CN110415415A - 一种用于门禁系统的身份验证方法 - Google Patents

一种用于门禁系统的身份验证方法 Download PDF

Info

Publication number
CN110415415A
CN110415415A CN201910712796.6A CN201910712796A CN110415415A CN 110415415 A CN110415415 A CN 110415415A CN 201910712796 A CN201910712796 A CN 201910712796A CN 110415415 A CN110415415 A CN 110415415A
Authority
CN
China
Prior art keywords
signal
vibration signal
data
vibration
authenticating device
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.)
Pending
Application number
CN201910712796.6A
Other languages
English (en)
Inventor
伍楷舜
黄彦道
杨文凯
陈林
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201910712796.6A priority Critical patent/CN110415415A/zh
Publication of CN110415415A publication Critical patent/CN110415415A/zh
Priority to US17/037,754 priority patent/US11544977B2/en
Pending legal-status Critical Current

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00182—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with unidirectional data transmission between data carrier and locks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00182—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with unidirectional data transmission between data carrier and locks
    • G07C2009/00206—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys operated with unidirectional data transmission between data carrier and locks the keyless data carrier being hand operated
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/00174—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys
    • G07C9/00563—Electronically operated locks; Circuits therefor; Nonmechanical keys therefor, e.g. passive or active electrical keys or other data carriers without mechanical keys using personal physical data of the operator, e.g. finger prints, retinal images, voicepatterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Discrete Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Lock And Its Accessories (AREA)

Abstract

本发明提供一种用于门禁系统的身份验证方法。该方法包括：采集认证设备中内置振动马达产生的振动信号；对采集到的振动信号进行滤波降噪和端点切段处理，提取包含有效触碰的振动信号；对端点切段后的振动信号进行对齐处理；将对齐后的数据进行快速傅里叶变换得到频域上的数据，提取对齐处理后的频域特征和对齐处理前的特征构建训练数据集并将所述训练数据集储存在认证设备的数据库；将用户触碰门禁系统的认证设备产生的新解锁信号作为测试数据进行处理，获得包含有效触碰的测试数据；利用机器学习分类模型将所述包含有效触碰的测试数据与所述训练数据集进行匹配分类，获得身份验证结果。本发明的身份验证方法可靠性高、成本低。

Description

一种用于门禁系统的身份验证方法
技术领域
本发明涉及信息处理技术领域，尤其涉及一种用于门禁系统的身份验证方法。
背景技术
随着科技的发展，智能门禁的使用也越发广泛，如小区、停车场等都需要设有智能门禁，以便使得已确认身份的人员或该人员携带非机动车一同进入或离开，从而提高安全性及管理便利性，现在的智能门禁一般使用IC卡作为门禁卡，IC卡安全性能低，容易被复制，一旦其中一张IC卡丢失后被不法分子捡到，不法分子可以将其大量复制制作，会对小区的安全造成严重的危害。
传统的门禁系统有智能卡识别、密码识别、钥匙开锁、APP智控、指纹识别等、智能卡识别等。钥匙开锁在某些情况下显得不友好，例如忘记随身携带等，密码识别要求用户记住长串的密码且需要重复输入，APP智控和指纹识别因成本等原因应用受到限制。
因此，需要对现有的开门认证方法进行改进，以提供安全性更高、成本更低的身份验证方法。
发明内容
本发明的目的在于克服上述现有技术的缺陷，提供一种用于门禁系统的身份认证方法。
根据本发明的第一方面，提供一种用于门禁系统的身份验证方法。该方法包括以下步骤：
S1、在用户触碰门禁系统的认证设备时，采集认证设备中内置振动马达产生的振动信号；
S2、对采集到的振动信号进行滤波降噪和端点切段处理，提取包含有效触碰的振动信号；
S3、对端点切段后的振动信号进行对齐处理；
S4、将对齐后的数据进行快速傅里叶变换得到频域上的数据，提取对齐处理后的频域特征和对齐处理前的特征构建训练数据集并将所述训练数据集储存在认证设备的数据库；
S5、将用户触碰门禁系统的认证设备产生的新解锁信号作为测试数据进行处理，获得包含有效触碰的测试数据；
S6、利用机器学习分类模型将所述包含有效触碰的测试数据与所述训练数据集进行匹配分类，获得身份验证结果。
在一个实施例中，步骤S1包括：
认证设备内置加速度计，当用户紧握门把或者将手掌放置在认证设备的感应区时，所述加速计检测认证设备中内置的振动马达产生的振动信号。
在一个实施例或者，步骤S2包括：
步骤S21、对检测到的振动信号进行滤波降噪处理，获得滤波后的振动信号；
步骤S22、使用固定长度来遍历所述滤波后的振动信号，当该段信号的能量最大时，认为触碰信号出现，取该段长度前后一定长度的信号作为端点切断后的振动信号。
在一个实施例中，步骤S3包括：
计算两个振动信号之间的偏移量，然后，对当前的振动信号进行移动，提取两个振动信号之间共有的完整部分，作为对齐处理后的振动信号，其中对齐处理公式表示为：
P(A，B)＝arg max(C(A[i，i+n-1]，B))，i∈1，2，......2n
O(A，B)＝P(A，B)-n
其中，O(A，B)＝P(A，B)-n用于计算两个振动信号之间的偏移量O(A，B)；a和b表示两个信号长度为n的振动信号，a(i)表示振动信号a的第i个点的振幅大小，b(i)表示振动信号b的第i个点的振幅大小；C(a，b)表示振动信号a和振动信号b的相关度；A表示对振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的振动信号b；P(A，B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A，B)为计算所得的第一信号A与第二信号B之间的偏移量。
在一个实施例中，在步骤S4中，利用卡方检验和主成分分析选择所述训练数据集中包含的振动信号的特征。
在一个实施例中，所述卡方检验公式表示为：
其中，A代表观察频数，E代表期望频数。
在一个实施例中，所述机器学习分类模型是最近邻模型。
在一个实施例中，所述步骤S6包括：将所述测试数据的特征与所述训练数据集中数据对应的特征进行比较，提取所述训练数据集中特征最相似数据的分类标签，作为判断所述测试数据分类标签的依据。
相比较于现有技术，本发明提供的用于门禁系统的新型身份验证方法，通过认证设备中内置的振动马达和加速度计，将用户触碰产生的振动信号转化为数字信号，保存在认证设备中，在进行身份验证时利用机器学习算法进行分类判断。本发明的身份认证方法硬件成本低，设备和系统简单，使用方便且安全性高，应用前景广泛。
附图说明
以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：
图1是根据本发明一个实施例的用于门禁系统的身份验证方法的流程图。
具体实施方式
为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
在本文示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
图1是根据本发明一个实施例的用于门禁系统的身份验证方法的流程图，具体包括以下步骤：
步骤S110，用户触碰认证设备时，采集振动信号。
例如，用户用一只手紧握门把或者将手掌置于感应区时，内置于门禁系统认证设备中的振动马达将会自动振动，可利用加速度计采集振动信号。
认证设备中内置的振动马达和加速度计，可采用市售或专用的产品，例如，市售的微型振动马达等。
步骤S120，对采集到的振动信号进行滤波降噪和端点切段处理，确定有效触碰产生的振动信号。
为了去除振动信号中不必要的成分，对加速度计检测到的振动信号进行滤波降噪处理，获得有效数据。例如，采用巴特沃兹滤波器对采集的振动信号进行滤波降噪处理，使用截止频率为16kHz的高通滤波滤除低频噪音，使用截止频率为22kHz的低通滤波滤除高频噪音。
进一步地，将滤波后的振动信号进行切片处理(即端点切段处理)，提取出等长的峰值及其附近的有效数据，去掉没有振动信号的数据。
例如，在端点切段处理中，使用固定长度来遍历一整段振动信号，当某段信号的能量最大(或超过某一阈值)时，则认为触碰信号出现，取该段长度及其前后一定长度的信号作为端点切段后的振动信号，该振动信号即是包含有效触碰的振动信号。
步骤S130，对端点切段后的振动信号进行对齐处理。
对于多次触碰产生的振动信号，进行对齐处理。例如，通过总体互相关法对端点切段后的振动信号进行对齐处理，对齐处理操作包括：计算两个振动信号之间的偏移量，然后对当前的振动信号进行移动，移动完之后只提取两个振动信号之间共有的完整部分。
具体地，采用以下公式进行对齐处理：
P(A，B)＝arg max(C(A[i，i+n-1]，B))，i∈1，2，......2n (2)
O(A，B)＝P(A，B)-n (3)
其中，O(A，B)＝P(A，B)-n用于计算两个振动信号之间的偏移量O(A，B)，a和b表示两个信号长度为n的振动信号，a(i)表示振动信号a的第i个点的振幅大小，b(i)表示振动信号b的第i个点的振幅大小，C(a，b)表示振动信号a和振动信号b的相关度；A表示对振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的振动信号b；P(A，B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
通过将训练数据集中的多个振动信号进行对齐处理，能够提高身份验证的精确度。
步骤S140，将对齐后的振动信号进行快速傅里叶变换得到频域上的数据，拼接在对齐之前的振动信号数据上；将处理完的信号处理作为训练数据集储存在认证设备的数据库里。
例如，采用以下公式对信号进行快速傅里叶变换：
其中，x(n)表示对齐后的振动信号，X(k)表述变换后的频域数据。
通过快速傅里叶变换，得到频域上的数据，将数据拼接在原来的数据上作为训练集数据，其中，构建的训练数据集包括对齐处理后的多维频域特征和对齐处理前的多维特征，例如，频域特征包括但不限于功率谱密度、频率、相位等，对齐处理前的特征包括但不限于振动信号的振幅特征等。
进一步地，用卡方检验从训练数据集选取特征，卡方检验一般性的表示为：
其中，A代表观察频数(观察值)，E代表期望频数(理论值)，通过卡方检验能够计算出观察值和理论值之间的偏差。卡方检验基于观察实际值和理论值的偏差从训练数据集中择优选择与身份识别结果关联性较大的特征。
最后，用PCA(主成分分析)对高维数据进行降维处理，PCA通过协方差矩阵求得，对于样本X和样本Y，协方差矩阵公式一般性地表示为：
PCA降维的基本原理是，通过计算训练集数据矩阵的协方差矩阵，得到协方差矩阵的特征值特征向量，选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。通过这种方式，能够实现训练集数据特征的降维，从而加快后续的处理速度。
步骤S150，用户触碰新的解锁信号作为测试数据，检验测试数据是否为一次有效的触碰，然后用处理训练数据的方法来处理测试数据。
当用户触碰产生新的解锁信号时，将新的解锁信号数据作为测试数据，检验测试数据是否为一次有效的触碰，有效的触碰信号应该先是一段平缓的信号，接着是信号峰，最后是一段平缓的信号。检测信号前后若干个信号点的值是否超过设定的阈值，如果超过阈值，则丢弃该次采集的信号。
然后，用处理训练数据的方法来处理测试数据，也就是对测试数据进行滤波降噪、端点切断处理，然后与训练数据进行对齐处理，最后对切段处理的数据进行快速傅里叶变换等。
步骤S160，处理完的测试数据与训练数据集通过机器学习分类方法进行分类，获得身份验证结果。
当用户进行身份验证时，每一次触碰的振动信号与认证设备中数据库原有的所有振动信号通过机器学习分类算法进行对比分类，从而进行身份验证。
例如，机器学习分类算法可采用KNN(k最近邻分类器)或其它的神经网络分类器进行测试数据和训练数据的匹配，用户进行身份验证时，同样只需要紧握门把或者将手掌置于感应区，所产生的振动信号与数据库保存的训练数据进行比较，计算测试数据与训练数据的欧式距离，若所得距离不超过所设定的阈值则判定为合法触碰，否则识别为非法用户，从而获得身份验证结果。
KNN的工作原理是：存在训练数据集，训练数据集中每个样本数据都存在标签，即知道训练数据集中每一样本与所属分类对应关系。输入没有标签的新数据后，将新数据的每个特征与训练数据集中样本数据对应的特征进行比较，然后提取训练数据集中特征最相似数据(最近邻)的分类标签，作为判断新数据的分类标签的依据。例如，计算新数据与训练数据集中样本数据的欧式距离；将距离按照递增的顺序排序；选取距离最小的k个样本数据；确定前k个样本数据所在类别出现的频率(或称为新数据与训练数据的相似度)。
本发明实施例的身份识别方法的原理在于，不同的人体所产生的振动信号是不同的，而利用不同的振动信号，可以区分不同使用者的触碰，从而实现身份验证。
综上所述，本发明提供的用于门禁系统的新型身份验证方法，基于振动信号与机器学习，利用内置于认证设备的振动马达和加速度计，提供一种智能的身份识别方法，硬件成本低，设备和系统简单，使用方便，应用广泛。
需要说明的是，虽然上文按照特定顺序描述了各个步骤，但是并不意味着必须按照上述特定顺序来执行各个步骤，实际上，这些步骤中的一些可以并发执行，甚至改变顺序，只要能够实现所需要的功能即可。并且，所涉及的阈值设置可在实际应用中通过统计分析设置，本发明对此不作限制。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种用于门禁系统的身份验证方法，包括以下步骤：
S1、在用户触碰门禁系统的认证设备时，采集认证设备中内置振动马达产生的振动信号；
S2、对采集到的振动信号进行滤波降噪和端点切段处理，提取包含有效触碰的振动信号；
S3、对端点切段后的振动信号进行对齐处理；
S4、将对齐后的数据进行快速傅里叶变换得到频域上的数据，提取对齐处理后的频域特征和对齐处理前的特征构建训练数据集并将所述训练数据集储存在认证设备的数据库；
S5、将用户触碰门禁系统的认证设备产生的新解锁信号作为测试数据进行处理，获得包含有效触碰的测试数据；
S6、利用机器学习分类模型将所述包含有效触碰的测试数据与所述训练数据集进行匹配分类，获得身份验证结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1包括：
认证设备内置加速度计，当用户紧握门把或者将手掌放置在认证设备的感应区时，所述加速计检测认证设备中内置的振动马达产生的振动信号。
3.根据权利要求1所述的方法，其特征在于，步骤S2包括：
步骤S21、对检测到的振动信号进行滤波降噪处理，获得滤波后的振动信号；
步骤S22、使用固定长度来遍历所述滤波后的振动信号，当该段信号的能量最大时，认为触碰信号出现，取该段长度前后一定长度的信号作为端点切断后的振动信号。
4.根据权利要求1所述的方法，其特征在于，步骤S3包括：
计算两个振动信号之间的偏移量，然后，对当前的振动信号进行移动，提取两个振动信号之间共有的完整部分，作为对齐处理后的振动信号，其中对齐处理公式表示为：
P(A,B)＝arg max(C(A[i,i+n-1],B)),i∈1,2,......2n
O(A,B)＝P(A,B)-n
其中，O(A,B)＝P(A,B)-n用于计算两个振动信号之间的偏移量O(A,B)；a和b表示两个信号长度为n的振动信号，a(i)表示振动信号a的第i个点的振幅大小，b(i)表示振动信号b的第i个点的振幅大小；C(a,b)表示振动信号a和振动信号b的相关度；A表示对振动信号a两边长度为n的部分进行补零，进而获得的一个长度为3n的第一信号；B表示长度n的振动信号b；P(A,B)表示第一信号A中与第二信号B相关度最高的长度为n的信号位置；O(A,B)为计算所得的第一信号A与第二信号B之间的偏移量。
5.根据权利要求1所述的方法，其特征在于，在步骤S4中，利用卡方检验和主成分分析选择所述训练数据集中包含的振动信号的特征。
6.根据权利要求1所述的方法，其特征在于，所述卡方检验公式表示为：
其中，A代表观察频数，E代表期望频数。
7.根据权利要求1所述的方法，其特征在于，所述机器学习分类模型是最近邻模型。
8.根据权利要求7所述的方法，其特征在于，所述步骤S6包括：
将所述测试数据的特征与所述训练数据集中数据对应的特征进行比较，提取所述训练数据集中特征最相似数据的分类标签，作为判断所述测试数据分类标签的依据。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法的步骤。
CN201910712796.6A 2019-08-02 2019-08-02 一种用于门禁系统的身份验证方法 Pending CN110415415A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910712796.6A CN110415415A (zh) 2019-08-02 2019-08-02 一种用于门禁系统的身份验证方法
US17/037,754 US11544977B2 (en) 2019-08-02 2020-09-30 Vibration-based authentication method for access control system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910712796.6A CN110415415A (zh) 2019-08-02 2019-08-02 一种用于门禁系统的身份验证方法

Publications (1)

Publication Number Publication Date
CN110415415A true CN110415415A (zh) 2019-11-05

Family

ID=68365489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910712796.6A Pending CN110415415A (zh) 2019-08-02 2019-08-02 一种用于门禁系统的身份验证方法

Country Status (2)

Country Link
US (1) US11544977B2 (zh)
CN (1) CN110415415A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184962A (zh) * 2020-09-29 2021-01-05 中国银行股份有限公司 钞箱数字锁控制方法、系统及控制装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11808779B2 (en) * 2021-07-07 2023-11-07 Nxp B.V. Method for identifying an object having a replaceable accessary and an object therefor

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4107775A (en) * 1976-03-16 1978-08-15 Novar Electronics Corporation Human body comparison using driving point parameters
CN103942776A (zh) * 2014-03-10 2014-07-23 哈尔滨工程大学 一种基于支持向量数据描述的近边界端元提取方法
WO2016130571A1 (en) * 2015-02-09 2016-08-18 Carnegie Mellon University Indoor identification of individuals through footstep induced structural vibration
CN206039670U (zh) * 2016-06-14 2017-03-22 北京钛方科技有限责任公司 一种智能触控锁及门
CN108242090A (zh) * 2016-12-23 2018-07-03 上海新微技术研发中心有限公司 基于加速度传感器的电子锁及开锁方法
CN109508728A (zh) * 2018-08-31 2019-03-22 深圳大学 一种用于可穿戴设备的新型身份验证方法
CN109684383A (zh) * 2018-12-25 2019-04-26 广州天鹏计算机科技有限公司 数据分析结果的获取方法、装置、计算机设备和存储介质
CN109805936A (zh) * 2019-01-18 2019-05-28 深圳大学 基于地面振动信号的人体摔倒检测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9836896B2 (en) * 2015-02-04 2017-12-05 Proprius Technologies S.A.R.L Keyless access control with neuro and neuro-mechanical fingerprints
US10075846B1 (en) * 2017-08-10 2018-09-11 The Florida International University Board Of Trustees Method for continuous user authentication with wearables
US11461442B2 (en) * 2018-06-05 2022-10-04 Rutgers, The State University Of New Jersey Systems and methods for user input and authentication using vibration analysis

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4107775A (en) * 1976-03-16 1978-08-15 Novar Electronics Corporation Human body comparison using driving point parameters
CN103942776A (zh) * 2014-03-10 2014-07-23 哈尔滨工程大学 一种基于支持向量数据描述的近边界端元提取方法
WO2016130571A1 (en) * 2015-02-09 2016-08-18 Carnegie Mellon University Indoor identification of individuals through footstep induced structural vibration
CN206039670U (zh) * 2016-06-14 2017-03-22 北京钛方科技有限责任公司 一种智能触控锁及门
CN108242090A (zh) * 2016-12-23 2018-07-03 上海新微技术研发中心有限公司 基于加速度传感器的电子锁及开锁方法
CN109508728A (zh) * 2018-08-31 2019-03-22 深圳大学 一种用于可穿戴设备的新型身份验证方法
CN109684383A (zh) * 2018-12-25 2019-04-26 广州天鹏计算机科技有限公司 数据分析结果的获取方法、装置、计算机设备和存储介质
CN109805936A (zh) * 2019-01-18 2019-05-28 深圳大学 基于地面振动信号的人体摔倒检测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIU JIAN: "vibwrite:towards finger-input authentication on ubiquitious surfaces via physical vibration", 《ACM CCS》 *
康琦: "《机器学习中的不平衡分类方法》", 31 October 2017 *
李晓东: "《基于子空间和流行学习的人脸识别算法研究》", 30 June 2013 *
陈文强: "vitype: a cost efficient on-body typing system through vibration", 《IEEE EXPLORE》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184962A (zh) * 2020-09-29 2021-01-05 中国银行股份有限公司 钞箱数字锁控制方法、系统及控制装置

Also Published As

Publication number Publication date
US20210035388A1 (en) 2021-02-04
US11544977B2 (en) 2023-01-03

Similar Documents

Publication Publication Date Title
Wang et al. A fingerprint orientation model based on 2D Fourier expansion (FOMFE) and its application to singular-point detection and fingerprint indexing
CN104700018B (zh) 一种用于智能机器人的识别方法
Yue et al. Hashing based fast palmprint identification for large-scale databases
CN102156887A (zh) 一种基于局部特征学习的人脸识别方法
CN104700094B (zh) 一种用于智能机器人的人脸识别方法及系统
CN103049736A (zh) 一种基于最大稳定极值区域的人脸识别方法
Ali et al. Cancelable biometrics technique for iris recognition
EP2360619A1 (en) Fast fingerprint searching method and fast fingerprint searching system
CN108564040B (zh) 一种基于深度卷积特征的指纹活性检测方法
Radmehr et al. Designing an offline method for signature recognition
CN110415415A (zh) 一种用于门禁系统的身份验证方法
Nasser et al. Signature recognition by using SIFT and SURF with SVM basic on RBF for voting online
Liu et al. Fingerprint retrieval by complex filter responses
Kour et al. Online signature verification using GA-SVM
Lu et al. Fingerprint liveness detection based on pore analysis
Hu et al. Writer-independent off-line handwritten signature verification based on real adaboost
Mohamad et al. Detection and feature extraction for images signatures
Armand et al. Off-line signature verification using an enhanced modified direction feature with single and multi-classifier approaches
EP3093793A1 (en) Fingerprint identification method and device using same
Josphineleela et al. A new approach of altered fingerprints detection on the altered and normal fingerprint database
Moon et al. A hybrid online signature verification system supporting multi-confidential levels defined by data mining techniques
Tunkpien et al. Palmprint identification system using shape matching and K-Nearest neighbor algorithm
Palys et al. Statistical analysis in signature recognition system based on Levenshtein distance
Roja et al. Fingerprint verification system—a fusion approach
Rashidi et al. Dynamic signature verification based on DCT of local features

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