CN112883348A - 基于运动特征的身份验证方法、装置、设备及计算机存储介质 - Google Patents
基于运动特征的身份验证方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112883348A CN112883348A CN202110163313.9A CN202110163313A CN112883348A CN 112883348 A CN112883348 A CN 112883348A CN 202110163313 A CN202110163313 A CN 202110163313A CN 112883348 A CN112883348 A CN 112883348A
- Authority
- CN
- China
- Prior art keywords
- motion
- user
- verified
- legal user
- identity verification
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Abstract
本发明实施例公开了一种基于运动特征的身份验证方法、装置、设备及计算机存储介质;该方法可以包括:基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
Description
技术领域
本发明实施例涉及信息安全技术领域,尤其涉及一种基于运动特征的身份验证方法、装置、设备及计算机存储介质。
背景技术
当前,物联网的应用范围随着通信技术的进步也变得更加广泛,物联网技术俨然已成为产业革命的重要推动力。物联网的身份验证问题成为了技术发展过程中值得关注的焦点。详细来说,身份验证是指对请求访问系统、网络或设备用户进行识别的过程,是防止未经授权的用户访问敏感信息的方法;身份验证的目的不仅要保障个人隐私和敏感信息在物联网应用过程中不被轻易窃取;而且还应当满足高度智能化和简单化的条件,以适应物联网应用基于不同场景的便捷使用。
目前,基于生物特征识别技术的身份验证机制能够满足以上两方面需求,举例来说,利用指纹、人脸、声音及虹膜这些生物特征进行身份验证的技术方案已经广泛地应用在相关技术中,但这些生物特征识别方案往往存在以下问题:首先需要用户通过某种形式主动地向生物特征采集设备提供相应的生物特征以进行验证,比如按压指纹、将脸部或眼部主动靠近图像采集设备、主动向声音采集设备进行发声等,增加了验证操作过程的步骤,降低了验证效率;其次,已有的相关生物特征识别方案不具有足够的鲁棒性以应对环境状态变化,例如在光线强弱、烟雾气体、温度差异等情况下,目前已有的相关生物特征识别方案无法达到与理想环境下相同的验证效果。
发明内容
有鉴于此,本发明实施例期望提供一种基于运动特征的身份验证方法、装置、设备及计算机存储介质;能够利用人体运动时所具有的生物特征信息实现身份验证,无需用户主动提供生物特征即可完成身份验证,提高了验证的效率;而且还能够降低环境状态对验证效果的影响,提高验证的准确度。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种基于运动特征的身份验证方法,所述方法可以包括:
基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;
基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;
基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;
基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
第二方面,本发明实施例提供了一种基于运动特征的身份验证装置,所述装置包括:提取部分、构建部分、获取部分和验证部分;其中,
所述提取部分,经配置为基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;
所述构建部分,经配置为基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;
所述获取部分,经配置为基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;
所述验证部分,经配置为基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
第三方面,本发明实施例提供了一种计算设备,所述计算设备包括:通信接口、存储器和处理器;其中,
所述通信接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行第一方面所述基于运动特征的身份验证方法的步骤。
第四方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于运动特征的身份验证程序,所述基于运动特征的身份验证程序被至少一个处理器执行时实现第一方面所述基于运动特征的身份验证方法的步骤。
本发明实施例提供了一种基于运动特征的身份验证方法、装置、设备及计算机存储介质;利用提取所得到的待验证用户的运动特征信息与已保存的合法用户的运动特征信息进行比较,从而确定待验证用户身份的合法性。借助于人的运动特征的独特性进行身份验证,提升了验证的安全可靠性。而且,利用雷达信号的回波信号进行分析,能够降低设备制造的成本,无需布置额外的硬件设备,便于部署,降低实施成本。此外,基于运动特征进行身份验证,相较于常规的基于指纹、虹膜等生物特征的身份验证方案,具有非接触性、非侵犯性、难以隐藏和伪装等优点。
附图说明
图1为本发明实施例提供的基于运动特征的身份验证方法流程示意图;
图2为本发明实施例提供的提取用于进行身份验证的运动特征流程示意图;
图3为本发明实施例提供的有人运动情况下观测运动空间位置的热点图;
图4为本发明实施例提供的有人运动情况下观测运动速度的多普勒热点图;
图5为本发明实施例提供的无人环境下观测空间环境的热点图;
图6为本发明实施例提供的无人环境下的多普勒热点图;
图7为本发明实施例提供的有人行走时噪声和运动波形图;
图8为本发明实施例提供的无人状态下的噪声和运动波形图;
图9为本发明实施例提供的去噪效果对比示意图;
图10为本发明实施例提供的运动特征相关程度示意图;
图11为本发明实施例提供的基于运动特征的身份验证装置组成示意图;
图12为本发明实施例提供的一种计算设备的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
首先,需要解释说明的是,人在运动过程中,比如步行、跑步、静坐,上下楼梯等,其运动特性相关信息基于人与人之间的运动姿态独特性可以用于进行身份验证或识别。根据以上阐述,本发明实施例期望能够利用运动特征相对于人体的相关且独特性对合法用户的验证。
基于此,参见图1,其示出了本发明实施例提供的一种基于运动特征的身份验证方法,该方法可以包括:
S101:基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;
S102:基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;
S103:基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;
S104:基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
对于上述图1所示的技术方案,利用提取所得到的待验证用户的运动特征信息与已保存的合法用户的运动特征信息进行比较,从而确定待验证用户身份的合法性。借助于人的运动特征的独特性进行身份验证,提升了验证的安全可靠性。而且,利用雷达信号的回波信号进行分析,能够降低设备制造的成本,无需布置额外的硬件设备,便于部署,降低实施成本。此外,基于运动特征进行身份验证,相较于常规的基于指纹、虹膜等生物特征的身份验证方案,具有非接触性、非侵犯性、难以隐藏和伪装等优点。
对于图1所示的技术方案,在一些示例中,参见图2,所述基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征,包括:
S1011:利用毫米雷达波采集所述合法用户在不同状态下的原始运动信号;
S1012:基于主成分分析算法PCA以及巴特沃斯低通滤波器去除所述原始运动信号中的噪声,获得去噪后的运动信号;
S1013:从所述去噪后的运动信号所包括的涉及时域与波形的候选信号特征中筛选获得用于进行身份验证的运动特征。
可以理解地,由于毫米波可以检测到低至3毫米的检测精度,并且相比于超声波或者光学传感器具备更远的检测范围,此外还可以穿透非金属材料,所以便于将毫米波收发设备放置在更为隐蔽的地方或者嵌入非金属物体内。此外,由于毫米波的特性可以抵御烟雾、高温、高压等恶劣条件,能够识别合法用户的细微运动特征以实现精确地身份验证。
对于上述示例中的步骤S1011,在一些示例性的实施过程中,可以将毫米波雷达发射器设置于合法用户行进方向的侧面约4-5米处,毫米波雷达发射器向合法用户方向发射毫米波雷达信号;发射的毫米波雷达信号由合法用户反射后,通过毫米波雷达接收器进行接收。基于运动状态的多样性,可以对合法用户不同状态下的运动信号进行采集。举例来说,可以分为平和运动状态下的运动信号采集以及剧烈运动状态下的运动信号采集。对于平和运动状态,可以在合法用户进行普通行走、快走、静坐以及乘坐电梯等运动时采集运动信号,以普通行走和快走为例,合法用户可以进行往复的步行和快走各10米,逆向行走10米以进行运动信号的采集;以静坐状态为例,仅需要合法用户保持正常呼吸状态即可,不需要额外的动作且持续10秒;以乘坐电梯状态为例,可以将毫米波雷达接收器固定在电梯门左上角位置即可,合法用户也只需要站立不动,且持续10秒即可。对于剧烈运动状态,可以在合法用户进行慢跑、快跑、跳跃以及上下楼梯等运动时采集运动信号;比如在采集水平方向上的大幅运动的运动信号,如慢跑、快跑和跳跃时,合法用户可以在可观测范围内直线行走至少五个周期(左右脚各一步视为一个周期)。比如在采集合法用户上下楼梯的运动信号时,可以将毫米波雷达接收器设备安置于楼梯的高处,合法用户逐阶上下楼并且上下楼的过程都需要采集至少二十级台阶的姿态数据(可间断)即刻完成采集。
对于上述原始运动信号的采集实施过程,如果能够保证合法用户所处的环境始终如一,如图3所示在有人运动情况下观测运动空间位置的热点图和图4所示在有人运动情况下观测运动速度的多普勒热点图,那么就无需进行噪声消除。但是,实际工作环境往往不会尽如人意,都会存在外界的干扰,如图5所示的无人环境下观测空间环境的热点图以及图6所示的无人环境下的多普勒热点图,图5和图6中均有噪声干扰;因此,需要在原始运动信号中剔除各种数据噪声。在本发明实施例中,结合如图7所示的有人行走时噪声和运动波形图以及图8所示的无人状态下的噪声和运动波形图,在图7和图8中,粗曲线表示噪声波形,细曲线表示探测到的运动波形,圆点表示检测点,可以获知有人行走时与无人状态下的波形具有区别,因此,对于上述示例中的步骤S1012,本发明实施例优选采用主成分分析法(PCA,Principal Component Analysis)以及巴特沃斯低通滤波器对原始运动信号进行处理,从而降低噪声对运动信号的影响,具体去噪效果可以参见图9所示的对比图,图9中左半边图为原始运动信号图,图9中右半边图为去噪后的运动信号图,可以看出,通过去噪处理,增大了运动信号的波峰与波谷之间的差距,提高了信号的信噪比,并且基于图9中右半边图所示,去噪后的运行信号图像是较为“锐利”的,因此,本发明实施例优选通过简单的数据平滑以消除信号图像中的不规则形态,比如基于5个采样点的滑动平均算法来平滑数据,以便进行后续关于周期样本的对比。
基于上述示例中步骤S1013所述从所述去噪后的运动信号所包括的涉及时域与波形的候选信号特征中筛选获得用于进行身份验证的运动特征,在一些示例中,可以包括:
将所述候选信号特征进行相关性检验,从所述候选信号特征中去除相关性绝对值大于设定相关性阈值的候选信号特征对中的相关度更大的候选信号特征;
将剩余候选信号特征按照信息增益进行筛选,获得用于进行身份验证的运动特征。
针对上述示例,具体来说,由于运动信号随时间变化具有时序性,相同的动作可能会有不同的波形成分,具有相似波形的两个动作可能具有不同的持续时间。基于此,本发明实施例优选从时间和波形两个维度来从去噪后的运行信号中提取用于进行身份验证的运动特征。
对于时间维度来说,在以时间为x轴的领域,可以将一个周期的波形作为统计运动特征的基础。所以,在时域上选择的候选信号特征可以包括:速度最大值、前50个最大值和最小值、平均值、中位数、标准差、运动波形关于时间轴的积分、第一二三四分位数、偏度和峰度等。可以理解地,对于每个单独的周期都会重复获取相应的候选信号特征。
在波形领域,涉及波形的候选信号特征主要包括速度、距离、以及在不同位置的热点图像等。
对于每个单独的运动周期来说,本发明实施例共使用了174个特征值作为候选运动特征,这些候选运动特征都是信号处理所采用的基础特征,无需进行复杂的计算就可以得到。这些候选运动特征可以根据运动数据特征的信息增益进行筛选得到的,在本发明实施例具体实施过程中,针对672个特征子集进行相关性检验,检验结果如图10所示。排除相关性绝对值大于0.8的特征值对中与其他特征值相关度较大的特征值之后,就能够从候选运动特征中筛选获得用于进行身份验证的运动特征。这些用于进行身份验证的运动特征中的部分运动特征如表1所示,由于每个特征在三个维度上都有不同的分布,并且再加上每个特征的模,可以获知,每个运动特征都各自对应4个统计值。
表1
编号 | 运动特征描述 | 运动特征缩写 |
1 | 穿过零点的次数 | NOZC |
2 | 统计均值 | Mean |
3 | 信号能量 | ENG |
4 | 数据模的和 | ABS |
5 | 振幅(极值之差) | RNG |
6 | 波峰数 | NOP |
7 | 信号功率 | BAP |
8 | 边缘频率 | SEF |
9 | 谱熵 | SPE |
10 | 平均峰值间隔 | API |
11 | 平均峰值 | APL |
12 | 统计中值 | MED |
针对表1中的运动特征,除去简单的统计特征以外,对于部分运动特征,其计算公式如下所示:
信号能量(ENG)公式为:
其中,x(t)为传感器中时间t的能量信号。
信号功率(BAP)公式为:
其中,x(t)为毫米波雷达接收器中时间t的能量信号,T为时间范围。
谱熵(SPE)的公式为:
其中。f(w)是毫米波雷达接收器中时间t的能量信号x(t)的正规化谱(即密度函数)。
基于上述阐述,在选择确定用于进行身份验证的运动特征的过程中,还可以在对所有合法用户进行运动特征采集过程中提取合法用户的运动特征模型存储在本地存储器中,用于后续的用户身份验证任务。对于构建合法用户的运动特征模型,在一些示例中,所述基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型,包括:
将所述合法用户的用于进行身份验证的运动特征值进行标准化以消除量级差异带来的误差;
将标准化之后的用于进行身份验证的运动特征值利用k近邻分类(KNN,K-NearestNeighbor)算法构建所述合法用户的分类器模型;其中,所述合法用户的分类器模型的输入为运动特征值;输出为合法用户标识。
对于上述示例,需要说明的是,对于机器学习算法的分类器,尤其是在支持向量机、随机森林、卷积神经网络等分类器中,本发明实施例根据采集的运动特征,优选采用了KNN算法作为主要的识别算法进行运动状态建模,并将合法用户的运动状态模型保存在存储器中以供后续身份验证使用。在一些示例中,可以对合法用户的运动状态模型数据按照合法用户的识别码(ID)添加标签,并分别进行存储。但是,由于某些特征值的数值本身量级较大,与统计性质的特征相差过大,因此,需要将所述合法用户的用于进行身份验证的运动特征值进行标准化以消除量级差异带来的误差,具体来说,可以按照下式对运动特征值X进行标准化,从而获得标准化之后的运动特征值Xnew:
其中,max(X)表示运动特征值X中的最大值,min(X)表示运动特征值X中的最小值。
根据前述示例完成所述合法用户的运动模型的构建之后,就可以后续用于对待验证用户进行身份验证,详细来说,可以参照前述关于步骤S1011和S1012的阐述采集待验证用户的运动信号并进行去噪;随后,可以根据S1013所筛选获得的用于进行身份验证的运动特征从去噪后的待验证用户的运动信号提取待验证特征信息。
在提取获得待验证用户的所述待验证运动特征信息之后,就可以依照前述技术方案中所构建的所述合法用户的运动模型进行身份验证,在一些示例中,所述基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性,包括:
基于所述待验证运动特征信息样本以及所述合法用户的运动特征信息样本之间的距离以及设定的距离阈值判定所述待验证用户是否为合法用户;
相应于所述待验证用户为合法用户,基于所述待验证运动特征信息通过所述合法用户的分类器模型计算以获得所述待验证用户对应的合法用户标识。
对于上述示例,具体来说,首先可以通过欧氏距离表示上述距离,比如,对于给定的样本X(x1,x2,…,xn)和Y(y1,y2,…,yn),其欧式距离可以表示为:
此外,由于待验证运动特征信息的数值差距较大,同样可以对待验证运动特征信息的数值X进行标准化,获得标准化之后的待验证运动特征值Xnew:
其中,max(X)表示待验证运动特征值X中的最大值,min(X)表示待验证运动特征值X中的最小值。
接着,本发明实施例选择20作为K的默认值,这意味着,需要选择20个与当前用户距离最近的数据样本来判断当前待验证用户的身份;
随后,基于上述获得的距离进行判断,如果数值过大(比如大于默认的阈值),则判定当前用户为非法用户,说明合法用户的运动模型中没有数据相匹配,判断过程终止,否则进入下一步。
最后,从20个样本的身份标签中进行多数表决,当前待验证用户的标签即为表决数量较多的用户标签,也就是说,本步骤相应的确定了当前待验证用户的身份是具体某个合法用户。
通过上述技术方案验证完成待验证用户的身份合法性之后,在一些示例中,若本发明实施例应用于大型的设备或系统,那么当验证结果为非法用户时,可以关闭系统中敏感设备的使用权限,并向系统管理员发送报警提示邮件,提示当前有非法用户。并将调用可以调用的物联网设备,以便管理员审核和取证。在一些示例中,还可以接收系统管理员所传递的指令,为非法用户提供临时授权或是拒绝向非法用户服务。在此期间,非敏感设备可以不被关闭。
基于前述技术方案相同的发明构思,参见图11,其示出了本发明实施例提供的一种基于运动特征的身份验证装置110,所述装置110包括:提取部分1101、构建部分1102、获取部分1103和验证部分1104;其中,
所述提取部分1101,经配置为基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;
所述构建部分1102,经配置为基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;
所述获取部分1103,经配置为基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;
所述验证部分1104,经配置为基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
在一些示例中,所述提取部分1101,经配置为:
利用毫米雷达波采集所述合法用户在不同状态下的原始运动信号;
基于主成分分析算法PCA以及巴特沃斯低通滤波器去除所述原始运动信号中的噪声,获得去噪后的运动信号;
从所述去噪后的运动信号所包括的涉及时域与波形的候选信号特征中筛选获得用于进行身份验证的运动特征。
在一些示例中,所述提取部分1101,经配置为:
将所述候选信号特征进行相关性检验,从所述候选信号特征中去除相关性绝对值大于设定相关性阈值的候选信号特征对中的相关度更大的候选信号特征;
将剩余候选信号特征按照信息增益进行筛选,获得用于进行身份验证的运动特征。
在一些示例中,所述去噪后的运动信号所包括的涉及时域的候选信号特征,至少包括以一个周期波形内的速度最大值、周期波形内的前N个最大值和最小值、平均值、中位数、标准差、运动波形关于时间轴的积分、第一二三四分位数、偏度和峰度;
所述去噪后的运动信号所包括的涉及波形的候选信号特征,至少包括:速度、距离以及在不同位置的热点图像。
在一些示例中,所述构建部分1102,经配置为:
将所述合法用户的用于进行身份验证的运动特征值进行标准化以消除量级差异带来的误差;
将标准化之后的用于进行身份验证的运动特征值利用k近邻分类KNN算法构建所述合法用户的分类器模型;其中,所述合法用户的分类器模型的输入为运动特征值;输出为合法用户标识。
在一些示例中,所述构建部分1102,经配置为:
按照下式对运动特征值X进行标准化,从而获得标准化之后的运动特征值Xnew:
其中,max(X)表示运动特征值X中的最大值,min(X)表示运动特征值X中的最小值。
在一些示例中,所述验证部分1104,经配置为:
基于所述待验证运动特征信息样本以及所述合法用户的运动特征信息样本之间的距离以及设定的距离阈值判定所述待验证用户是否为合法用户;
相应于所述待验证用户为合法用户,基于所述待验证运动特征信息通过所述合法用户的分类器模型计算以获得所述待验证用户对应的合法用户标识。
可以理解地,在本实施例中,“部分”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是单元,还可以是模块也可以是非模块化的。
另外,在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于运动特征的身份验证程序,所述基于运动特征的身份验证程序被至少一个处理器执行时实现上述技术方案中所述基于运动特征的身份验证方法步骤。
根据上述基于运动特征的身份验证装置110以及计算机存储介质,参见图12,其示出了本发明实施例提供的一种能够实施上述基于运动特征的身份验证装置110的计算设备120的具体硬件结构,该计算设备120可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(PDA)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器,等。计算设备120包括:通信接口1201,存储器1202和处理器1203;各个组件通过总线系统1204耦合在一起。可理解,总线系统1204用于实现这些组件之间的连接通信。总线系统1204除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图12中将各种总线都标为总线系统1204。其中,
所述通信接口1201,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器1202,用于存储能够在所述处理器1203上运行的计算机程序;
所述处理器1203,用于在运行所述计算机程序时,执行前述技术方案中所述基于运动特征的身份验证方法步骤,这里不再进行赘述。
可以理解,本发明实施例中的存储器1202可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本文描述的系统和方法的存储器1202旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器1203可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1203中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1203可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1202,处理器1203读取存储器1202中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
对于上述基于运动特征的身份验证装置110以及计算设备120的示例性方案,可以理解地,上述基于运动特征的身份验证装置110以及计算设备120的技术方案与前述基于运动特征的身份验证方法的技术方案属于同一构思,因此,上述基于运动特征的身份验证装置110以及计算设备120的技术方案未详细描述的细节内容,均可以参见前述基于运动特征的身份验证方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于运动特征的身份验证方法,其特征在于,所述方法可以包括:
基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;
基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;
基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;
基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
2.根据权利要求1所述的方法,其特征在于,所述基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征,包括:
利用毫米雷达波采集所述合法用户在不同状态下的原始运动信号;
基于主成分分析算法PCA以及巴特沃斯低通滤波器去除所述原始运动信号中的噪声,获得去噪后的运动信号;
从所述去噪后的运动信号所包括的涉及时域与波形的候选信号特征中筛选获得用于进行身份验证的运动特征。
3.根据权利要求2所述的方法,其特征在于,所述从所述去噪后的运动信号所包括的涉及时域与波形的候选信号特征中筛选获得用于进行身份验证的运动特征,包括:
将所述候选信号特征进行相关性检验,从所述候选信号特征中去除相关性绝对值大于设定相关性阈值的候选信号特征对中的相关度更大的候选信号特征;
将剩余候选信号特征按照信息增益进行筛选,获得用于进行身份验证的运动特征。
4.根据权利要求2所述的方法,其特征在于,所述去噪后的运动信号所包括的涉及时域的候选信号特征,至少包括以一个周期波形内的速度最大值、周期波形内的前N个最大值和最小值、平均值、中位数、标准差、运动波形关于时间轴的积分、第一二三四分位数、偏度和峰度;
所述去噪后的运动信号所包括的涉及波形的候选信号特征,至少包括:速度、距离以及在不同位置的热点图像。
5.根据权利要求1所述的方法,其特征在于,所述基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型,包括:
将所述合法用户的用于进行身份验证的运动特征值进行标准化以消除量级差异带来的误差;
将标准化之后的用于进行身份验证的运动特征值利用k近邻分类KNN算法构建所述合法用户的分类器模型;其中,所述合法用户的分类器模型的输入为运动特征值;输出为合法用户标识。
7.根据权利要求5所述的方法,其特征在于,基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性,包括:
基于所述待验证运动特征信息样本以及所述合法用户的运动特征信息样本之间的距离以及设定的距离阈值判定所述待验证用户是否为合法用户;
相应于所述待验证用户为合法用户,基于所述待验证运动特征信息通过所述合法用户的分类器模型计算以获得所述待验证用户对应的合法用户标识。
8.一种基于运动特征的身份验证装置,其特征在于,所述装置包括:提取部分、构建部分、获取部分和验证部分;其中,
所述提取部分,经配置为基于采集到的合法用户的运动数据提取用于进行身份验证的运动特征;
所述构建部分,经配置为基于所述合法用户的用于进行身份验证的运动特征构建所述合法用户的运动模型;
所述获取部分,经配置为基于采集到的待验证用户的运动数据获取所述待验证用户的待验证运动特征信息;
所述验证部分,经配置为基于所述待验证运动特征信息通过所述合法用户的运动模型验证所述待验证用户的身份合法性。
9.一种计算设备,其特征在于,所述计算设备包括:通信接口、存储器和处理器;其中,
所述通信接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行权利要求1至7任一项所述基于运动特征的身份验证方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于运动特征的身份验证程序,所述基于运动特征的身份验证程序被至少一个处理器执行时实现权利要求1至7中任一项所述基于运动特征的身份验证方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163313.9A CN112883348A (zh) | 2021-02-05 | 2021-02-05 | 基于运动特征的身份验证方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110163313.9A CN112883348A (zh) | 2021-02-05 | 2021-02-05 | 基于运动特征的身份验证方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883348A true CN112883348A (zh) | 2021-06-01 |
Family
ID=76055786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110163313.9A Pending CN112883348A (zh) | 2021-02-05 | 2021-02-05 | 基于运动特征的身份验证方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883348A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290352A (zh) * | 2019-06-28 | 2019-09-27 | Oppo广东移动通信有限公司 | 监控方法及装置、电子设备以及存储介质 |
CN111414119A (zh) * | 2019-01-07 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 用于生物特征认证系统的方法、系统和装置 |
CN111860598A (zh) * | 2020-06-18 | 2020-10-30 | 中国地质大学(武汉) | 一种用于运动行为、关系识别的数据分析方法、电子设备 |
-
2021
- 2021-02-05 CN CN202110163313.9A patent/CN112883348A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414119A (zh) * | 2019-01-07 | 2020-07-14 | 阿里巴巴集团控股有限公司 | 用于生物特征认证系统的方法、系统和装置 |
CN110290352A (zh) * | 2019-06-28 | 2019-09-27 | Oppo广东移动通信有限公司 | 监控方法及装置、电子设备以及存储介质 |
CN111860598A (zh) * | 2020-06-18 | 2020-10-30 | 中国地质大学(武汉) | 一种用于运动行为、关系识别的数据分析方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10068124B2 (en) | Systems and methods for spoof detection based on gradient distribution | |
Bigun et al. | Multimodal biometric authentication using quality signals in mobile communications | |
Wu et al. | A secure palm vein recognition system | |
US8275178B2 (en) | Software based method for finger spoof detection and related devices | |
US11489866B2 (en) | Systems and methods for private authentication with helper networks | |
US20170257770A1 (en) | Spoof detection using proximity sensors | |
Halevi et al. | Context-aware defenses to RFID unauthorized reading and relay attacks | |
Pravallika et al. | SVM classification for fake biometric detection using image quality assessment: Application to iris, face and palm print | |
US10121054B2 (en) | Systems and methods for improving spoof detection based on matcher alignment information | |
US20210097257A1 (en) | System and method for fingerprint authentication | |
Zhou et al. | Multi-modal face authentication using deep visual and acoustic features | |
CN112492090A (zh) | 智能手机上融合滑动轨迹和动力学特征的持续身份认证方法 | |
Galbally et al. | An introduction to fingerprint presentation attack detection | |
Lien et al. | Challenges and opportunities of biometric user authentication in the age of iot: A survey | |
US20240062604A1 (en) | Detecting Intent of a User Requesting Access to a Secured Asset | |
US11068693B1 (en) | Liveness detection in fingerprint-based biometric systems | |
Panetta et al. | LQM: Localized quality measure for fingerprint image enhancement | |
Ezz et al. | A silent password recognition framework based on lip analysis | |
CN112883348A (zh) | 基于运动特征的身份验证方法、装置、设备及计算机存储介质 | |
Krichen et al. | Iris recognition | |
Bigun et al. | Combining biometric evidence for person authentication | |
El Beqqal et al. | Multimodal access control system combining RFID, fingerprint and facial recognition | |
Malikova et al. | RESEARCH AND DEVELOPMENT OF AN ALGORITHM FOR BIOMETRIC AND NEURAL NETWORK BASED INDIVIDUAL AUTHENTICATION IN OPEN SYSTEMS | |
Karabalaeva et al. | DEVELOPMENT OF AN ALGORITHM FOR BIOMETRIC AND NEURAL NETWORK BASED INDIVIDUAL AUTHENTICATION IN OPEN SYSTEMS | |
Gofman et al. | Security, privacy, and usability challenges in selfie 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 |