CN109918883A - 一种基于手绘轨迹的生物性特征的身份验证方法 - Google Patents
一种基于手绘轨迹的生物性特征的身份验证方法 Download PDFInfo
- Publication number
- CN109918883A CN109918883A CN201910132470.6A CN201910132470A CN109918883A CN 109918883 A CN109918883 A CN 109918883A CN 201910132470 A CN201910132470 A CN 201910132470A CN 109918883 A CN109918883 A CN 109918883A
- Authority
- CN
- China
- Prior art keywords
- track
- password
- pixel
- user
- training
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于手绘轨迹的生物性特征的身份验证方法,包括:收集轨迹训练图像;对收集的轨迹训练图像进行预处理得到训练样本;构建卷积神经网络模型;基于训练样本对卷积神经网络模型进行训练得到轨迹训练模型;获取用户设置的轨迹密码,基于轨迹密码对轨迹训练模型进行训练得到用户的轨迹密码验证模型;获取用户输入的待验证轨迹密码,基于用户的轨迹密码验证模型对待验证轨迹密码进行验证。本发明的身份验证方法使得用户在需要使用密码进行解锁以实现身份验证及类似的场景中,只需要绘制简单的轨迹,由于每个人绘制的轨迹具有唯一的生物性特征,因此无需对轨迹图案进行保密,安全性高,用户操作简便,极大地提升了用户体验。
Description
技术领域
本发明涉及密码验证技术领域,尤其涉及一种基于手绘轨迹的生物性特征的身份验证方法。
背景技术
随着科技的进步,现在人们生活中需要使用密码进行解锁实现身份验证的场景越来越多,比如:超市储物柜解锁,家里的智能门锁,公司门禁,移动设备的解锁或者APP获得设备使用的授权,各种嵌入式设备等等。但是,现有的身份验证方式中的验证密码一般都采用由数字、字母、符号等组合而成的字符密码。它的使用流程一般为:注册账号时设置一个对应的字符串作为密码,下次登录时填入密码,与账户ID匹配则通过验证。虽然这种密码形式已经应用了很多年,但是存在安全保密系数并不是很高等缺陷,具体表现如下:
1、字符密码必须由密码设置者进行保密,如果密码泄漏,任何人拿到密码都可以登录账号;
2、字符密码的密码强度与便于记忆的矛盾:字符密码的强度跟字符组合的复杂度有关,字符组合越复杂越安全,显然也越容易遗忘,另外,字符集合的数量毕竟是有限的,理论上任意字符组合的密码都可以通过穷举来破解;
3、字符密码只能做正确性校验,而不能做生物性唯一校验:字符密码只要输入正确就能登录系统,哪怕不是本人登录,也就说我们可以通过技术或者非技术手段获取他人账户密码,就可以侵入他人账户;
鉴于字符密码存在的上述缺陷,目前逐渐出现了一些具有生物唯一性的保密性更好的密码形式,例如指纹密码、人脸识别密码等,指纹识别和人脸识别目前已经应用很广了,但是作为通用密码还有很大的局限性:一是设备支持度不够,比如绝大多数PC端就无法录入;二是涉及到隐私,目前一般作为移动设备的解锁密码,或者APP获得设备使用授权,用户并不愿意将这些生物特征随意作为任意账户的密码导致用户体验差;三是这类具有生物唯一性的生物密码具有单次报废的缺陷,比如指纹信息一旦丢失就无法修改,毕竟人只有10个手指,而且通过某些手段获取别人的指纹并非难事,因此密码的安全性并不是很高。
综上所述可知,现有的身份验证方式存在不够安全、操作繁琐和用户体验差的问题。
因此,如何设计一种更安全、更方便的身份验证方式,提升用户体验,是目前本领域人员亟待解决的问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种基于手绘轨迹的生物性特征的身份验证方法,有效解决了现有技术中身份验证方式存在不够安全、操作繁琐和用户体验差的问题。
为了实现本发明的上述目的,本发明提供了一种基于手绘轨迹的生物性特征的身份验证方法,所述方法包括如下步骤:
S1、收集轨迹训练图像;
S2、对收集的所述轨迹训练图像进行预处理得到训练样本;
S3、构建卷积神经网络模型;
S4、基于所述训练样本对所述卷积神经网络模型进行训练得到轨迹训练模型;
S5、获取用户设置的轨迹密码,基于所述轨迹密码对所述轨迹训练模型进行训练得到所述用户的轨迹密码验证模型;
S6、获取所述用户输入的待验证轨迹密码,基于所述用户的轨迹密码验证模型对所述待验证轨迹密码进行验证。
优选地,所述步骤S1包括:
S11、通过安装有轨迹记录程序的装置获取若干轨迹训练图像,对所述轨迹训练图像进行标注;
S12、记录每个所述轨迹图像所通过的像素点的坐标和绘制该像素点时的相对时间。
优选地,所述步骤S2包括:
S21、基于每个所述轨迹图像的所述像素点的坐标和绘制该像素点时的相对时间计算所述轨迹训练图像中通过每一个像素点的速度;
S22、以特定数据格式记录每一个所述轨迹训练图像的轨迹训练数据得到所述训练样本,其中,所述轨迹训练数据包括该轨迹训练图像的每一像素点的若干个属性,所述若干个属性至少包括该像素点是否被绘制、通过该像素点的速度和绘制该像素点时的相对时间。
优选地,所述步骤S3中的卷积神经网络模型的池化层采用最大池化层,连接偏置初始化为零,权重初始化采用高斯函数进行初始化。
优选地,所述步骤S4包括:
S41、设计代价函数;
S42、将所述训练样本输入到所述卷积神经网络模型;
S43、通过优化所述代价函数对所述卷积神经网络模型进行训练得到轨迹训练模型。
优选地,所述代价函数为交叉熵代价函数。
优选地,所述步骤S43中优化所述代价函数的优化器采用Adadelta优化器。
优选地,所述步骤S5包括:
S51、通过安装有轨迹记录程序的装置获取用户设置的轨迹密码;
S52、记录所述轨迹密码的轨迹图像所通过的像素点的坐标和绘制该像素点时的相对时间;
S53、基于所述像素点的坐标和绘制该像素点时的相对时间计算所述轨迹密码的轨迹图像上通过每一个像素点的速度;
S54、以特定数据格式记录所述轨迹密码的轨迹图像的轨迹密码数据,其中,所述轨迹密码数据包括该轨迹密码的轨迹图像的每一像素点的若干个属性,所述若干个属性至少包括该像素点是否被绘制、通过该像素点的速度和绘制该像素点时的相对时间;
S55、固定所述轨迹训练模型中所有的隐藏层参数,将所述轨迹密码数据输入到所述轨迹训练模型中,得到最后一个全连接层的若干个神经元的输出向量,进而得到所述用户的轨迹密码验证模型;
S56、设置容错函数,以使在通过所述用户的轨迹密码验证模型进行轨迹密码验证时在所述容错函数的可容错范围内通过验证。
优选地,所述步骤S6包括:
S61、获取用户输入的待验证轨迹密码;
S62、对所述待验证轨迹密码进行数据处理得到待验证轨迹密码数据;
S63、将所述待验证轨迹密码数据输入到所述用户对应的轨迹密码验证模型中;
S64、计算出最后一个全连接层的若干个神经元的输出向量,并与所述用户相对应的轨迹密码模型中的相应若干个神经元的输出向量进行对比得到比较结果;
S65、根据所述比较结果和容错函数的可容错范围判断所述待验证轨迹密码是否通过验证。
优选地,所述步骤S61之前还包括:
显示用于提示用户输入待验证轨迹密码的提示信息。
由以上方案可知,本发明提供了一种基于手绘轨迹的生物性特征的身份验证方法,所述方法包括如下步骤:S1、收集轨迹训练图像;S2、对收集的所述轨迹训练图像进行预处理得到训练样本;S3、构建卷积神经网络模型;S4、基于所述训练样本对所述卷积神经网络模型进行训练得到轨迹训练模型;S5、获取用户设置的轨迹密码,基于所述轨迹密码对所述轨迹训练模型进行训练得到所述用户的轨迹密码验证模型;S6、获取所述用户输入的待验证轨迹密码,基于所述用户的轨迹密码验证模型对所述待验证轨迹密码进行验证。本发明的身份验证方法基于人类在用鼠标或手完成指定轨迹的绘制时会保持生物特征的一致性这一特性,使得用户在需要使用密码进行解锁实现身份验证的场景中及类似的场景中,只需要绘制简单的轨迹,由于每个人绘制的轨迹具有唯一的生物性特征,因此无需对轨迹图案进行保密,且安全性高,用户操作简便,极大地提升了用户体验。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一种基于手绘轨迹的生物性特征的身份验证方法的流程示意图;
图2是本发明一种基于手绘轨迹的生物性特征的身份验证方法的优选实施方式中轨迹训练图像的收集界面;
图3是本发明一种基于手绘轨迹的生物性特征的身份验证方法的优选实施方式中卷积神经网络模型的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
通过研究发现人类在用鼠标或手完成指定轨迹的绘制时,会保持生物特征的一致性,也就是说同一个人多次绘制同样一段轨迹时一些生物性特征参数化以后,会稳定的分布在一定的方差区间内。而其他人绘制这段轨迹又会分布到另外不同的特征方差区间。这些生物性特征可以通过深度学习建立模型提取出来,绘制轨迹时的速度,加速度,拐弯及直线绘制属性,都会是最终参数化特征的影响因子。正是基于这样的发现,我们提出将人类的手绘轨迹作为身份验证密码。
因此,本发明提供了一种基于手绘轨迹的生物性特征的身份验证方法,如图1所示,该方法包括如下步骤:
S1、收集轨迹训练图像;
首先,需要收集海量手绘轨迹的图像作为轨迹训练图像,具体可以通过如下步骤进行收集:
S11、通过安装有轨迹记录程序的装置获取若干轨迹训练图像,对轨迹训练图像进行标注;
收集手绘轨迹的图像时,用户可以通过操作鼠标在安装有轨迹记录程序的装置上绘制特定轨迹,用户也可以通过手直接在带触摸屏的安装有轨迹记录程序的装置上绘制特定轨迹,轨迹训练图像的收集界面具体如图2所示,该特定轨迹可以是字母、数字、图形等,获取到轨迹训练图像后,通过手动记录方式对收集的轨迹训练图像的类型进行标注,以便对海量的轨迹训练图像进行分类,区分每一个轨迹训练图像的类型。具体地,在本实施方式中,在对收集的轨迹训练图像进行标注时标注两种标签,第一种标签是采用独热编码(One-Hot编码),标注图像是什么,例如所有的轨迹训练图像总共有4种图形,分别是a、b、c、d,那么我们在标注时,a标注为0001,b标注为0010,c标注为0100,d标注为1000。这样就避免了用户输入不规则图形时的标注问题;同时,我们还对所有的轨迹训练图像标注第二种标签,即该图形是哪个用户绘制的,以通过该标签获取该用户绘制的其他图形,输入训练模型中进行训练。
S12、记录每个轨迹图像所通过的像素点的坐标和绘制该像素点时的相对时间。
获取到轨迹训练图像时,通过设计好的程序自动记录轨迹训练图像所通过的像素点的坐标和绘制该像素点时的相对时间。
S2、对收集的轨迹训练图像进行预处理得到训练样本;
收集到轨迹训练图像后,需要对收集的轨迹训练图像进行预处理,从而得到训练样本,具体可以通过如下步骤进行对收集的轨迹训练图像进行预处理:
S21、基于每个轨迹图像的像素点的坐标和绘制该像素点时的相对时间计算轨迹训练图像中通过每一个像素点的速度;
S22、以特定数据格式记录每一个轨迹训练图像的轨迹训练数据得到训练样本,其中,轨迹训练数据包括该轨迹训练图像的每一像素点的若干个属性,该若干个属性至少包括该像素点是否被绘制、通过该像素点的速度和绘制该像素点时的相对时间。
例如,获取的轨迹训练图像的个数为2n,每个轨迹训练图像的大小为255*255像素,每个像素点的属性有三条数据,分别是该像素点是否绘制(1代表该点被绘制,0代表没有)、通过该像素点的速度和经过该像素点时的相对时间,训练时每次输入两条轨迹训练数据,若该两条轨迹训练数据为同一人所绘制的相同图案,则标注为1,若非同一人绘制或图案不同,则标注为0,数据格式为2*n*255*255*3,3代表每个像素点包含3个属性。
S3、构建卷积神经网络模型;
得到训练样本后,需要构建卷积神经网络模型,具体地,该卷积神经网络模型的池化层采用最大池化层,连接偏置初始化为零,权重初始化采用高斯函数进行初始化。在本实施方式中,该卷积神经网络模型的具体结构如图3所示。该卷积神经网络模型参照了孪生神经网络(Siamese Network),由两个共享权值的网络构成,在顶层合并后利用L1-距离(即曼哈顿距离)计算两个输入的相似度。该网络有两个输入数据,每个输入数据的格式均为n*255*255*3,其中n代表n对训练样本,3代表每个像素点包含3个属性。将两个输入数据输入至两个共享权值的神经网络中,经过神经网络计算,得到两个输入数据在新的空间的映射向量,再基于L1-距离计算两个映射向量的差别,最后将两个映射向量的差别转换为0到1的浮点数输出。0代表完全不相似,1代表非常相似。
S4、基于训练样本对卷积神经网络模型进行训练得到轨迹训练模型;
构建好卷积神经网络模型后,将训练样本输入到该卷积神经网络模型从而对该卷积神经网络模型进行训练,则得到轨迹训练模型。
具体地,在本实施方式中,对该卷积神经网络模型进行训练的具体步骤如下:
S41、设计代价函数;
具体地,在本实施方式中,代价函数具体可以是交叉熵代价函数。
S42、将训练样本输入到卷积神经网络模型;
S43、通过优化代价函数对卷积神经网络模型进行训练得到轨迹训练模型。
具体地,我们输入的训练样本通过卷积神经网络模型的计算,不仅可以记录该用户绘制的几何形状、绘制所用的时间和绘制每点时的速度,也可以提取出更高阶的特征,例如用户绘制轨迹时起始或结束时的加速度、绘制某个拐弯的特定习惯等,并将这些特征映射在高维空间,形成利于计算相似度的数学表示。通过得到的轨迹训练模型可以从后续步骤中的轨迹密码数据中提取出用户绘制轨迹的生物性特征。
具体地,在本实施方式中,优化代价函数的优化器采用Adadelta优化器。
S5、获取用户设置的轨迹密码,基于轨迹密码对轨迹训练模型进行训练得到用户的轨迹密码验证模型;
得到轨迹训练模型后,则可使用户在安装有轨迹记录程序的装置上设置轨迹密码,并通过该轨迹密码的图像对轨迹训练模型进行训练得到该用户的轨迹密码验证模型,具体包括如下步骤:
S51、通过安装有轨迹记录程序的装置获取用户设置的轨迹密码;
S52、记录轨迹密码的轨迹图像所通过的像素点的坐标和绘制该像素点时的相对时间;
S53、基于像素点的坐标和绘制该像素点时的相对时间计算轨迹密码的轨迹图像上通过每一个像素点的速度;
S54、以特定数据格式记录轨迹密码的轨迹图像的轨迹密码数据,其中,轨迹密码数据包括该轨迹密码的轨迹图像的每一像素点的若干个属性,该若干个属性至少包括该像素点是否被绘制、通过该像素点的速度和绘制该像素点时的相对时间;其中,该轨迹密码数据的数据格式具体可以是1*255*255*3,其中3代表每个像素点包含3个属性。
S55、固定轨迹训练模型中所有的隐藏层参数,将轨迹密码数据输入到轨迹训练模型中,得到最后一个全连接层的K个神经元的输出向量,进而得到该用户的轨迹密码验证模型;此时得到的用户的轨迹密码验证模型为可以用K个参数表示该用户的轨迹特征的模型。
S56、设置容错函数,以使在通过用户的轨迹密码验证模型进行轨迹密码验证时在容错函数的可容错范围内通过验证。
S6、获取用户输入的待验证轨迹密码,基于用户的轨迹密码验证模型对待验证轨迹密码进行验证。
得到用户的轨迹密码验证模型后,在该用户需要进行轨迹密码验证时,该用户首先输入待验证的轨迹密码,然后通过轨迹密码验证模型对待验证轨迹密码进行验证,以判断用户输入的待验证的轨迹密码是否正确,从而对用户的身份进行验证。具体地,在本实施方式中,用户进行轨迹密码验证具体包括如下步骤:
S61、获取用户输入的待验证轨迹密码;
S62、对待验证轨迹密码进行数据处理得到待验证轨迹密码数据;
S63、将待验证轨迹密码数据输入到用户对应的轨迹密码验证模型中;
S64、计算出最后一个全连接层的K个神经元的输出向量,并与用户相对应的轨迹密码模型中的相应K个神经元的输出向量进行对比得到比较结果;
S65、根据比较结果和容错函数的可容错范围判断待验证轨迹密码是否通过验证。
优选地,在本实施方式中,在用户通过手绘轨迹进行身份验证时,还可以在密码输入界面显示用于提示用户输入待验证轨迹密码的提示信息,例如,用户设置的轨迹密码图案为字母“S”,则可提示用户“请输入S”。
上述方案中的模型训练方法是机器学习领域中常用的训练方法,其训练方法中涉及的代价函数、优化器以及卷积神经网络模型中的激活函数等为常用函数,是成熟的现有技术,可通过现有的模型训练方法进行训练,在此不再赘述。
由以上方案可知,本发明提供了一种基于手绘轨迹的生物性特征的身份验证方法,方法包括如下步骤:S1、收集轨迹训练图像;S2、对收集的轨迹训练图像进行预处理得到训练样本;S3、构建卷积神经网络模型;S4、基于训练样本对卷积神经网络模型进行训练得到轨迹训练模型;S5、获取用户设置的轨迹密码,基于轨迹密码对轨迹训练模型进行训练得到用户的轨迹密码验证模型;S6、获取用户输入的待验证轨迹密码,基于用户的轨迹密码验证模型对待验证轨迹密码进行验证。本发明的身份验证方法基于人类在用鼠标或手完成指定轨迹的绘制时会保持生物特征的一致性这一特性,使得用户在需要使用密码进行解锁实现身份验证的场景中及类似的场景中,只需要绘制简单的轨迹,由于不同的用户对同一个特定轨迹进行手绘时,每个用户的手绘轨迹均能体现其独有的生物性特征,即每个人绘制的轨迹图案具有唯一的生物性特征,别人无法模仿,因此无需对图案进行保密,极大地方便了对用户进行身份验证的方便性,安全性高,用户操作简便,极大地提升了用户体验。
本实施例中,所述基于手绘轨迹的生物性特征的身份验证方法集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于手绘轨迹的生物性特征的身份验证方法,其特征在于,包括如下步骤:
S1、收集轨迹训练图像;
S2、对收集的所述轨迹训练图像进行预处理得到训练样本;
S3、构建卷积神经网络模型;
S4、基于所述训练样本对所述卷积神经网络模型进行训练得到轨迹训练模型;
S5、获取用户设置的轨迹密码,基于所述轨迹密码对所述轨迹训练模型进行训练得到所述用户的轨迹密码验证模型;
S6、获取所述用户输入的待验证轨迹密码,基于所述用户的轨迹密码验证模型对所述待验证轨迹密码进行验证。
2.根据权利要求1所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S1包括:
S11、通过安装有轨迹记录程序的装置获取若干轨迹训练图像,对所述轨迹训练图像进行标注;
S12、记录每个所述轨迹图像所通过的像素点的坐标和绘制该像素点时的相对时间。
3.根据权利要求2所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S2包括:
S21、基于每个所述轨迹图像的所述像素点的坐标和绘制该像素点时的相对时间计算所述轨迹训练图像中通过每一个像素点的速度;
S22、以特定数据格式记录每一个所述轨迹训练图像的轨迹训练数据得到所述训练样本,其中,所述轨迹训练数据包括该轨迹训练图像的每一像素点的若干个属性,所述若干个属性至少包括该像素点是否被绘制、通过该像素点的速度和绘制该像素点时的相对时间。
4.根据权利要求1所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S3中的卷积神经网络模型的池化层采用最大池化层,连接偏置初始化为零,权重初始化采用高斯函数进行初始化。
5.根据权利要求1-4任意一项所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S4包括:
S41、设计代价函数;
S42、将所述训练样本输入到所述卷积神经网络模型;
S43、通过优化所述代价函数对所述卷积神经网络模型进行训练得到轨迹训练模型。
6.根据权利要求5所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述代价函数为交叉熵代价函数。
7.根据权利要求5所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S43中优化所述代价函数的优化器采用Adadelta优化器。
8.根据权利要求1所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S5包括:
S51、通过安装有轨迹记录程序的装置获取用户设置的轨迹密码;
S52、记录所述轨迹密码的轨迹图像所通过的像素点的坐标和绘制该像素点时的相对时间;
S53、基于所述像素点的坐标和绘制该像素点时的相对时间计算所述轨迹密码的轨迹图像上通过每一个像素点的速度;
S54、以特定数据格式记录所述轨迹密码的轨迹图像的轨迹密码数据,其中,所述轨迹密码数据包括该轨迹密码的轨迹图像的每一像素点的若干个属性,所述若干个属性至少包括该像素点是否被绘制、通过该像素点的速度和绘制该像素点时的相对时间;
S55、固定所述轨迹训练模型中所有的隐藏层参数,将所述轨迹密码数据输入到所述轨迹训练模型中,得到最后一个全连接层的若干个神经元的输出向量,进而得到所述用户的轨迹密码验证模型;
S56、设置容错函数,以使在通过所述用户的轨迹密码验证模型进行轨迹密码验证时在所述容错函数的可容错范围内通过验证。
9.根据权利要求8所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S6包括:
S61、获取用户输入的待验证轨迹密码;
S62、对所述待验证轨迹密码进行数据处理得到待验证轨迹密码数据;
S63、将所述待验证轨迹密码数据输入到所述用户对应的轨迹密码验证模型中;
S64、计算出最后一个全连接层的若干个神经元的输出向量,并与所述用户相对应的轨迹密码模型中的相应若干个神经元的输出向量进行对比得到比较结果;
S65、根据所述比较结果和容错函数的可容错范围判断所述待验证轨迹密码是否通过验证。
10.根据权利要求9所述的基于手绘轨迹的生物性特征的身份验证方法,其特征在于,所述步骤S61之前还包括:
显示用于提示用户输入待验证轨迹密码的提示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132470.6A CN109918883B (zh) | 2019-02-22 | 2019-02-22 | 一种基于手绘轨迹的生物性特征的身份验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910132470.6A CN109918883B (zh) | 2019-02-22 | 2019-02-22 | 一种基于手绘轨迹的生物性特征的身份验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109918883A true CN109918883A (zh) | 2019-06-21 |
CN109918883B CN109918883B (zh) | 2022-06-10 |
Family
ID=66962112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910132470.6A Active CN109918883B (zh) | 2019-02-22 | 2019-02-22 | 一种基于手绘轨迹的生物性特征的身份验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109918883B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110768980A (zh) * | 2019-10-22 | 2020-02-07 | 武汉极意网络科技有限公司 | 网络人机验证方法、装置、设备及存储介质 |
CN113672159A (zh) * | 2021-08-24 | 2021-11-19 | 数贸科技(北京)有限公司 | 风控方法、装置、计算设备及计算机存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156650A (zh) * | 2014-08-08 | 2014-11-19 | 浙江大学 | 一种基于手部运动的用户身份识别方法 |
CN105913121A (zh) * | 2015-02-23 | 2016-08-31 | 三星电子株式会社 | 神经网络训练方法和设备以及识别方法和设备 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN106815515A (zh) * | 2016-12-12 | 2017-06-09 | 微梦创科网络科技(中国)有限公司 | 一种基于轨迹验证的验证码实现方法及装置 |
EP3203412A1 (en) * | 2016-02-05 | 2017-08-09 | Delphi Technologies, Inc. | System and method for detecting hand gestures in a 3d space |
CN107766852A (zh) * | 2017-12-06 | 2018-03-06 | 电子科技大学 | 一种基于卷积神经网络的人机鼠标轨迹检测方法 |
CN108399367A (zh) * | 2018-01-31 | 2018-08-14 | 深圳市阿西莫夫科技有限公司 | 手部动作识别方法、装置、计算机设备及可读存储介质 |
CN108804902A (zh) * | 2018-06-05 | 2018-11-13 | 成都睿码科技有限责任公司 | 一种基于深度学习模型的电子手绘安全验证的方法 |
CN108960171A (zh) * | 2018-07-12 | 2018-12-07 | 安徽工业大学 | 一种基于特征迁移学习的转换手势识别到身份识别的方法 |
CN109190351A (zh) * | 2018-09-19 | 2019-01-11 | 宁辛 | 基于移动终端的在线签名者身份认证系统、设备及方法 |
CN109255284A (zh) * | 2018-07-10 | 2019-01-22 | 西安理工大学 | 一种基于运动轨迹的3d卷积神经网络的行为识别方法 |
-
2019
- 2019-02-22 CN CN201910132470.6A patent/CN109918883B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156650A (zh) * | 2014-08-08 | 2014-11-19 | 浙江大学 | 一种基于手部运动的用户身份识别方法 |
CN105913121A (zh) * | 2015-02-23 | 2016-08-31 | 三星电子株式会社 | 神经网络训练方法和设备以及识别方法和设备 |
EP3203412A1 (en) * | 2016-02-05 | 2017-08-09 | Delphi Technologies, Inc. | System and method for detecting hand gestures in a 3d space |
CN106815515A (zh) * | 2016-12-12 | 2017-06-09 | 微梦创科网络科技(中国)有限公司 | 一种基于轨迹验证的验证码实现方法及装置 |
CN106803082A (zh) * | 2017-01-23 | 2017-06-06 | 重庆邮电大学 | 一种基于条件式生成对抗网络的在线笔迹识别方法 |
CN107766852A (zh) * | 2017-12-06 | 2018-03-06 | 电子科技大学 | 一种基于卷积神经网络的人机鼠标轨迹检测方法 |
CN108399367A (zh) * | 2018-01-31 | 2018-08-14 | 深圳市阿西莫夫科技有限公司 | 手部动作识别方法、装置、计算机设备及可读存储介质 |
CN108804902A (zh) * | 2018-06-05 | 2018-11-13 | 成都睿码科技有限责任公司 | 一种基于深度学习模型的电子手绘安全验证的方法 |
CN109255284A (zh) * | 2018-07-10 | 2019-01-22 | 西安理工大学 | 一种基于运动轨迹的3d卷积神经网络的行为识别方法 |
CN108960171A (zh) * | 2018-07-12 | 2018-12-07 | 安徽工业大学 | 一种基于特征迁移学习的转换手势识别到身份识别的方法 |
CN109190351A (zh) * | 2018-09-19 | 2019-01-11 | 宁辛 | 基于移动终端的在线签名者身份认证系统、设备及方法 |
Non-Patent Citations (4)
Title |
---|
HSING-KUO PAO: "Trajectory analysis for user verification and recognition", 《KNOWLEDGE-BASED SYSTEMS》, vol. 34, 30 October 2012 (2012-10-30), pages 81 - 90 * |
王星 等: "基于非参数回归和卷积神经网络的在线手写签名身份认证模型研究", 《数理统计与管理》 * |
王星 等: "基于非参数回归和卷积神经网络的在线手写签名身份认证模型研究", 《数理统计与管理》, vol. 37, no. 4, 31 July 2018 (2018-07-31), pages 610 - 623 * |
王琛: "用于家用安防机器人的人体检测、跟踪和身份识别系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 07, 15 July 2018 (2018-07-15), pages 138 - 1704 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110768980A (zh) * | 2019-10-22 | 2020-02-07 | 武汉极意网络科技有限公司 | 网络人机验证方法、装置、设备及存储介质 |
CN113672159A (zh) * | 2021-08-24 | 2021-11-19 | 数贸科技(北京)有限公司 | 风控方法、装置、计算设备及计算机存储介质 |
CN113672159B (zh) * | 2021-08-24 | 2024-03-15 | 数贸科技(北京)有限公司 | 风控方法、装置、计算设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109918883B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ross et al. | Handbook of multibiometrics | |
CN104700094B (zh) | 一种用于智能机器人的人脸识别方法及系统 | |
Modi | Biometrics in identity management: Concepts to applications | |
Sheng et al. | A biometric key generation method based on semisupervised data clustering | |
Sheng et al. | Template-free biometric-key generation by means of fuzzy genetic clustering | |
CN109918883A (zh) | 一种基于手绘轨迹的生物性特征的身份验证方法 | |
CN105989346B (zh) | 一种网络购物手机支付系统的构成方法 | |
Tewari et al. | An improved user identification based on keystroke-dynamics and transfer learning | |
Melo et al. | Deep learning approach to generate offline handwritten signatures based on online samples | |
CN107231240A (zh) | 一种安全性较高的双重身份识别方法 | |
Ghosh et al. | Symptoms-based biometric pattern detection and recognition | |
Goel et al. | Securing biometric framework with cryptanalysis | |
Kumar et al. | An efficient security system for data base management from illegal access | |
Chen et al. | An Identity Authentication Method Based on Multi-modal Feature Fusion | |
Bisogni et al. | Multibiometric score-level fusion through optimization and training | |
Li et al. | The evolution of biometrics | |
Ikani et al. | FINGERPRINTBASED ATTENDANCE MANAGEMENT SYSTEM. | |
Kubanek et al. | Intelligent Identity Authentication, Using Face and Behavior Analysis | |
Ji et al. | Content-independent online handwriting verification based on multi-modal fusion | |
Elliott et al. | Expanding the human-biometric sensor interaction model to identity claim scenarios | |
Shende et al. | Soft computing approach for feature extraction of palm biometric | |
CN108564726A (zh) | 一种借伞控制系统 | |
CN108108975A (zh) | 一种基于心电图和声纹的支付认证方法及终端 | |
Özbek et al. | Recognition of biometric unlock pattern by GMM-UBM | |
Okawa | Synergy of on-surface and in-air trajectories: Exploratory analysis of forensic online signatures implementing lessons learned from biometrics |
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 |