络算法的输入数据,经大数据训练学习得到特征生成模型。
示例性的,对至少1000个用户进行标记,也就是说对其进行编号,以便后续使用。获取至少1000个用户的时域步态数据,对获取到的至少1000个时域步态数据经周期性算法处理、坐标转换算法处理后分别得到与至少1000个用户时域步态数据相对应的频域步态信息,也就是与至少1000个用户相对应的频谱图;再将至少1000个用户的频谱图作为深度神经网络算法的输入端数据,通过对至少1000个频谱图像的处理得到特征生成模型。
为了进一步确保经大数据训练得到的特征生成模型的准确性,获取与至少1000个用户不同用户的数据信息,经一系列处理后输入至该特征生成模型得到与每个用户相对应的特征序列。可选的,获取100个用户的时域步态信息并经特征生成模型得到与100个用户相对应的特征序列,对其进行验证匹配,若理论上的匹配结果与真实结果的误差率超出预设误差范围时,可选的,误差范围在在千分之一至千分之三之内,则认为该特征生成模型还需要进行学习训练,可选的,获取更多用户的时域动作信息,重复S210、S220,直至经特征生成模型得到的特征序列经匹配后的误差率在预设误差范围之内,得到最终使用的特征生成模型。
S240、基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据。
获取目标用户的时域步态数据,采用周期性算法对此时的时域步态数据进行处理,得到各个周期的时域步态数据,并从各个周期的时域步态数据中提取至少一个周期的时域步态数据作为第一步态数据。
S250、将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列。
将第一步态数据采用坐标转换算法得到第二步态数据,也就是将手机坐标系中的数据转换为惯性坐标系下的数据,并采用傅里叶级数变换将第二步态数据信息转换为频域信息。将此时得到的频域信息输入至训练学习得到的特征生成模型中,特征生成模型对频域步态数据信息进行处理得到与当前用户相对应的特征序列。
S260、将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,得到所述单分类模型输出的数据。
从数据库中调取与目标用户相对应的单分类向量模型,将当前处理得到的特征序列输入至单分类模型,单分类模型对该特征序列进行处理,并输出与当前用户相对应的数据。示例性地,单分类模型可以是单分类支持向量机模型。
S270、判断输出的数据为第几预设数据,若为第一预设数据,执行S280;若为第二预设数据,执行S290。
单分类模型可以对输入的特征序列进行处理,得到与所述特征序列相对应的预设数据,可选的,单分类模型输出的数据可以为1或-1,其中,若单分类模型输出的数据为第一预设数据,可选的,输出的数据为1,则认为当前用户为目标用户,执行S280,也就是说输出的数据为1时,则认为是目标用户在使用该移动终端;若输出的数据为第二预设数据时,可选的,输出的数据为-1,则认为当前使用该移动终端的用户不是目标用户,则执行S290。
需要说明的,输出的预设分别是什么以及所对应的认证是否通过的情况,用户可以根据实际及需求进行提前设置。
S280、认证通过。
单分类模型输出的数据为第一预设数据,可选的,输出的数据为1,则认为当前用户为目标用户,身份认证成功,当前用户可以打开该应用程序并使用。
S290、认证失败,并对用户进行提示。
若输出的数据为第二预设数据,可选的,输出的数据为-1,则认为当前操作该移动终端的用户不是目标用户,也有可能是目标用户做出的步态与提前录入的步态数据信息差别较大。当认证失败时,应用程序的页面上可弹出是否重新认证的对话框,目标用户可以根据实际需求进行选择,例如当用户选择是时,则返回执行S240;若用户选择否,可弹出认证失败页面以提示用户认证失败。需要说明的是为了保证用户使用该应用程序的安全性,当用户重复执行认证操作至少两次时,可选的三次,单分类模型输出的值均为-1,应用程序的页面上可以弹出认证失败,请稍后重试的信息,可选的,五分钟后重新尝试或者更换认证方式等信息。
本发明实施例的技术方案通过基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对时域步态数据进行提取,得到各个周期的时域步态数据,将各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据,将第一步态数据进行坐标转换得到第二步态数据,将第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与目标用户相对应的特征序列,将目标用户的特征序列输入至与目标用户相对应的单分类模型中,当单分类模型输出的数据为第一预设数据时,则认证通过,解决了现有技术中对用户进行身份认证易受外界环境影响、通用性较差、精确度较低以及成本较高的技术问题,实现了由于用户的步态信息具备个性化,当通过用户的步态信息进行身份认证时,提高了身份认证的准确性以及安全性的技术效果。
实施例三
作为上述实施例的一优选实施例,图3为本发明实施例三所提供的一种身份认证方法流程示意图,如图3所述,本发明实施例的方法包括:
S310、原始数据。通过移动终端中内设的传感器获取目标用户的时域步态数据,其中,该时域步态数据可以是当前用户步行至少三步的时域步态数据,可选的,六步等。
S320、过滤数据。
此时获取到的时域步态数据具有一定的噪声,需要对其进行去噪处理,可选的,采用低通滤波法对获取的时域步态数据进行过滤,得到处理后的时域步态数据。
S330、周期提取。
用户在步行的过程中,两步一个循环,具有极强的周期性。所以基本上一个周期(1秒左右)就包含了一个用户的步态特征,三个以上周期的时域步态数据基本上就可以确定是否为目标用户。事实上,如果程序能够在后台自然的静默运行,四五秒的数据可以进行一次是否为目标用户的判别。因此可以对当前用户的时域步态数据采用周期性算法进行处理,其具体的处理步骤可参见实施例一公开的技术方案。
S340、坐标转换。
需要说明的是,移动终端可以是手机,手机中内设的传感器采集的时域步态数据为原始步态数据,是通过手机坐标系得到的。然而手机的方向可以是任意的,因此重力加速度及用户的加速度等数据在手机坐标系上的投影也是任意的,不便于对获取的数据进行分析。在此种条件下,将手机坐标系下原始数据转换到地球坐标系中。根据数据的代表性选取垂直地面方向的分量作为主要考察数据。在三个方向中,该方向数据可能较好,这是因为人行走时在克服重力做功时该方向最有特点。所以周期提取完加入了坐标转换的算法。其中,坐标转换的具体可参见实施例坐标转换算法。
S350、时频转换。
采用傅里叶级数变换对采用周期性算法处理后的得到的时域步态数据转换为频域步态数据,也就是,将时序数据转换为时频数据,这样可以把数据换成图像格式数据为深度学习奠定基础。
S360、特征提取。
将处理后的频谱信息输入至特征生成模型中,得到与当前用户信息相对应的特征序列。传统的流程是直接采用深度学习作为最后的识别模型或者是提取统计类的特征再采用多分类模型,这种做法的缺点是加入用1000人训练模型,而第1001个人没有办法识别。而我们将时频数据输入到深度学习网络中提取特征,再将特征传入到单分类模型当中。这样做的好处是我们用1000数据仅仅训练是特征工程储存起来。
S370、识别模型。
识别模型主要用于对用户输入的特征训练,进行判断。示例性的,当1001过来以后,把原始数据进行数据预处理,带入保存好的特征工程得到特征数据,再利用这些特征数据训练1001的单分类支持向量机模型保存下来,来一条识别数据,带入1001的单分类支持向量机模型中如果判断是1001用户的步态数据返回1,不是返回-1.
实施例四
图4为本发明实施例四提供的一种身份认证装置结构示意图,该装置包括:一种身份认证装置,其特征在于,包括:周期提取信息模块410、特征序列生成模块420、认证模块430。其中,周期提取信息模块410,用于基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据;特征序列生成模块420,用于将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列;认证模块430,用于将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过。
本发明实施例的技术方案通过基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对时域步态数据进行提取,得到各个周期的时域步态数据,将各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据,将第一步态数据进行坐标转换得到第二步态数据,将第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与目标用户相对应的特征序列,将目标用户的特征序列输入至与目标用户相对应的单分类模型中,当单分类模型输出的数据为第一预设数据时,则认证通过,解决了现有技术中对用户进行身份认证易受外界环境影响、通用性较差、精确度较低以及成本较高的技术问题,实现了由于用户的步态信息具备个性化,当通过用户的步态信息进行身份认证时,提高了身份认证的准确性以及安全性的技术效果。
在上述技术方案的基础上,所述装置还包括:第一周期处理单元,用于获取至少一个用户的时域步态数据,采用周期性算法对至少一个用户的至少的时域步态数据进行提取,得到与至少一个用户相对应的各个周期的时域步态数据,并提取所述各个周期的时域步态数据中的至少一个周期的时域步态数据进行相应的坐标转换;将进行坐标转换后得到的所述至少一个周期的时域步态数据转化为与所述至少一个周期的时域步态数据相对应的至少一个周期的频域步态信息;将所述至少一个周期的频域步态信息作为第一样本数据,采用深度学习网络算法训练得到特征生成模型;其中,所述特征生成模型用于基于用户的频域动作信息生成对应用户的特征序列。
在上述各技术方案的基础上,所述装置中的周期性算法包括:采用公式对所述时域步态数据进行提取,得到至少一组周期性的时域步态数据;其中,x是原始数据,w是权重。
在上述各技术方案的基础上,所述特征序列生成模块还用于将手机坐标系中的所述第一步态数据中基于采用坐标转换算法得到惯性坐标系中的所述第二步态数据。
在上述各技术方案的基础上,所述认证模块还用于将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,得到所述单分类模型输出的数据;若输出的数据为所述第一预设数据时,则认证通过;若输出的数据为第二预设数据时,则认证失败,对用户进行提示。
在上述各技术方案的基础上,基于移动终端中的陀螺仪传感器获取目标用户的时域步态数据;或,基于移动终端中的加速度感器获取目标用户的时域步态数据。本发明实施例所提供的身份认证装置可执行本发明任意实施例所提供的身份认证方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例五
图5为本发明实施例五提供的一种设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性终端50的框图。图5显示的终端50仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,终端50以通用计算设备的形式表现。终端50的组件可以包括但不限于:一个或者多个处理器或者处理单元501,系统存储器502,连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
终端50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被终端50访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)504和/或高速缓存存储器505。终端50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统506可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508,可以存储在例如存储器502中,这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
终端50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信,还可与一个或者多个使得用户能与该终端50交互的设备通信,和/或与使得该终端50能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口511进行。并且,终端50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器512通过总线503与终端50的其它模块通信。应当明白,尽管图5中未示出,可以结合终端50使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的身份认证方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种身份认证方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种身份认证方法,其特征在于,包括:
基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据;
将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列;
将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取至少一个用户的时域步态数据,采用周期性算法对至少一个用户的至少的时域步态数据进行提取,得到与至少一个用户相对应的各个周期的时域步态数据,并提取所述各个周期的时域步态数据中的至少一个周期的时域步态数据进行相应的坐标转换;
将进行坐标转换后得到的所述至少一个周期的时域步态数据转化为与所述至少一个周期的时域步态数据相对应的至少一个周期的频域步态信息;
将所述至少一个周期的频域步态信息作为第一样本数据,采用深度学习网络算法训练得到特征生成模型;
其中,所述特征生成模型用于基于用户的频域动作信息生成对应用户的特征序列。
3.根据权利要求1所述的方法,其特征在于,所述采用周期性算法对所述时域步态数据进行提取,得到至少一组周期性的时域步态数据,包括:
采用公式
对所述时域步态数据进行提取,得到至少一组周期性的时域步态数据;
其中,x是原始数据,w是权重。
4.根据权利要求1所述的方法,其特征在于,所述将所述第一步态数据进行坐标转换得到第二步态数据,包括:
将手机坐标系中的所述第一步态数据中基于采用坐标转换算法得到惯性坐标系中的所述第二步态数据。
5.根据权利要求1所述的方法,其特征在于,所述将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过,包括:
将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,得到所述单分类模型输出的数据;
若输出的数据为所述第一预设数据时,则认证通过;
若输出的数据为第二预设数据时,则认证失败,对用户进行提示。
6.根据权利要求1所述的方法,其特征在于,所述基于移动终端中的传感器获取目标用户的时域步态数据,包括:
基于移动终端中的陀螺仪传感器获取目标用户的时域步态数据;或,
基于移动终端中的加速度感器获取目标用户的时域步态数据。
7.一种身份认证装置,其特征在于,包括:
周期提取信息模块,用于基于移动终端中的传感器采集目标用户的时域步态数据,采用周期性算法对所述时域步态数据进行提取,得到各个周期的时域步态数据,将所述各个周期的时域步态数据中的至少一个周期的时域步态数据作为第一步态数据;
特征序列生成模块,用于将所述第一步态数据进行坐标转换得到第二步态数据,将所述第二步态数据转化为频域步态信息,并基于预先训练好的特征生成模型得到与所述目标用户相对应的特征序列;
认证模块,用于将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,当所述单分类模型输出的数据为第一预设数据时,则认证通过。
8.根据权利要求7所述的装置,其特征在于,所述认证模块还用于:
将所述目标用户的特征序列输入至与所述目标用户相对应的单分类模型中,得到所述单分类模型输出的数据;
若输出的数据为所述第一预设数据时,则认证通过;
若输出的数据为第二预设数据时,则认证失败,对用户进行提示。
9.一种终端,其特征在于,所述终端包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的身份认证方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的身份认证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810550790.9A CN108847941B (zh) | 2018-05-31 | 2018-05-31 | 身份认证方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810550790.9A CN108847941B (zh) | 2018-05-31 | 2018-05-31 | 身份认证方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108847941A true CN108847941A (zh) | 2018-11-20 |
CN108847941B CN108847941B (zh) | 2021-08-06 |
Family
ID=64210414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810550790.9A Active CN108847941B (zh) | 2018-05-31 | 2018-05-31 | 身份认证方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108847941B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
WO2020211459A1 (zh) * | 2019-04-15 | 2020-10-22 | 歌尔股份有限公司 | 使用对象确定方法、设备及存储介质 |
CN112967427A (zh) * | 2021-02-08 | 2021-06-15 | 遥相科技发展(北京)有限公司 | 一种利用可穿戴设备进行解锁的方法及系统 |
CN113068409A (zh) * | 2019-10-28 | 2021-07-02 | 韩国烟草人参公社 | 执行使用者认证的设备和方法 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120191016A1 (en) * | 2011-01-25 | 2012-07-26 | Harris Corporation | Gait based notification and control of portable devices |
CN106850955A (zh) * | 2016-12-20 | 2017-06-13 | 陕西尚品信息科技有限公司 | 一种基于步态识别的手机身份验证方法 |
CN106951868A (zh) * | 2017-03-22 | 2017-07-14 | 海南职业技术学院 | 一种基于身形特征的步态识别方法及装置 |
CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及系统 |
-
2018
- 2018-05-31 CN CN201810550790.9A patent/CN108847941B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120191016A1 (en) * | 2011-01-25 | 2012-07-26 | Harris Corporation | Gait based notification and control of portable devices |
CN106850955A (zh) * | 2016-12-20 | 2017-06-13 | 陕西尚品信息科技有限公司 | 一种基于步态识别的手机身份验证方法 |
CN106951868A (zh) * | 2017-03-22 | 2017-07-14 | 海南职业技术学院 | 一种基于身形特征的步态识别方法及装置 |
CN107103297A (zh) * | 2017-04-20 | 2017-08-29 | 武汉理工大学 | 基于手机加速度传感器的步态身份识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
(俄)玛丽娜•L•加夫里洛娃,(孟加拉)玛若夫•莫沃: "《安全系统中的多模态生物特征识别与智能图像处理》", 30 September 2016 * |
刘晨轩: "《《语音信号短时分析算法研究与实现》》", 《价值工程》 * |
张丽娜: "《基于加速度传感器的步态特征身份认证》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020211459A1 (zh) * | 2019-04-15 | 2020-10-22 | 歌尔股份有限公司 | 使用对象确定方法、设备及存储介质 |
CN110263870A (zh) * | 2019-06-26 | 2019-09-20 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
CN110263870B (zh) * | 2019-06-26 | 2023-04-18 | 深圳市悦动天下科技有限公司 | 运动状态识别方法、装置、智能终端和存储介质 |
CN113068409A (zh) * | 2019-10-28 | 2021-07-02 | 韩国烟草人参公社 | 执行使用者认证的设备和方法 |
CN112967427A (zh) * | 2021-02-08 | 2021-06-15 | 遥相科技发展(北京)有限公司 | 一种利用可穿戴设备进行解锁的方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN108847941B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108847941A (zh) | 身份认证方法、装置、终端及存储介质 | |
CN106599772B (zh) | 活体验证方法和装置及身份认证方法和装置 | |
US9432366B2 (en) | Fingerprint based smartphone user verification | |
KR102501838B1 (ko) | 심전도 신호를 이용한 인증 장치 및 방법 | |
US20170220843A1 (en) | Fingerprint based smart phone user verification | |
US20180012003A1 (en) | Pointing device biometrics continuous user authentication | |
US20160342826A1 (en) | Fingerprint based smart phone user verification | |
Blanco‐Gonzalo et al. | Performance evaluation of handwritten signature recognition in mobile environments | |
Alsaadi | Study on most popular behavioral biometrics, advantages, disadvantages and recent applications: A review | |
CN107679860A (zh) | 一种用户认证的方法、装置、设备和计算机存储介质 | |
CN108710788A (zh) | 一种安全认证方法、装置、终端及存储介质 | |
CN106888204B (zh) | 基于自然交互的隐式身份认证方法 | |
CN110298240A (zh) | 一种汽车用户识别方法、装置、系统及存储介质 | |
El Saddik et al. | A novel biometric system for identification and verification of haptic users | |
US20230027527A1 (en) | Identity authentication method, and method and apparatus for training identity authentication model | |
Acien et al. | BeCAPTCHA: Detecting human behavior in smartphone interaction using multiple inbuilt sensors | |
CN111314299B (zh) | 身份验证方法、装置及系统 | |
CN106921500B (zh) | 一种移动设备的身份认证方法及装置 | |
Gupta et al. | A survey of human-computer interaction (HCI) & natural habits-based behavioural biometric modalities for user recognition schemes | |
CN111563746A (zh) | 用户身份认证的方法、装置、电子设备和介质 | |
TWM583581U (zh) | 虛擬實境輔助交易系統 | |
Senarath et al. | BehaveFormer: A Framework with Spatio-Temporal Dual Attention Transformers for IMU-enhanced Keystroke Dynamics | |
CN115906028A (zh) | 用户身份验证方法、装置和自助服务终端 | |
Batool et al. | Biometric authentication in cloud computing | |
Ducray et al. | Authentication based on a changeable biometric using gesture recognition with the kinect™ |
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 |