CN110929242A - 基于无线信号进行姿态无关的连续用户认证方法及系统 - Google Patents

基于无线信号进行姿态无关的连续用户认证方法及系统 Download PDF

Info

Publication number
CN110929242A
CN110929242A CN201911140817.8A CN201911140817A CN110929242A CN 110929242 A CN110929242 A CN 110929242A CN 201911140817 A CN201911140817 A CN 201911140817A CN 110929242 A CN110929242 A CN 110929242A
Authority
CN
China
Prior art keywords
user
information
authentication
posture
signal
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
Application number
CN201911140817.8A
Other languages
English (en)
Other versions
CN110929242B (zh
Inventor
俞嘉地
孔浩
卢立
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201911140817.8A priority Critical patent/CN110929242B/zh
Publication of CN110929242A publication Critical patent/CN110929242A/zh
Application granted granted Critical
Publication of CN110929242B publication Critical patent/CN110929242B/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
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Collating Specific Patterns (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

一种基于无线信号进行姿态无关的连续用户认证方法及系统，通过对接收到的包含肢体动作姿态信息的无线信号进行分割并得到待验证信息，籍由基于对抗神经网络的认证模型实现用户注册和待验证信息的连续认证。本发明借助无线信号的CSI数据进行感知并利用对抗学习领域的算法实现姿态无关方式的用户认证，从而克服现有基于身体动作姿态的用户认证系统的不足。

Description

基于无线信号进行姿态无关的连续用户认证方法及系统
技术领域
本发明涉及的是一种信息安全领域的技术，具体是一种基于无线信号进行任意姿势下的连续用户认证方法及系统。
背景技术
目前基于姿态的智能室内环境下的用户认证往往需要用户表现特定的身体动作姿态，系统根据这些特定的身体动作姿态来判断当前用户的身份。由于用户在日常生活中通常可以表现各种各样的动作姿态，因此显存基于特定动作姿态的用户认证系统不能实现真正的连续用户认证。
发明内容
本发明针对现有技术只能在预定义的身体动作姿态上进行的缺陷，提出一种基于无线信号进行姿态无关的连续用户认证方法及系统，借助无线信号的CSI数据进行感知并利用对抗学习领域的算法实现姿态无关方式的用户认证，从而克服现有基于身体动作姿态的用户认证系统的不足，
本发明是通过以下技术方案实现的：
本发明涉及一种基于无线信号进行姿态无关的连续用户认证方法，通过对接收到的包含肢体动作姿态信息的无线信号进行分割并得到待验证信息，籍由基于对抗神经网络的认证模型实现用户注册和待验证信息的连续认证。
所述的无线信号，采用但不限于Wi-Fi信号，进一步优选为室内Wi-Fi信号。
所述的包含肢体动作姿态信息是指：任意时刻下在位于无线信号发射端和接收端之间的肢体动作姿态，该肢体动作姿态的内容没有特定的限制，使得无线信道受到所述动作的影响而变化。
所述的分割是指：根据接收到的无线信号进行信号分段处理得到信道特征，通过从接收到的CSI数据中提取出相对相位，并计算相对相位随时间变化的导数值，在满足导数值大于特定阈值的条件下进行波动判定，进而得到每个肢体姿态的开始点和结束点并截取期间部分的无线信号的CSI数据，作为待认证信息。
所述的基于对抗神经网络的认证模型，包括用来提取不同用户的特征来表征个体的独特性的基于卷积神经网络(CNN)的特征提取器、基于全连接网络(FCN)的用户认证器和用来识别用户姿态的类型的基于循环神经网络(RNN)的姿态识别器。
所述的基于对抗神经网络的认证模型，通过基于对抗性学习的方式，以最大化个体特征和最小化动作姿态特征的方式进行训练，具体训练步骤包括：
1)特征提取器从待验证信息的幅值和相对相位中提取出代表用户身份的特征表示Z；
2)用户认证器和姿态识别器根据特征表示Z分别计算得到代表用户身份的概率向量
Figure BDA0002280868970000021
和代表动作姿态类别的概率向量
Figure BDA0002280868970000022
3)用户认证器和姿态识别器分别计算用户损失函数：
Figure BDA0002280868970000023
和姿态损失函数：
Figure BDA0002280868970000024
其中：Lu为用户损失函数，|U|为注册用户的个数，
Figure BDA0002280868970000025
为训练数据中的用户真实身份的概率向量中的第i个值，
Figure BDA0002280868970000026
为用户认证器计算得到的代表用户身份的概率向量中的第i个值；Lg为姿态损失函数，|G|为训练数据中姿态种类的数目，
Figure BDA0002280868970000027
为训练数据中姿态真实种类的概率向量中的第k个值，
Figure BDA0002280868970000028
为姿态识别器计算得到的代表姿态种类的概率向量中的第k个值；
4)认证模块生成模型训练目标函数：
Figure BDA0002280868970000029
其中：L为最终优化目标函数，α和β为权重，Lu为用户损失函数，Lg为姿态损失函数，c为常数偏执项；此目标函数的作用是：通过最小化用户损失，使得特征提取器提取关于用户独特性特征的能力增强。通过指数化最大化姿态损失，使得特征提取器提取关于姿态类型信息的能力减弱。因此，通过此目标函数训练得到的对抗网络模型，能够提取用户独特的身份特征，并去除这些特征中关于姿态种类的信息。
技术效果
与现有技术相比，本发明不仅能在预定义的姿态下实现用户认证，同样也能在日常任意姿态下进行姿态无关的用户的认证。
附图说明
图1为本发明系统示意图；
图2为基于对抗学习的神经网络构建示意图；
图3为用户认证的认证精度混淆矩阵示意图。
具体实施方式
如图1所示，为本实施例涉及的一种基于无线信号进行姿态无关的连续用户认证系统，包括：设置于无线信号的接收端的信号采集模块、验证信息生成模块和基于对抗神经网络的认证模型，其中：信号采集模块采集无线信号的CSI信息并输出至验证信息生成模块，验证信息生成模块根据CSI中的相对相位的波动情况将得到的CSI信息分割为待验证信息并输出至认证模型，经识别得到验证结果。
所述的验证信息生成模块优选对分割后的CSI信息使用基于巴特沃斯滤波器对分割后的信号进行去噪以减小环境干扰和硬件造成的噪声，然后再从中提取出幅值和相对相位并分别输出至认证模型中。
所述的基于对抗神经网络的认证模型，包括用来提取不同用户的特征来表征个体的独特性的基于卷积神经网络(CNN)的特征提取器、基于全连接网络(FCN)的用户认证器和用来识别用户姿态的类型的基于循环神经网络(RNN)的姿态识别器。
所述的特征提取器包括三个用于提取与个体唯一性相关的特定局部特征的卷积层和三个池化层，其中第一个卷积层有32个5×5大小的卷积核，第二个卷积层有64个4×4大小的卷积核，第三个卷积层有128个3×3大小的卷积核；三个池化层都是2×2大小的取最大值的池化层(max pooling)。
所述的用户认证器包括两个全连接层，其中第一层是由1024个神经元组成的全连接层，第二层是6个神经元的全连接层。
所述的姿态识别器包括两个具有长短时记忆(LSTM)单元的RNN，该RNN的循环步数为10，隐层神经元个数为200，输出神经元个数为6，使用LSTM核。
本实施例基于上述系统的连续用户认证方法，包括：注册阶段和连续认证阶段，其中：
注册阶段利用由用户的身体姿态影响的WiFi信号来作为训练数据，构建用户身份的模型，具体操作为：
1.1信号采集模块收集由用户的身体姿态影响的WiFi信号中的CSI信息
1.2由验证信息生成模块对信号进行分割和去噪
1.3将验证信息输入到认证模型进行模型训练，训练特征提取器和用户认证器。
连续认证阶段即可以使用本系统，通过收集用户日常生活中执行身体动作姿态的WiFi信号，可识别出用户的身份，具体操作为：
2.1信号采集模块收集由用户的身体姿态影响的WiFi信号中的CSI信息
2.2由验证信息生成模块对信号进行分割和去噪
2.3将验证信息输入训练好的认证模型，具体为首先利用训练好的特征提取器，提取出当前用户姿态无关的身份特征。最后，利用在注册阶段训练好的用户认证器，系统判别当前的用户身份，输出身份信息，以实现用户认证。
注册完成后，此系统便可以进行使用。在布置完成系统的室内环境中，系统可以持续不断地监控当前用户的姿态。当用户表现任意日常姿态动作时，系统首先使用和注册阶段相同的数据预处理。然后，系统利用在注册阶段训练好的特征提取器，提取出当前用户姿态无关的身份特征。最后，利用在注册阶段训练好的用户认证器，系统判别当前的用户身份，输出身份信息，以实现用户认证。
本实施例在家庭环境下进行实验，评价本发明的实用性和可靠性：在笔记本电脑(型号HP Pavilion 14)部署了本系统，此电脑需运行Ubuntu14.04操作系统，配有Intel无线网卡5300，可提供Wi-Fi信号30个子载波的信道状态信息。实施例使用商用Wi-Fi路由器TP-LINK-WDR5620，持续不断地发射802.11n标准的Wi-Fi信号。实施例征集了7名志愿者，其中5名志愿者作为注册用户，2名作为侵入者。注册用户先行在系统中表现如下动作姿态注册自己的身份：打开橱柜，打开微波炉，拿起杯子，在空中画圆，在空中画之字形，在空中画正方形，在空中画三角形，前后挥动手臂，打开冰箱，打开门，打开抽屉。随后在使用此系统的阶段，用户表现任意的日常动作姿态。侵入者试图在使用阶段模仿注册用户的动作姿势侵入系统。
如图3所示，为本系统在使用阶段的用户认证精度的混淆矩阵。混淆矩阵的每一行和每一列分别表示真实用户身份和系统认证结果。第i行和第i列的值表示此样本真实情况是第i个用户的情况下，被认证为第i个用户的概率。从混淆矩阵可以看出，本系统对于注册用户可以实现85.8％的认证精度，并能以86.4％的精度识别出侵入者的身份。这说明，本系统可以在实现较高精度的用户认证，验证了本系统在多用户认证方面的可靠性和实用性。
经过具体实际实验，在室内环境，使用商用电脑和网卡，采集7个用户的数据训练模型成功的设置下，以训练得到的参数启动/运行上述装置/方法，能够得到的实验数据是：85.8％的注册用户的认证精度，86.4％的侵入者识别的精度。
与现有技术均需预定义用户要表现的姿态动作，才能识别出用户的身份相比，本系统可以在用户表现任意动作姿态的情况下进行用户认证。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (11)

1.一种基于无线信号进行姿态无关的连续用户认证方法，其特征在于，通过对接收到的包含肢体动作姿态信息的无线信号进行分割并得到待验证信息，籍由基于对抗神经网络的认证模型实现用户注册和待验证信息的连续认证；
所述的基于对抗神经网络的认证模型，包括用来提取不同用户的特征来表征个体的独特性的基于卷积神经网络的特征提取器、基于全连接网络的用户认证器和用来识别用户姿态的类型的基于循环神经网络的姿态识别器，其通过基于对抗性学习的方式，以最大化个体特征和最小化动作姿态特征的方式进行训练。
2.根据权利要求1所述的方法，其特征是，所述的无线信号，采用Wi-Fi信号；
所述的包含肢体动作姿态信息是指：任意时刻下在位于无线信号发射端和接收端之间的肢体动作姿态，该肢体动作姿态的内容没有特定的限制，使得无线信道受到所述动作的影响而变化。
3.根据权利要求1所述的方法，其特征是，所述的分割是指：根据接收到的无线信号进行信号分段处理得到信道特征，通过从接收到的CSI数据中提取出相对相位，并计算相对相位随时间变化的导数值，在满足导数值大于特定阈值的条件下进行波动判定，进而得到每个肢体姿态的开始点和结束点并截取期间部分的无线信号的CSI数据，作为待认证信息。
4.根据权利要求1所述的方法，其特征是，所述的训练，具体步骤包括：
1)特征提取器从待验证信息的幅值和相对相位中提取出代表用户身份的特征表示Z；
2)用户认证器和姿态识别器根据特征表示Z分别计算得到代表用户身份的概率向量
Figure FDA0002280868960000011
和代表动作姿态类别的概率向量
Figure FDA0002280868960000012
3)用户认证器和姿态识别器分别计算用户损失函数：
Figure FDA0002280868960000013
和姿态损失函数：
Figure FDA0002280868960000014
其中：Lu为用户损失函数，|U|为注册用户的个数，
Figure FDA0002280868960000015
为训练数据中的用户真实身份的概率向量中的第i个值，
Figure FDA0002280868960000016
为用户认证器计算得到的代表用户身份的概率向量中的第i个值；Lg为姿态损失函数，|G|为训练数据中姿态种类的数目，
Figure FDA0002280868960000017
为训练数据中姿态真实种类的概率向量中的第k个值，
Figure FDA0002280868960000018
为姿态识别器计算得到的代表姿态种类的概率向量中的第k个值；
4)认证模块生成模型训练目标函数：
Figure FDA0002280868960000019
其中：L为最终优化目标函数，α和β为权重，Lu为用户损失函数，Lg为姿态损失函数，c为常数偏执项；此目标函数的作用是：通过最小化用户损失，使得特征提取器提取关于用户独特性特征的能力增强；通过指数化最大化姿态损失，使得特征提取器提取关于姿态类型信息的能力减弱。
5.根据权利要求1所述的方法，其特征是，所述的注册是指：利用由用户的身体姿态影响的WiFi信号来作为训练数据，构建用户身份的模型，具体为：
1.1 信号采集模块收集由用户的身体姿态影响的WiFi信号中的CSI信息；
1.2 由验证信息生成模块对信号进行分割和去噪；
1.3 将验证信息输入到认证模型进行模型训练，训练特征提取器和用户认证器。
6.根据权利要求1所述的方法，其特征是，所述的连续认证是指：通过收集用户日常生活中执行身体动作姿态的WiFi信号，可识别出用户的身份，具体为：
2.1 信号采集模块收集由用户的身体姿态影响的WiFi信号中的CSI信息；
2.2 由验证信息生成模块对信号进行分割和去噪；
2.3 将验证信息输入训练好的认证模型，具体为首先利用训练好的特征提取器，提取出当前用户姿态无关的身份特征；利用在注册阶段训练好的用户认证器判别当前的用户身份，输出身份信息，以实现用户认证。
7.一种实现上述任一权利要求所述方法的基于无线信号进行姿态无关的连续用户认证系统，其特征在于，包括：设置于无线信号的接收端的信号采集模块、验证信息生成模块和基于对抗神经网络的认证模型，其中：信号采集模块采集无线信号的CSI信息并输出至验证信息生成模块，验证信息生成模块根据CSI中的相对相位的波动情况将得到的CSI信息分割为待验证信息并输出至认证模型，经识别得到验证结果。
8.根据权利要求7所述的系统，其特征是，所述的验证信息生成模块对分割后的CSI信息使用基于巴特沃斯滤波器对分割后的信号进行去噪以减小环境干扰和硬件造成的噪声，然后再从中提取出幅值和相对相位并分别输出至认证模型中。
9.根据权利要求7所述的系统，其特征是，所述的特征提取器包括三个用于提取与个体唯一性相关的特定局部特征的卷积层和三个池化层，其中第一个卷积层有32个5×5大小的卷积核，第二个卷积层有64个4×4大小的卷积核，第三个卷积层有128个3×3大小的卷积核；三个池化层都是2×2大小的取最大值的池化层。
10.根据权利要求7所述的系统，其特征是，所述的用户认证器包括两个全连接层，其中第一层是由1024个神经元组成的全连接层，第二层是6个神经元的全连接层。
11.根据权利要求7所述的系统，其特征是，所述的姿态识别器包括两个具有长短时记忆单元的RNN，该RNN的循环步数为10，隐层神经元个数为200，输出神经元个数为6，使用LSTM核。
CN201911140817.8A 2019-11-20 2019-11-20 基于无线信号进行姿态无关的连续用户认证方法及系统 Active CN110929242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911140817.8A CN110929242B (zh) 2019-11-20 2019-11-20 基于无线信号进行姿态无关的连续用户认证方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911140817.8A CN110929242B (zh) 2019-11-20 2019-11-20 基于无线信号进行姿态无关的连续用户认证方法及系统

Publications (2)

Publication Number Publication Date
CN110929242A true CN110929242A (zh) 2020-03-27
CN110929242B CN110929242B (zh) 2020-07-10

Family

ID=69850460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911140817.8A Active CN110929242B (zh) 2019-11-20 2019-11-20 基于无线信号进行姿态无关的连续用户认证方法及系统

Country Status (1)

Country Link
CN (1) CN110929242B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112218303A (zh) * 2020-09-28 2021-01-12 上海交通大学 基于Wi-Fi识别系统的信号转换方法
CN112528880A (zh) * 2020-12-15 2021-03-19 上海交通大学 基于WiFi CSI的小样本对抗学习动作识别方法、系统以及终端
CN113658355A (zh) * 2021-08-09 2021-11-16 燕山大学 一种基于深度学习的认证识别方法以及智能空气锁

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844128A (zh) * 2015-01-15 2016-08-10 北京三星通信技术研究有限公司 身份识别方法和装置
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN107122736A (zh) * 2017-04-26 2017-09-01 北京邮电大学 一种基于深度学习的人体朝向预测方法及装置
CN108090402A (zh) * 2016-11-22 2018-05-29 上海银晨智能识别科技有限公司 一种基于循环神经网络的视频人脸识别方法及系统
CN108211318A (zh) * 2018-01-23 2018-06-29 北京易智能科技有限公司 基于多方感知的竞走运动姿态分析方法
CN108280481A (zh) * 2018-01-26 2018-07-13 深圳市唯特视科技有限公司 一种基于残差网络的联合目标分类和三维姿态估计方法
US10061909B2 (en) * 2016-12-29 2018-08-28 Qualcomm Incorporated Device authentication based on behavior classification using convolution neural network
CN108629295A (zh) * 2018-04-17 2018-10-09 华中科技大学 转角地标识别模型训练方法、转角地标识别方法及装置
CN109214271A (zh) * 2018-07-17 2019-01-15 北京迈格威科技有限公司 用于重识别的损失函数确定的方法及装置
CN109413057A (zh) * 2018-10-17 2019-03-01 上海交通大学 基于细粒度手指姿态的智能家居连续用户认证方法及系统
CN109472191A (zh) * 2018-09-17 2019-03-15 西安电子科技大学 一种基于时空上下文的行人重识别与追踪方法
CN109948459A (zh) * 2019-02-25 2019-06-28 广东工业大学 一种基于深度学习的足球动作评估方法与系统
CN109993224A (zh) * 2019-03-27 2019-07-09 中国人民解放军战略支援部队航天工程大学 基于深度学习与多核学习的geo卫星形状与姿态识别方法
CN110222634A (zh) * 2019-06-04 2019-09-10 河海大学常州校区 一种基于卷积神经网络的人体姿态识别方法
CN110290386A (zh) * 2019-06-04 2019-09-27 中国科学技术大学 一种基于生成对抗网络的低码率人体运动视频编码系统及方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844128A (zh) * 2015-01-15 2016-08-10 北京三星通信技术研究有限公司 身份识别方法和装置
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN108090402A (zh) * 2016-11-22 2018-05-29 上海银晨智能识别科技有限公司 一种基于循环神经网络的视频人脸识别方法及系统
US10061909B2 (en) * 2016-12-29 2018-08-28 Qualcomm Incorporated Device authentication based on behavior classification using convolution neural network
CN107122736A (zh) * 2017-04-26 2017-09-01 北京邮电大学 一种基于深度学习的人体朝向预测方法及装置
CN108211318A (zh) * 2018-01-23 2018-06-29 北京易智能科技有限公司 基于多方感知的竞走运动姿态分析方法
CN108280481A (zh) * 2018-01-26 2018-07-13 深圳市唯特视科技有限公司 一种基于残差网络的联合目标分类和三维姿态估计方法
CN108629295A (zh) * 2018-04-17 2018-10-09 华中科技大学 转角地标识别模型训练方法、转角地标识别方法及装置
CN109214271A (zh) * 2018-07-17 2019-01-15 北京迈格威科技有限公司 用于重识别的损失函数确定的方法及装置
CN109472191A (zh) * 2018-09-17 2019-03-15 西安电子科技大学 一种基于时空上下文的行人重识别与追踪方法
CN109413057A (zh) * 2018-10-17 2019-03-01 上海交通大学 基于细粒度手指姿态的智能家居连续用户认证方法及系统
CN109948459A (zh) * 2019-02-25 2019-06-28 广东工业大学 一种基于深度学习的足球动作评估方法与系统
CN109993224A (zh) * 2019-03-27 2019-07-09 中国人民解放军战略支援部队航天工程大学 基于深度学习与多核学习的geo卫星形状与姿态识别方法
CN110222634A (zh) * 2019-06-04 2019-09-10 河海大学常州校区 一种基于卷积神经网络的人体姿态识别方法
CN110290386A (zh) * 2019-06-04 2019-09-27 中国科学技术大学 一种基于生成对抗网络的低码率人体运动视频编码系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112218303A (zh) * 2020-09-28 2021-01-12 上海交通大学 基于Wi-Fi识别系统的信号转换方法
CN112218303B (zh) * 2020-09-28 2022-02-18 上海交通大学 基于Wi-Fi识别系统的信号转换方法
CN112528880A (zh) * 2020-12-15 2021-03-19 上海交通大学 基于WiFi CSI的小样本对抗学习动作识别方法、系统以及终端
CN112528880B (zh) * 2020-12-15 2023-07-07 上海交通大学 基于WiFi CSI的小样本对抗学习动作识别方法、系统以及终端
CN113658355A (zh) * 2021-08-09 2021-11-16 燕山大学 一种基于深度学习的认证识别方法以及智能空气锁

Also Published As

Publication number Publication date
CN110929242B (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
Yang et al. Learning gestures from WiFi: A siamese recurrent convolutional architecture
CN107633207B (zh) Au特征识别方法、装置及存储介质
CN106899968B (zh) 一种基于WiFi信道状态信息的主动非接触身份认证方法
CN110929242B (zh) 基于无线信号进行姿态无关的连续用户认证方法及系统
Zhang et al. Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction
CN101216884B (zh) 一种人脸认证的方法及系统
CN110084610B (zh) 一种基于孪生神经网络的网络交易欺诈检测系统
CN105844216B (zh) 一种利用WiFi信号识别手写字母的检测与匹配机制
Ko et al. Using dynamic time warping for online temporal fusion in multisensor systems
CN110163082A (zh) 一种图像识别网络模型训练方法、图像识别方法及装置
Al-Naffakh et al. Unobtrusive gait recognition using smartwatches
CN107527016B (zh) 室内WiFi环境下基于动作序列检测的用户身份识别方法
CN104517097A (zh) 一种基于kinect的运动人体姿态识别方法
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN104484644A (zh) 一种手势识别方法和装置
CN113609977A (zh) 基于信道状态信息商距离的行人步态识别方法
Wang et al. Robust CSI-based human activity recognition with augment few shot learning
Avola et al. Person re-identification through Wi-Fi extracted radio biometric signatures
CN112052816A (zh) 基于自适应图卷积对抗网络的人体行为预测方法及系统
Moghaddam et al. A WiFi-based system for recognizing fine-grained multiple-subject human activities
CN109766951A (zh) 一种基于时频统计特性的WiFi手势识别
CN110621038B (zh) 一种基于WiFi信号检测步态实现多用户身份识别的方法及装置
Smith-Creasey et al. Context awareness for improved continuous face authentication on mobile devices
Jakkala et al. Deep CSI learning for gait biometric sensing and recognition

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