CN112131541A - 一种基于振动信号的身份验证方法和系统 - Google Patents

Abstract

本发明公开了一种基于振动信号的身份验证方法和系统。该方法包括：用户自定义智能设备的每个数字按键和振动信号类型之间的关联关系，并自定义PIN码；采集用户输入PIN码时产生的振动信号；对所采集的振动信号进行处理并提取振动信号的有效部分；提取所述振动信号的有效部分的梅尔倒谱系数；将所述梅尔倒谱系数输入经训练的隐马尔可夫模型，获得振动信号类型的分类结果；根据所述分类结果，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。本发明能够提高智能设备身份验证的安全性和有效性。

Description

一种基于振动信号的身份验证方法和系统

技术领域

本发明涉及身份验证技术领域，更具体地，涉及一种基于振动信号的身份验证方法和系统。

背景技术

随着网络的普及，越来越多的智能终端进入市场。现有的智能终端的验证方式通常包括指纹识别和语音识别等。

指纹识别通过接触性传感器提取指纹特征进行比对，在用户的手指蘸有水渍或者油渍的时候，难以进行有效识别，并且用户指纹属于手指表面信息，很容易被伪造。

目前，语音识别技术在强噪声干扰的情况下，还很难达到实用化要求。在自然发音、噪声、口音等复杂条件下，语音识别的准确率明显下降，而且用户的声音可能会被非法录制，导致重放攻击的发生。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于振动信号的身份验证方法和系统，其是三重身份验证的新技术方案，能够改善现有智能设备身份验证中存在的安全性问题。

根据本发明的第一方面，提供了一种基于振动信号的身份验证方法。该方法包括以下步骤：

用户自定义智能设备的每个数字按键和振动信号类型之间的关联关系，并自定义PIN码；

采集用户输入PIN码时产生的振动信号；

对所采集的振动信号进行处理并提取振动信号的有效部分；

提取所述振动信号的有效部分的梅尔倒谱系数；

将所述梅尔倒谱系数输入经训练的隐马尔可夫模型，获得振动信号类型的分类结果；

根据所述分类结果，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。

根据本发明的第二方面，提供一种基于振动信号的身份验证系统。该系统包括：自定义单元，其用于用户自定义智能设备的每个数字按键和振动信号类型之间的关联关系，并自定义PIN码；信号采集单元，其用于采集用户输入PIN码时产生的振动信号；信号处理单元，其用于对所采集的振动信号进行处理并提取振动信号的有效部分；特征提取单元，其用于提取所述振动信号的有效部分的梅尔倒谱系数；分类识别单元，其用于将所述梅尔倒谱系数输入经训练的隐马尔可夫模型，获得振动信号类型的分类结果；身份验证单元，其用于根据所述分类结果，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。

与现有技术相比，本发明的优点在于，本发明通过允许用户自定义每一个数字按键对应的振动信号类型、经输入PIN码所产生的不同振动信号用于进行用户的身份验证，这种三重身份验证方式使非法用户难以伪造，显著提高了身份验证的安全性和有效性。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于振动信号的身份验证方法的流程图；

图2是根据本发明一个实施例的基于振动信号的身份验证方法的过程示意。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

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。

在这里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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

结合图1和图2所示，本发明实施例提供的基于振动信号的身份验证方法包括：

步骤S110，用户自定义每个数字按键对应的振动信号类型。

在此步骤中，用户可定义智能终端上各数字按键对应的振动信号类型。智能设备包括但不限于笔记本电脑、台式电脑、门禁系统或其他具有一定计算能力的终端设备。

例如，以智能手机为例，用户自定义每个数字按键对应的振动信号类型包括：

步骤S101，智能手机可以通过手机键盘输入10个数字(0，1，2，3，...，9)，同时在智能手机中存储10种类型的振动信号

例如，10种振动信号类型分别标记为振动信号s0，振动信号s1，振动信号s2，...，振动信号s9。

步骤S102，对于不同类型的振动信号，根据振动幅度和振动频率进行区分。

例如，对应于不同类型的振动信号，至少振动幅度或振动频率不同，只要能够进行类型区分即可。

步骤S103，用户设置每个数字与振动信号类型之间的关联关系。

例如，用户可以根据自己的意愿设置数字“0”对应于振动信号s0，数字“1”对应于振动信号s1，数字“2”对应于振动信号s2，...，数字“9”对应于振动信号s9。

步骤S120，用户自定义PIN码并输入PIN码来产生振动信号。

用户可自定义多位PIN码，例如，设置4-8位PIN码用于后续身份验证。

步骤S130，采集输入PIN码所产生的振动信号。

用户输入PIN码时，可以产生对应的振动信号。例如，使用树莓派连接的振动信号传感器采集振动信号，具体包括：

步骤S301，用户左手拿着智能手机，右手在手机上输入PIN码来产生振动信号。

步骤S302，振动信号通过用户的手背传到振动传感器。

步骤S303，树莓派采用振动传感器采集智能手机产生的振动信号。

在本发明实施例中，振动传感器可以是压电薄膜振动传感器、压电陶瓷振动传感器或其他能检测振动信号的传感器。

步骤S140，用基于能量的双门限端点检测法来检测振动信号的有效部分。

在一个实施例中，用基于能量的双门限端点检测法来检测振动信号的有效部分具体包括：

步骤S401，树莓派采集到振动信号之后，使用巴特沃斯带通滤波器对其进行滤波，截止频率分别设置为10Hz和1000Hz。

步骤S402，计算出振动信号的短时能量。

例如，短时能量的计算公式如下：

其中，E是帧信号的短时能量，L是帧信号的长度，S(i)是振动信号的幅度，t是帧号的时间索引。

步骤S403，计算噪声的平均能量，记为u，计算信号能量的标准差，记为σ；设置切断时的低门限为TL＝u+σ，高门限为TH＝u+3σ。

步骤S404，根据经验设置两个参数：同一个信号的信号峰之间的最大间隔maxInter和信号的最小长度minLen；

对于同一个振动信号，可根据经验设置信号峰之间的最大间隔门限maxInter和最小长度门限minLen，本发明对此不进行限制。例如，将maxInter设置为50(帧)，将minLen设置为30(帧)。

步骤S405，找出信号中能量最大的一帧信号且该帧信号的能量需要高于所设置的高门限。

步骤S406，从该帧信号分别向左和向右延伸，直到下一帧信号的能量低于所设置的低门限，记录此时的帧位置，可以得到左边的帧位置为该信号峰的起点，右边的帧位置为该信号峰的终点，同时将信号中该信号峰所在位置的帧能量置为零。

步骤S407，重复S405和S406，直到找出整段信号中的所有信号峰。

步骤S408，若两个信号峰的间隔小于maxInter，则合并两个信号峰。

步骤S409，重复S408，直到所有信号峰之间的间隔都大于maxInter。

步骤S410，若信号峰的长度小于minLen，则直接舍弃该信号峰。

步骤S411，最后得到的信号峰的数量应该为1，且该信号峰即为信号的有效部分。

步骤S412，若S411得到的信号峰的数量大于1，则该信号应视为无效信号，直接舍弃。

需说明的是，本文的“左”、“右”反映的是时序方向，例如，“向左延伸”是指搜索帧信号的前序帧，而“向右延伸”指搜索帧信号的后序帧。

步骤S150，提取振动信号的有效部分的梅尔倒谱系数。

在一个实施例中，提取振动信号的梅尔倒谱系数作为特征，具体包括：

步骤S501，对提取到的振动信号的有效部分进行预加重、分帧和加窗。

例如，预加重的系数为0.96，帧长为20ms，帧移为6ms，窗函数为Hamming窗。

步骤S502，对每一帧信号进行快速傅里叶变换(FFT)得到对应的频谱。

步骤S503，将得到的频谱通过梅尔滤波器组得到梅尔频谱。

例如，梅尔滤波频率范围为10Hz到1000Hz，滤波器通道数为28。

步骤S504，对得到的梅尔频谱取对数，然后进行离散余弦变换(DCT)，最后取前14个系数作为梅尔倒谱系数(MFCCs)。

应理解的是，所提取的梅尔频率倒谱系数不限于14个，可根据训练模型的精确度和执行速度要求提取适当数量的梅尔频率倒谱系数。此外，本文对预加重、分帧、加窗、傅里叶变换等现有技术不作具体介绍。

步骤S160，以所提取的梅尔倒谱系数作为观察序列，训练隐马尔可夫模型。

根据上述步骤可构建训练样本，用于表征梅尔倒谱系数和振动信号类型之间的对应关系，即样本的输入特征是梅尔倒谱系数，样本标签是振动信号类型。

具体地，利用训练样本使用鲍姆-韦尔奇算法训练隐马尔可夫模型，以提取的梅尔倒谱系数作为观察序列，其中，隐马尔可夫模型的状态数为3，每个状态有2个混合高斯概率密度函数，训练过程包括：对隐马尔可夫模型的参数进行初始化；计算前、后向概率矩阵；计算转移概率矩阵；计算各个高斯概率密度函数的均值和方差；计算各个高斯概率密度函数的权重；计算所有观察序列的输出概率，并进行累加得到总和输出概率。

训练的迭代次数可根据计算资源和模型精度进行设置，例如考虑到智能终端的计算资源有限，所以该训练过程可仅迭代1次。此外，对应每种振动信号类型，可各训练一个隐马尔克夫模型。

优选地，使用隐马尔可夫模型来对测试数据进行分类识别，以评估模型的有效性。分类识别过程具体包括：利用维特比算法计算测试数据(测试样本)对于各个隐马尔可夫模型的输出概率，并给出最佳的状态路径；输出概率最大的隐马尔可夫模型所对应的类别即为该测试数据的分类结果。

进一步地，在分类结果不满足预定要求的情况下，可通过调整或丰富训练样本重新训练隐马尔克夫模型。

步骤S170，利用经训练的隐马尔可夫模型识别待检测用户输入PIN码所产生的振动信号类型，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。

经训练的隐马尔克夫模型即确定了其中的隐含参数。在实际应用中，对于待验证身份的用户，实时提取用户输入PIN码产生的振动信号并提取对应的梅尔倒谱系数后，输入经训练的隐马尔克夫模型，即可获得振动信号类型，进而根据预先存储的数字按键和振动信号类型之间的关联关系，识别用户输入的PIN，从而实现用户三重身份验证。

综上所述，本发明利用智能终端输入PIN码所产生的振动信号进行身份验证，实现了三重身份验证，具体地，通过允许用户自定义每一个数字按键对应的振动信号类型，所以不同的用户可以设置不同的对应关系，此为第一重身份验证方式；允许输入PIN码所产生的不同振动信号用于进行用户的身份验证，所以不同的用户可以设置不同的PIN码，此为第二重身份验证方式；产生的振动信号是通过用户的手背来传输到智能设备的振动传感器的，所以智能设备收集到的振动信号包含了用户手背对应的生物识别特征，所以不同的用户即使输入PIN码产生一样的振动信号，但是该振动信号是经过不同用户的手背传输到智能设备的，所以此时智能设备收集到的振动信号因包含了不同用户的手背的生物识别特征而不同，此为第三重身份验证方式。这种三重身份认证方式，提高了智能设备身份验证的安全性和有效性。

相应地，本发明还提供一种基于振动信号的身份验证系统，用于实现上述方法的一个方面或多个方面。例如，该系统包括：自定义单元，其用于用户自定义智能设备的每个数字按键和振动信号类型之间的关联关系，并自定义PIN码；信号采集单元，其用于采集用户输入PIN码时产生的振动信号；信号处理单元，其用于对所采集的振动信号进行处理并提取振动信号的有效部分；特征提取单元，其用于提取所述振动信号的有效部分的梅尔倒谱系数；分类识别单元，其用于将所述梅尔倒谱系数输入经训练的隐马尔可夫模型，获得振动信号类型的分类结果；身份验证单元，其用于根据所述分类结果，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。

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可以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是――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。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

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。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于振动信号的身份验证方法，包括以下步骤：

用户自定义智能设备的每个数字按键和振动信号类型之间的关联关系，并自定义PIN码；

采集用户输入PIN码时产生的振动信号；

对所采集的振动信号进行处理并提取振动信号的有效部分；

提取所述振动信号的有效部分的梅尔倒谱系数；

将所述梅尔倒谱系数输入经训练的隐马尔可夫模型，获得振动信号类型的分类结果；

根据所述分类结果，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。

2.根据权利要求1所述的方法，其中，根据以下步骤设定数字按键和振动信号类型之间的关联关系：

对于智能设备的多个数字按键，设定每个数字按键与振动信号类型之间的一一对应关系，其中对于不同类型的振动信号，至少振动幅度或振动频率不同。

3.根据权利要求1所述的方法，其中，所述智能设备包括笔记本电脑、台式电脑和门禁系统。

4.根据权利要求1所述的方法，其中，对所采集的振动信号进行处理并提取振动信号的有效部分包括：

利用树莓派连接的振动信号传感器采集用户输入PIN码时产生的振动信号，并采用巴特沃斯带通滤波器进行滤波；

计算振动信号的短时能量；

用基于短时能量的双门限端点检测确定振动信号有效部分的起点和终点；

根据获取的起点和终点对振动信号进行截取，获得振动信号的有效部分。

5.根据权利要求4所述的方法，其中，所述振动传感器包括压电薄膜振动传感器和压电陶瓷振动传感器。

6.根据权利要求1所述的方法，其中，提取所述振动信号的有效部分的梅尔倒谱系数包括：

对获取的信号有效部分进行预加重、分帧和加窗；

对每一个短时分析窗，通过短时傅里叶变换得到对应的频谱；

将获得的频谱通过梅尔滤波器组得到梅尔频谱；

对得到的梅尔频谱取对数，并进行离散余弦变换，进而选择前14个系数作为提取出的梅尔倒谱系数。

7.根据权利要求1所述的方法，其中，以所述梅尔倒谱系数作为观察序列，使用鲍姆-韦尔奇算法训练隐马尔可夫模型，并且对应于每种类型的振动信号各训练一个隐马尔克夫模型。

8.根据权利要求7所述的方法，其中，还包括根据以下步骤评估经训练的隐马尔可夫模型：

利用维特比算法计算测试数据对于各个隐马尔可夫模型的输出概率，并给出最佳的状态路径；

将输出概率最大的隐马尔可夫模型所对应的振动信号类型作为该测试数据的分类结果。

9.一种基于振动信号的身份验证系统，包括：

自定义单元：用于用户自定义智能设备的每个数字按键和振动信号类型之间的关联关系，并自定义PIN码；

信号采集单元：用于采集用户输入PIN码时产生的振动信号；

信号处理单元：用于对所采集的振动信号进行处理并提取振动信号的有效部分；

特征提取单元：用于提取所述振动信号的有效部分的梅尔倒谱系数；

分类识别单元：用于将所述梅尔倒谱系数输入经训练的隐马尔可夫模型，获得振动信号类型的分类结果；

身份验证单元：用于根据所述分类结果，并结合设定的数字按键和振动信号类型之间的关联关系，进行身份验证。

10.一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。

Images