CN111428690A - 一种基于步态信号拓扑分析的身份认证方法 - Google Patents

Abstract

本发明公开了一种基于步态信号拓扑分析的身份认证方法，其特征在于，包括如下步骤：1）获取数据；2）活动识别；3）数据分段；4）持续同调；5）特征提取；6）用户识别。这种方法通过对步态信号拓扑分析可以获得在常规统计分析中丢失的关键信息的详细理解，以获得高识别准确率和强鲁棒性。

Description

一种基于步态信号拓扑分析的身份认证方法

技术领域

本发明涉及身份认证技术领域，具体是一种基于步态信号拓扑分析的身份认证方法。

背景技术

智能手机正成为信息系统最重要的接口之一。最近，处理金融交易、健康维护、联系人信息等的智能手机应用程序数量急剧增加，这些应用程序生成越来越多的个人机密信息，这些信息的安全性不仅对应用程序开发人员至关重要，用户也非常关心。因此，智能手机的用户身份认证和安全问题已经成为具有根本意义的问题。

近年来，针对智能手机提出了各种各样的用户识别技术，包括传统的基于密码的识别、指纹识别到人脸识别，并设计了几个集成了用户识别技术的应用程序，包括移动投票、银行和在线交易。但是，所有这些应用程序在使用之初都需要用户的参与，此外，也无法持续地对用户进行身份验证。

现有的基于步态时间序列的身份认证工作大多是基于统计特征进行分析，然而这种分析方法从传感器获得的时间序列数据具有“混沌”特性，其中的对统计特征的测量，如均值和方差、频率等随时间变化很大，在这种情况下，为了保持统计特征的稳定，需要收集更多的数据，要解决这一问题，可以依靠特定数据特征的个别分析方法，或者需要扩展传统方法，两者都需要特定功能的目标数据的详细信息。

除此以外，传统的基于机器视觉的步态识别研究是需要在摄像头下和特定环境下拍摄到识别对象才能进行识别认证，一旦对象被遮挡，拍摄环境复杂或者脱离摄像头拍摄范围，身份识别认证将中断并且变得困难，因此需要研究一种连续的、隐式的、对环境要求较低的方式对用户进行识别认证来解决此问题，隐式身份验证方法不依赖于用户的直接参与，而与智能手机内置硬件所记录的用户行为密切相关。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于步态信号拓扑分析的身份认证方法。这种方法通过对步态信号拓扑分析可以获得在常规统计分析中丢失的关键信息的详细理解，以获得高识别准确率和强鲁棒性。

实现本发明目的的技术方案是：

一种基于步态信号拓扑分析的身份认证方法，包括如下步骤：

1)数据获取：采用智能手机内置传感器采集人活动时三轴加速度计信号进行预处理，并将三轴加速度计的x，y，z三个方向的信号合成一个标量信号，所述预处理为：对三轴加速度计的信号进行中值滤波并通过截止频率为20Hz的三阶低通巴特沃斯滤波器进行滤波以降低噪声；

2)活动识别：对步骤1)获得的标量信号采用公开号为CN109325428A、名称为《基于多层次端到端神经网络的人类活动姿态识别方法》专利中的步态类型识别方法进行活动类型识别；

3)数据分段：对步骤2)获得的活动类型识别后的信号进行分段处理：取N个连续采样数据为一段，将采集到的一段步态时间序列分为μ段，设第l段时间序列为：

S_l＝δ_l(n),n＝1,2...,N；

4)持续同调：计算步骤3)中每一段步态数据的拓扑特征，每一段步态数据得到一个持续同调图(Persistence Diagram，简称PD)，过程为：

1-4)对步骤3)中第l段时间序列S_l进行相空间重构，将分段后的步态时间序列信号扩展到高维相空间中，得到相空间任一相点表示为k(α)，定义为：

k(α)＝[δ_l(a),δ_l(α+τ),…,δ_l(α+(γ-1)τ)],α＝1,2,…,Λ，

其中Λ为相点总数，τ为延迟时间与γ为嵌入维数，定义相空间数据点集为：

H＝{k(1),k(2),…,k(Λ)}；

2-4)采用C-C法进行相空间重构，计算出步骤1-4)中所述相空间重构的延迟时间τ与嵌入维数γ；

3-4)对步骤1-4)中的相空间数据点集H持续同调，计算得PD为：

4-4)计算步骤3)中所有分段时间序列S_l的PD，得到PD集合为：

5)特征提取：联合PD计算持续同调期望(Expected persistence diagram，简称EPD)：从步骤4-4)获得的集合

中任意地选取不重复的g个PD逐一叠加组合成一个EPD：

其中m_j表示EPD，j表示EPD的序号，J表示EPD总数；

6)用户识别：由于不同用户所得EPD特征不同，采用K-L散度度量EPD间的相异度，进而对特征分类，最终达到用户识别的目的，过程为：

1-6)将每一个EPD顺时针旋转45°，得到旋转后的EPD，定义为：

式中

2-6)将步骤1-6)中的

的区间长度平均分为ψ段，其中v代表EPD的编号值，γ为Ω_j的总点数；

3-6)计算步骤2-6)中的ψ段中每段所包含散点数的频数分布：

其中p_j(i)表示Ω_j第i段散点的频数，Γ_j(i)为Ω_j第i段的散点总数，Φ_j为Ω_j的总散点数；

4-6)假设编号为e的用户，共获取其EPD频数分布Ψ^e个，估算编号为e的用户EPD频数分布的统计模型为：

其中M^e(i)表示编号为e的用户模型；

5-6)给出任一未知信号频数分布p(x)，用如下方法判定其所属用户：

R＝argmin(D_KL(p(x)||M^e(i)))，其中R为识别出来的EPD编号值，D_KL(·)表示计算K-L散度，用来度量两个频数的相似程度，给出两个频数分布p(i)、M^e(i)，其中K-L散度定义为：

式中，p(i)和M^e(i)相似度越高，K-L距离越小。

本技术方案的有益效果是：

(1)本发明采用智能手机内置传感器采集数据，避免了额外使用传感器采集数据的需求，数据采集过程更方便，成本低；

(2)被认证对象不需要主动配合采集信息，只需在正常步行过程中持续地、隐式地自动完成步态用户识别，能够在不中断工作的情况下连续、可靠地识别用户，并且在持续的验证方式下，智能手机一旦被非法控制就能立马侦测到，并阻止其通过智能手机或智能手机内部访问敏感数据或服务；

(3)通过研究将步态信号进行同调分析来获得对常规统计分析中丢失的关键信息的详细理解，提供另一种方法进行步态用户识别，提高识别准确率。

这种方法通过对步态信号拓扑分析可以获得在常规统计分析中丢失的关键信息的详细理解，以获得高识别准确率和强鲁棒性。

附图说明

图1为实施例的方法流程示意图；

图2为实施例中测试人员加速度计三轴信号示意图；

图3为实施例中测试人员加速度计三轴信号合成的标量信号示意图；

图4为实施例中步态时间序列相空间重构结果示意图；

图5为实施例中步态时间序列持续同调部分过程示意图；

图6为实施例中步态时间序列PD构建结果示意图；

图7为实施例中EPD构建结果示意图；

图8为实施例中EPD的K-L散度对比过程示意图。

具体实施方式

下面结合附图和实施例对本发明的内容作进一步说明，但不是对本发明的限定。

实施例：

参照图1，一种基于步态信号拓扑分析的身份认证方法，包括如下步骤：

1)数据获取：采用智能手机内置传感器采集人活动时三轴加速度计信号进行预处理，并将三轴加速度计的x，y，z三个方向的信号合成一个标量信号，所述预处理为：对三轴加速度计的信号进行中值滤波并通过截止频率为20Hz的三阶低通巴特沃斯滤波器进行滤波以降低噪声，本例中，将智能手机佩戴在测试人员腰间进行活动，使用三星Galaxy S2智能手机内置的加速度计，以50Hz的恒速测量3轴线性加速度采集测试人员运动时三轴加速度计信号如图2所示，三轴加速度计的x，y，z三个方向的信号合成一个标量信号如图3所示；

2)活动识别：对步骤1)获得的标量信号采用公开号为CN109325428A、名称为《基于多层次端到端神经网络的人类活动姿态识别方法》专利中的步态类型识别方法进行活动类型识别，本例中将采集的信号分为测试用户行走信号和下楼信号两种类型；

3)数据分段：对步骤2)获得的活动类型识别后的信号进行分段处理：取N个连续采样数据为一段，将采集到的一段步态时间序列分为μ段，设第l段时间序列为S_l＝δ_l(n),n＝1,2...,N，本例中取N＝300个连续采样数据为一段；

4)持续同调：计算步骤3)中每一段步态数据的拓扑特征，每一段步态数据得到一个持续同调图PD，过程为：

1-4)对步骤3)中第l段时间序列S_l进行相空间重构，将分段后的步态时间序列信号扩展到高维相空间中，得到相空间任一相点表示为k(α)，定义为：

k(α)＝[δ_l(a),δ_l(α+τ),…,δ_l(α+(γ-1)τ)],α＝1,2,…,Λ，

其中Λ为相点总数，τ为延迟时间与γ为嵌入维数，定义相空间数据点集为：

H＝{k(1),k(2),…,k(Λ)}；

2-4)采用C-C法进行相空间重构，计算出步骤1-4)中所述相空间重构的延迟时间τ与嵌入维数γ，本例中得出嵌入维数γ＝2与时延τ＝4进行相空间重构，时间序列S_l相空间重构结果如图4所示；

3-4)对步骤1-4)中的相空间数据点集H持续同调，持续同调部分过程如图5所示，计算得PD为：

本例中PD构建结果如图6所示；

4-4)计算步骤3)中所有分段时间序列S_l的PD，得到PD集合为：

5)特征提取：联合PD计算持续同调期望EPD：从步骤4-4)获得的集合

中任意地选取不重复的g个PD逐一叠加组合成一个EPD，本例中g＝15个PD逐一叠加组合成一个EPD，EPD构建结果如图7所示，

其中m_j表示EPD，j表示EPD的序号，J表示EPD总数；

6)用户识别：由于不同用户所得EPD特征不同，采用K-L散度度量EPD间的相异度，进而对特征分类，最终达到用户识别的目的，如图8所示，过程为：

1-6)将每一个EPD顺时针旋转45°，得到旋转后的EPD，定义为：

式中

2-6)将步骤1-6)中的

的区间长度平均分为ψ段，其中v代表EPD的编号值，γ为Ω_j的总点数，本例中区间长度平均分为ψ＝20段；

3-6)计算步骤2-6)中的ψ段中每段所包含散点数的频数分布：

其中p_j(i)表示Ω_j第i段散点的频数，Γ_j(i)为Ω_j第i段的散点总数，Φ_j为Ω_j的总散点数；

4-6)假设编号为e的用户，共获取其EPD频数分布Ψ^e个，本例中共获取其EPD频数分布Ψ^e＝16个，估算编号为e的用户EPD频数分布的统计模型为：

其中M^e(i)表示编号为e的用户模型；

5-6)给出任一未知信号频数分布p(x)，用如下方法判定其所属用户：

R＝argmin(D_KL(p(x)||M^e(i)))，其中R为识别出来的EPD编号值，D_KL(·)表示计算K-L散度，用来度量两个频数的相似程度，给出两个频数分布p(i)、M^e(i)，其中K-L散度定义为：

式中，p(i)和M^e(i)相似度越高，K-L距离越小。

本例中，选取windows7操作系统、128GB内存、56核处理器的硬件平台，基于MATLABr2014a的软件平台，使用javaPlex核重构VR复形得到步态时间序列的持续同调，本例中共包含四个用户的步态数据集，对每个用户采集约300点步态时间序列，使用C-C法选取嵌入维数γ＝2与时延τ＝4进行相空间重构，计算产生一个PD，选取g＝15的叠加构成一个EPD，针对不同用户，分别构造16个EPD作为先验知识，基于步骤4-6)中的公式，为每一个用户学习构造一个EPD频数分布的统计模型，以该模型为模板，对未知用户数据进行判定，

采用本例用户识别方法，选取十个不同用户、两种运动状态数据，采用了640个EPD进行测试，其中每个用户EPD个数为64，通过比较未知EPD和四个已知用户EPD频数分布的统计模型，来完成用户识别，对每个未知EPD，分别计算其与四个已知用户EPD频数分布的统计模型的K-L距离，判定未知EPD为K-L距离最小的用户，

计算以下比率评估本例用户识别方法的准确性，包括召回率(TPR，True PositiveRate)、误识率(FAR，false acceptance rate)、拒识率(FRR，false rejection rate)，定义为：

其中TP是被分类为正确的次数，FN是被分类为错误的次数，N_IRA是类间测试总次数，N_GRA类内测试总次数，N_FA和N_FR分别是错误接受次数和错误拒绝次数。

表1描述了K-L散度度量方式的结果，平均识别准确率达到95.3％。

表1

Claims (1)

1.一种基于步态信号拓扑分析的身份认证方法，其特征在于，包括如下步骤：

1)数据获取：采用智能手机内置传感器采集人活动时三轴加速度计信号进行预处理，并将三轴加速度计的x，y，z三个方向的信号合成一个标量信号，所述预处理为：对三轴加速度计的信号进行中值滤波并通过截止频率为20Hz的三阶低通巴特沃斯滤波器进行滤波以降低噪声；

2)活动识别：对步骤1)获得的标量信号采用公开号为CN109325428A、名称为《基于多层次端到端神经网络的人类活动姿态识别方法》专利中的步态类型识别方法进行活动类型识别；

3)数据分段：对步骤2)获得的活动类型识别后的信号进行分段处理：取N个连续采样数据为一段，将采集到的一段步态时间序列分为μ段，设第l段时间序列为S_l＝δ_l(n)，n＝1，2...，N；

4)持续同调：计算步骤3)中每一段步态数据的拓扑特征，每一段步态数据得到一个持续同调图PD，过程为：

1-4)对步骤3)中第l段时间序列S_l进行相空间重构，将分段后的步态时间序列信号扩展到高维相空间中，得到相空间任一相点表示为k(α)，定义为：

k(α)＝[δ_l(a)，δ_l(α+τ)，…，δ_l(α+(Υ-1)τ)]，α＝1，2，…，Λ，

其中Λ为相点总数，τ为延迟时间与Υ为嵌入维数，定义相空间数据点集为：

H＝{k(1)，k(2)，…，k(Λ)}；

2-4)采用C-C法进行相空间重构，计算出步骤1-4)中所述相空间重构的延迟时间τ与嵌入维数Υ；

3-4)对步骤1-4)中的相空间数据点集H持续同调，计算得PD为：

4-4)计算步骤3)中所有分段时间序列S_l的PD，得到PD集合为：

5)特征提取：联合PD计算持续同调期望EPD，从步骤4-4)获得的集合

中任意地选取不重复的g个PD逐一叠加组合成一个EPD：

其中m_j表示EPD，j表示EPD的序号，J表示EPD总数；

6)用户识别：由于不同用户所得EPD特征不同，采用K-L散度度量EPD间的相异度，进而对特征分类，最终达到用户识别的目的，过程为：

1-6)将每一个EPD顺时针旋转45°，得到旋转后的EPD，定义为：

式中

2-6)将步骤1-6)中的

的区间长度平均分为ψ段，其中v代表EPD的编号值，γ为Ω_j的总点数；

3-6)计算步骤2-6)中的ψ段中每段所包含散点数的频数分布：

其中p_j(i)表示Ω_j第i段散点的频数，Γ_j(i)为Ω_j第i段的散点总数，Φ_j为Ω_j的总散点数；

4-6)假设编号为e的用户，共获取其EPD频数分布Ψ^e个，估算编号为e的用户EPD频数分布的统计模型为：

其中M^e(i)表示编号为e的用户模型；

5-6)给出任一未知信号频数分布p(x)，用如下方法判定其所属用户：

R＝arg min(D_KL(p(x)||M^e(i)))，其中R为识别出来的EPD编号值，D_KL(·)表示计算K-L散度，用来度量两个频数的相似程度，给出两个频数分布p(i)、M^e(i)，其中K-L散度定义为：

式中，p(i)和M^e(i)相似度越高，K-L距离越小。

Images