CN110276189B - 一种基于步态信息的用户身份认证方法 - Google Patents

一种基于步态信息的用户身份认证方法 Download PDF

Info

Publication number
CN110276189B
CN110276189B CN201910566310.2A CN201910566310A CN110276189B CN 110276189 B CN110276189 B CN 110276189B CN 201910566310 A CN201910566310 A CN 201910566310A CN 110276189 B CN110276189 B CN 110276189B
Authority
CN
China
Prior art keywords
user
gait
data set
neural network
variance
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
Application number
CN201910566310.2A
Other languages
English (en)
Other versions
CN110276189A (zh
Inventor
秦臻
黄谷
丁熠
秦志光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910566310.2A priority Critical patent/CN110276189B/zh
Publication of CN110276189A publication Critical patent/CN110276189A/zh
Application granted granted Critical
Publication of CN110276189B publication Critical patent/CN110276189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明提出了一种基于步态信息的用户身份认证方法，对用户走路产生的加速度数据序列进行切割，数据进行切割后输入到神经网络模型进行数据的训练提取用户走路的特征以做到对用户身份的识别，将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值，并采用极值统计的方法计算未授权的用户的特征空间与已授权用户的特征空间的距离，更做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患。本发明通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。

Description

一种基于步态信息的用户身份认证方法
技术领域
本发明属于生物认证与人工智能的技术领域，尤其涉及一种基于步态信息的用户身份认证方法。
背景技术
生物特征为用户身份认证提供了改进的可靠性和可用性，因为与传统方法不同，它不需要被记住。随着智能手机中专用硬件与生物识别信息的集成，出现了新的生物认证方式，这种生物认证方式利用运动传感器获取行为生物信息，并允许用户根据他们将执行的操作验证智能手机或服务，这种生物认证方式分别利用运动传感器获取生物运动信息，并允许用户根据他们将执行的操作实现身份的验证。用户可以通过运动传感器行为进行身份认证，运动传感器的数据用于分析智能手机认证，其中通常来自加速计，陀螺仪，定向，磁力仪或GPS进行分析以形成传感器特征，通过这些传感器特征验证用户身份。
人体运动行为是一个重复的任务，通过使用手机运动传感器，用户运动状态可以不加掩饰地和连续地测量这将运动状态与其他生物特征模式区分开是更为用户友好的认证机制，但在用户登录后，传统认证方式没有进一步认证的过程，直到电话锁定或关闭，窃取者可以在没有人注意的情况下访问电话。为了克服这个问题，基于智能手机的生物识别提供了广泛的可能的解决方案，可以用于验证用户的身份，从而提供额外的安全级别和防盗。这样的解决方案之一是使用手机置传感器(如加速度计)识别人类步态(人的行走方式)的能力。考虑到每个人都有独特的行走方式，其中，包含了用户独特的模式，嵌入在智能手机中的惯性传感器可以应用于与安全相关的应用中的步态识别问题。人类步态已被研究者广泛认可为生物特征，可通过识别个体根据其行为或生理特征而用于认证目的。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于步态信息的身份认证的实现方法可以通过对人体行走产生的加速度数据，将用户与特有的行走方式进行匹配，并且拒绝不属于认证用户的异常数据。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于步态信息的用户身份认证方法，包括如下步骤：
S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；
S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集；
S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；
S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值；
S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；
S6、判断所述最大概率值是否小于所述正确授权的阈值，若是，则拒绝用户的身份认证，完成对用户的身份认证，反之，则进入步骤S7；
S7、判断所述方差dk，dm，dn是否均大于所述正确授权用户的方差，若是，则用户为授权用户，反之，则拒绝用户的身份认证，从而完成对用户的身份认证。
进一步地，所述步骤S2包括如下步骤：
S201、将所述步态数据序列进行切割，得到步态子序列；
S202、将所述步态子序列进行划分，从而分别得到训练数据集、测试数据集以及验证数据集。
再进一步地，所述步骤S201其具体为：根据人体走路的特性，将所述步态数据序列进行步态周期划分得到步态子序列。
再进一步地，所述步骤S4包括如下步骤：
S401、利用所述训练数据集对所述神经网络模型进行训练，提取用户的步态特征，并对所提取用户的步态特征进行分类训练，更新所述神经网络模型的参数；
S402、将所述验证数据集输入至更新后的神经网络模型，对用户的步态特征进行验证，提取正确分类的验证用户；
S403、提取所述验证用户的步态特征的方差以及阈值，并根据所述步态特征的方差以及阈值确定正确授权用户的方差及阈值。
再进一步地，所述步骤S5中最大概率值P的表达式如下：
P＝max(s)
Figure BDA0002109668450000031
其中，pi表示测试数据集的第i个概率值，si表示神经网络模型的输出值，
Figure BDA0002109668450000032
表示神经网络模型的输出值的指数，s表示测试数据集中概率值的集合。
再进一步地，所述步骤S5中概率值的方差的表达式如下：
Figure BDA0002109668450000033
p[p1,p2...pi]＝max_i(s)
Figure BDA0002109668450000034
其中，dj表示概率值的方差，且j＝k,m,n，pi表示测试数据集的第i个概率值，M为概率值的均值，s表示测试数据集中概率值的集合。
本发明的有益效果：
本发明提出了一种基于步态信息的用户身份认证方法，对用户走路产生的加速度数据序列进行切割，数据进行切割后输入到模型进行数据的训练提取用户走路的特征以做到对用户身份的识别，并采用极值统计的方法计算未授权的用户的特征空间与已授权用户的特征空间的距离，更做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患，本发明通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
本发明提出了一种基于步态信息的用户身份认证方法，对用户走路产生的加速度数据序列进行切割，数据进行切割后输入到模型进行数据的训练提取用户走路的特征以做到对用户身份的识别，并采用极值统计的方法计算未授权的用户的特征空间与已授权用户的特征空间的距离，更做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患，本发明通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。
如图1所示，本发明公开了一种基于步态信息的用户身份认证方法，其实现方法如下：
S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；
S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集，其实现方法如下：
S201、将所述步态数据序列进行切割，得到步态子序列，其具体为：根据人体走路的特性，将所述步态数据序列进行步态周期划分得到步态子序列；
S202、将所述步态子序列进行划分，从而分别得到训练数据集、测试数据集以及验证数据集；
S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；
S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值，其实现方法如下：
S401、利用所述训练数据集对所述神经网络模型进行训练，提取用户的步态特征，并对所提取用户的步态特征进行分类训练，更新所述神经网络模型的参数；
S402、将所述验证数据集输入至更新后的神经网络模型，对用户的步态特征进行验证，提取正确分类的验证用户；
S403、提取所述验证用户的步态特征的方差以及阈值，并根据所述步态特征的方差以及阈值确定正确授权用户的方差及阈值；
S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；
S6、判断所述最大概率值是否小于所述正确授权的阈值，若是，则拒绝用户的身份认证，完成对用户的身份认证，反之，则进入步骤S7；
S7、判断所述方差dk，dm，dn是否均大于所述正确授权用户的方差，若是，则用户为授权用户，反之，则拒绝用户的身份认证，从而完成对用户的身份认证。
其中，所述步骤S5中最大概率值P的表达式如下：
P＝max(s)
Figure BDA0002109668450000061
其中，pi表示测试数据集的第i个概率值，si表示神经网络模型的输出值，
Figure BDA0002109668450000062
表示神经网络模型的输出值的指数，s表示测试数据集中概率值的集合。
所述步骤S5中概率值的方差的表达式如下：
Figure BDA0002109668450000063
p[p1,p2...pi]＝max_i(s)
Figure BDA0002109668450000064
其中，dj表示概率值的方差，且j＝k,m,n，pi表示测试数据集的第i个概率值，M为概率值的均值，s表示测试数据集中概率值的集合。
本发明通过用户身上佩戴加速度传感器，用户在行走过程中传感器接受用户走路是产生的x，y，z轴的加速度数据记录，采集有效的步态传感器数据后，对所采集的原始加速度数据进行预处理，即对用户走路产生的加速度数据序列进行切割，通过tensorflow工具，设计结合了循环神经网络的长短期记忆(LSTM)和卷积(CONV)操作构建神经网络模型，将进行切割后的训练数据集输入到神经网络模型进行数据的训练，提取用户走路的特征以做到对用户身份的识别通过训练数据以提取人体独有走路特征，并采用极值估计算法对未授权的用户进行拒绝认证。本发明可以做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患。通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。本发明实现可以对用户进行身份认证时不需要用户进行主动的输入认证，将自动根据用户行走产生的步态数据进行身份的识别与认证。

Claims (4)

1.一种基于步态信息的用户身份认证方法，其特征在于，包括如下步骤：
S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；
S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集；
S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；
S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值；
S401、利用所述训练数据集对所述神经网络模型进行训练，提取用户的步态特征，并对所提取用户的步态特征进行分类训练，更新所述神经网络模型的参数；
S402、将所述验证数据集输入至更新后的神经网络模型，对用户的步态特征进行验证，提取正确分类的验证用户；
S403、提取所述验证用户的步态特征的方差以及阈值，并根据所述步态特征的方差以及阈值确定正确授权用户的方差及阈值；
S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；
所述步骤S5中最大概率值P的表达式如下：
P＝max(s)
Figure FDA0003348798010000011
其中，pi表示测试数据集的第i个概率值，si表示神经网络模型的输出值，
Figure FDA0003348798010000012
表示神经网络模型的输出值的指数，s表示测试数据集中概率值的集合；
S6、判断所述最大概率值是否小于所述正确授权的阈值，若是，则拒绝用户的身份认证，完成对用户的身份认证，反之，则进入步骤S7；
S7、判断所述方差dk，dm，dn是否均大于所述正确授权用户的方差，若是，则用户为授权用户，反之，则拒绝用户的身份认证，从而完成对用户的身份认证。
2.根据权利要求1所述的基于步态信息的用户身份认证方法，其特征在于，所述步骤S2包括如下步骤：
S201、将所述步态数据序列进行切割，得到步态子序列；
S202、将所述步态子序列进行划分，从而分别得到训练数据集、测试数据集以及验证数据集。
3.根据权利要求2所述的基于步态信息的用户身份认证方法，其特征在于，所述步骤S201其具体为：根据人体走路的特性，将所述步态数据序列进行步态周期划分得到步态子序列。
4.根据权利要求1所述的基于步态信息的用户身份认证方法，其特征在于，所述步骤S5中概率值的方差的表达式如下：
Figure FDA0003348798010000021
p[p1,p2...pi]＝max_i(s)
Figure FDA0003348798010000022
其中，dj表示概率值的方差，且j＝k,m,n，pi表示测试数据集的第i个概率值，M为概率值的均值，s表示测试数据集中概率值的集合，max_i表示测试数据集的前i个概率值。
CN201910566310.2A 2019-06-27 2019-06-27 一种基于步态信息的用户身份认证方法 Active CN110276189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910566310.2A CN110276189B (zh) 2019-06-27 2019-06-27 一种基于步态信息的用户身份认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910566310.2A CN110276189B (zh) 2019-06-27 2019-06-27 一种基于步态信息的用户身份认证方法

Publications (2)

Publication Number Publication Date
CN110276189A CN110276189A (zh) 2019-09-24
CN110276189B true CN110276189B (zh) 2022-02-11

Family

ID=67962462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910566310.2A Active CN110276189B (zh) 2019-06-27 2019-06-27 一种基于步态信息的用户身份认证方法

Country Status (1)

Country Link
CN (1) CN110276189B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807180A (zh) * 2019-10-28 2020-02-18 支付宝(杭州)信息技术有限公司 安全认证以及训练安全认证模型的方法、装置及电子设备
CN111973193A (zh) * 2020-08-20 2020-11-24 中山大学 一种基于硅酮-镍纳米传感器的步态识别方法及系统
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
CN114840834A (zh) * 2022-04-14 2022-08-02 浙江大学 一种基于步态特征的隐式身份认证方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及系统
CN108564094A (zh) * 2018-04-24 2018-09-21 河北智霖信息科技有限公司 一种基于卷积神经网络和分类器组合的材质识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307427A1 (en) * 2005-04-19 2011-12-15 Steven Linke Molecular markers predicting response to adjuvant therapy, or disease progression, in breast cancer
CN101604376B (zh) * 2008-10-11 2011-11-16 大连大学 基于hmm-svm混合模型的人脸识别方法
CN104239766A (zh) * 2014-08-20 2014-12-24 中广核核电运营有限公司 基于视频和音频的核电站用身份认证方法和系统
CN104408435A (zh) * 2014-12-05 2015-03-11 浙江大学 一种基于随机池化卷积神经网络的人脸识别方法
CN106228142B (zh) * 2016-07-29 2019-02-15 西安电子科技大学 基于卷积神经网络和贝叶斯决策的人脸验证方法
CN107610707B (zh) * 2016-12-15 2018-08-31 平安科技（深圳）有限公司 一种声纹识别方法及装置
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
CN107506722A (zh) * 2017-08-18 2017-12-22 中国地质大学（武汉） 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN108596066B (zh) * 2018-04-13 2020-05-26 武汉大学 一种基于卷积神经网络的字符识别方法
CN109145451B (zh) * 2018-08-22 2022-11-29 哈尔滨工业大学 一种高速滑翔飞行器的运动行为识别与航迹估计方法
CN109919241B (zh) * 2019-03-15 2020-09-29 中国人民解放军国防科技大学 基于概率模型和深度学习的高光谱未知类别目标检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及系统
CN108564094A (zh) * 2018-04-24 2018-09-21 河北智霖信息科技有限公司 一种基于卷积神经网络和分类器组合的材质识别方法

Also Published As

Publication number Publication date
CN110276189A (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
CN110276189B (zh) 一种基于步态信息的用户身份认证方法
Ghayoumi A review of multimodal biometric systems: Fusion methods and their applications
Ko Multimodal biometric identification for large user population using fingerprint, face and iris recognition
CN103324909B (zh) 面部特征检测
Bigun et al. Multimodal biometric authentication using quality signals in mobile communications
Qin et al. A fuzzy authentication system based on neural network learning and extreme value statistics
US11244035B2 (en) Apparatus and methods for biometric verification
Azzini et al. A fuzzy approach to multimodal biometric continuous authentication
CN107924436A (zh) 使用生物识别技术的电子装置接入控制
Navaz et al. Face recognition using principal component analysis and neural networks
CN104007929B (zh) 基于手势识别的移动终端解锁方法及移动终端
CN107153780B (zh) 基于手腕穿戴电子设备的书写行为特征认证方法
CN112861082B (zh) 用于被动认证的集成系统和方法
CN111625792B (zh) 一种基于异常行为检测的身份识别方法
CN116389114B (zh) 一种静态与动态身份一致性验证方法及系统
JP5903257B2 (ja) 認証システム、登録装置、及び認証装置
JP2018128736A (ja) 顔認証システム、顔認証方法、及び顔認証プログラム
CN114026558A (zh) 用户认证
Yin et al. Fusion of face recognition and facial expression detection for authentication: a proposed model
CN114519898A (zh) 生物特征多模态融合识别方法、装置、存储介质及设备
CN114021181A (zh) 基于使用习惯的移动智能终端隐私持续保护系统及方法
CN115248910A (zh) 一种应用于移动终端的身份认证方法及装置
WO2011062096A1 (ja) マルチモーダル認証装置
JP2003044858A (ja) 個人認証装置および方法
Falohun et al. An access control system using bimodal 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