CN112966248A - 非受控步行场景下移动设备的持续身份认证方法 - Google Patents

Abstract

一种非受控步行场景下移动设备的持续身份认证方法，其步骤为：(1)构建身份认证网络模型；(2)以用户无感知的采集方式，生成步态序列集；(3)利用自适应周期分割算法，生成步态模板集；(4)对步态模板集进行预处理；(5)训练身份认证网络；(6)认证用户身份。(7)若待认证用户的身份与认证后的用户身份一致，则完成用户身份认证，否则锁定移动设备，拒绝访问。本发明克服了现有技术中需要用户主动配合在受控场景下行走而导致的不实用的问题和现有技术中因场景、时间等因素产生的特征分布漂移的问题，使得本发明具有认证准确性，实用性和场景适应性的优点。

Description

非受控步行场景下移动设备的持续身份认证方法

技术领域

本发明属于信息技术领域，更进一步涉及信息安全技术领域中的一种非受控步行场景下移动设备的持续身份认证方法。本发明可用于非受控步行生活场景下，利用移动设备采集被认证人的步态数据，完成对用户身份的持续认证。

背景技术

持续身份认证方法是在不影响用户正常行动的情况下，通过持续不断地采集用户独特的生理特征或行为特征，对用户身份进行认证。目前移动设备中普遍内置运动传感器，利用移动设备中的运动传感器采集步态特征，可以持续不断地认证设备持有者的身份，弥补一次性认证的不足。但是现在方法多在受控场景下进行实验，场景适应性较差，当受试者在不同的场地上行走或者采取不同的移动设备携带方式行走时，认证准确率会受到很大影响。

北京航空航天大学在其申请的专利文献“一种基于智能手机加速度传感器的身份认证方法”(申请号：201811301498.X，授权公告号：CN 109302532 B，授权公告日：2020.02.07)中提出了一种基于智能手机加速度传感器的持续身份认证方法。该方法通过手机加速度传感器收集数据并进行预处理，得到欧式距离曲线，根据其随着步态周期呈现出的周期性进行数据划分，计算每一个步态周期对应的步态向量，若每一个步态向量与上一个步态向量欧式距离小于阈值，则为连续相似步态向量。当连续相似步态向量个数达到6时，取最后一个步态向量作为生成的步态向量模板，与当前步态向量模板进行对比，根据对比结果进行身份认证。该方法存在的不足之处有两点：其一，采用手动特征提取的方法，通过分析十个人在走路时，右手手持手机产生的加速度传感器数据来选择特征，当场景发生变化时，该方法选用的特征不一定适用；其二，实际生活中步态周期会随步速变化而改变，该方法以固定步态周期长度来截取数据，难以得到完整步态信息，且欧氏距离方法对噪声敏感，认证准确性受限。

Weitao Xu等作者在其发表的论文“Gait-Watch:A Context-AwareAuthentication System for Smart Watch Based on Gait Recognition”(2017IEEE/ACMSecond International Conference on Internet-of-Things Design andImplementation(IoTDI)，会议论文，2017年59-70页)中提出了适用于智能手表的持续身份认证方案Gait-Watch，该方法通过智能手表获取加速度计信号，通过活动分类器对常见7种步行场景进行分类，再针对每一种步行场景使用稀疏融合方法构建认证模型，最后利用构建好的模型进行身份认证。该方法存在的不足之处是：实验要求受试者佩戴智能手表在受控的七种场景下进行实验，然而，在实际生活中，用户放置移动设备的位置与行走场景是非受控的，针对特定场景的认证方案很难广泛适用于实际生活。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种非受控步行场景下移动设备的持续身份认证方法，在不需要用户主动配合的情况下持续进行步态认证，旨在解决现有步态认证方法步行场景受控，认证准确率受场景影响较大的问题。

实现本发明目的的技术思路是，在不限制用户移动设备放置位置、行走环境和行走方式的非受控环境下，利用移动设备以用户无感知的方式采集用户的步态序列，采用自适应步态周期分割算法截取步态模板，以适应非受控环境下步速变化带来的周期变化问题，构建身份认证网络模型，将中心损失引入损失计算中，在保持不同类别特征的可分离性的同时减小类内间距，提高模型的场景适应性和分类准确性。

实现本发明目的的具体步骤如下：

(1)构建身份认证网络模型：

(1a)搭建一个11层的身份认证网络，其结构依次是输入层，第一卷积层，第一池化层，第二卷积层，第三卷积层，第二池化层，第四卷积层，第一长短期记忆网络层，第二长短期记忆网络层，全连接层，输出层；

(1b)设置身份认证网络中的各层的参数：将输入层的通道数设置为7，特征序列长度设置为128；将第一至第四卷积层的卷积核的大小依次设置为1×9，1×5，1×5，1×3，卷积核个数依次设置为：32，64，64，128，激活函数均设置为ReLU函数；将第一和第二池化层的卷积核的大小均设置为1×2，将第一和第二长短期记忆网络层的神经元个数均设置为128，激活函数均设置为ReLU函数；将输出层的神经元个数设置为用户身份个数，激活函数为softmax函数；

(2)以用户无感知的采集方式，生成步态序列集：

(2a)利用移动设备无感知采集至少两个用户处于步行状态时的设备坐标系下的加速度数据和角速度数据；

(2b)利用三维空间坐标系变换的方法，通过设备坐标系下的加速度数据计算得到重力方向的加速度数据；

(2c)对每个用户处于步行状态时采集的重力方向的加速度序列进行快速傅里叶变换，得到单边频谱密度函数，将该函数最大值对应的频率作为主要频率；

(2d)判断每个用户处于步行状态时采集的重力方向的加速度序列是否满足可用性条件，若是，则执行步骤(2e)，否则，执行步骤(2a)

(2e)将每个用户处于步行状态时采集的设备坐标系下的加速度序列，重力方向的加速度序列和设备坐标系下的角速度序列组成步态序列；

(2f)判断每个用户的步态序列是否满足采集结束条件，若是，则执行步骤(2g)，否则，执行步骤(2a)；

(2g)对每个用户编号，分别给每个用户的步态序列标注身份，将标注身份的步态序列组成步态序列集；

(3)利用自适应周期分割算法，生成步态模板集：

(3a)利用截止频率为10hz的一阶巴特沃斯滤波器，对步态序列集中的每一个步态序列进行滤波；

(3b)取步态序列集中的一个步态序列中重力方向的加速度序列的第一个局部最小值点作为起始点，在搜索窗口[τ_min,τ_max]内搜索步态序列中重力方向的加速度序列的局部最小值点作为截止点，将起始点到截止点的步态序列作为该步态序列截取的第一个步态模板；

(3c)将上一个步态模板的截止点作为当前步态模板的起始点；

(3d)在搜索窗口内搜索步态序列中重力方向的加速度序列的局部最小值点，判断搜索窗口内是否只有一个局部最小值点，若是，则以该点作为截止点，将当前步态模板的起始点到该截止点的步态序列作为待选模板后执行步骤(3f)，否则，执行步骤(3e)；

(3e)分别计算从当前步态模板的起始点到每个局部最小值点的步态序列与上一个步态模板的皮尔逊相关系数，选择使得皮尔逊相关系数最大的局部最小值点作为截止点，将当前步态模板的起始点到该截止点的步态序列作为待选模板；

(3f)判断待选模板与上一个步态模板的皮尔逊相关系数是否大于0.7，若是，则将该待选模板作为当前步态模板后执行步骤(3g)，否则，抛弃该待选模板，将该待选模板的截止点作为当前模板的起始点后执行步骤(3d)；

(3g)判断当前模板的截止点的序号是否小于步态序列的倒数第τ_max个点的序号，若是，则执行步骤(3c)，否则，执行步骤(3h)；

(3h)判断步态序列集中是否还有未用于截取步态模板的步态序列，若有，则执行步骤(3b)，否则，将所有的步态模板组成步态模板集后执行步骤(4)；

(4)对步态模板集进行预处理：

(4a)利用三次样条插值法，对步态模板集中的每个步态模板进行归一化处理，得到长度均为128个数据点的步态模板；

(4b)利用K-SVD算法，对每个归一化处理后的步态模板进行稀疏表示和重建，得到降噪后的步态模板；

(5)训练身份认证网络：

将降噪后的步态模板集输入到身份认证网络中，用梯度下降法更新身份认证网络的权值，直至损失值收敛为止，得到训练好的身份认证网络；

(6)认证用户身份：

(6a)采用与步骤(2)相同的方法，生成待认证用户的步态序列集；

(6b)采用与步骤(3)相同的方法，生成待认证用户的步态模板集；

(6c)采用与步骤(4)相同的方法，对待认证用户的步态模板集进行预处理，得到降噪后的步态模板集；

(6d)将待认证用户降噪后的步态模板集输入到训练好的身份认证网络中，输出认证后的用户身份；

(7)判断待认证用户的身份与认证后的用户身份是否一致，若是，则执行步骤(9)，否则，执行步骤(8)；

(8)锁定移动设备，拒绝访问；

(9)完成用户身份认证。

与现有技术相比，本发明具有以下优点：

第一，本发明以用户无感知的采集方式生成步态序列集，且不要求用户以特定的移动设备放置位置，特定的行走方式在特定的行走环境下行走，克服了现有技术中需要用户主动配合在受控场景下行走而导致的不实用的问题，使得本发明具有实用性的优点。

第二，本发明利用自适应周期分割算法生成步态模板集，克服了现有技术中以固定步态周期长度来截取步态模板而导致的步态模板中包含的步态信息不完整的问题，使得本发明提高了认证的准确度。

第三，本发明构建了身份认证网络模型，将中心损失引入损失计算中，克服了现有技术中手工提取特征而导致的处理数据过程繁琐且低效的问题以及因场景、时间等因素产生的特征分布漂移的问题，使得本发明具有较强的场景适应性的优点。

附图说明

图1是本发明的流程图；

图2是本发明构建的身份认证网络模型的结构示意图；

图3是本发明的仿真结果图。

具体实施方式

下面结合附图对本发明做进一步的描述。

参照图1对实现本发明的具体步骤做进一步的描述。

步骤1，构建身份认证网络模型。

参照图2对本发明构建身份认证网络模型做进一步的描述。

第一步，搭建一个11层的身份认证网络，其结构依次是输入层，第一卷积层，第一池化层，第二卷积层，第三卷积层，第二池化层，第四卷积层，第一长短期记忆网络层，第二长短期记忆网络层，全连接层，输出层。

第二步，设置身份认证网络中的各层的参数：将输入层的通道数设置为7，特征序列长度设置为128；将第一至第四卷积层的卷积核的大小依次设置为1×9，1×5，1×5，1×3，卷积核个数依次设置为：32，64，64，128，激活函数均设置为ReLU函数；将第一和第二池化层的卷积核的大小均设置为1×2，将第一和第二长短期记忆网络层的神经元个数均设置为128，激活函数均设置为ReLU函数；将输出层的神经元个数设置为用户身份个数，激活函数为Softmax函数。

步骤2，以用户无感知的采集方式，生成步态序列集。

第一步，利用移动设备无感知采集至少两个用户处于步行状态时的设备坐标系下的加速度数据和角速度数据。

所述无感知采集是利用移动设备不断进行检测，当检测到用户步数持续增加时间超过10s，且步数每增加1步的时间间隔小于2s时自动开始采集设备坐标系下的加速度数据和角速度数据，当检测到用户步数不再持续增加时，停止采集设备坐标系下的加速度数据和角速度数据。如可利用智能手机上的计步器来不断检测用户是否处于步行状态，由于普通人走一步的时间在0.8s至2s之间因此当步数每增加一步的时间小于2s时本发明认为用户是在持续行走，当用户步数持续增加时间超过10s时，用户一般已经走了七八步，本发明认为用户有继续行走的趋势，因此开始采集用户的步行数据。

第二步，利用三维空间坐标系变换的方法，通过设备坐标系下的加速度数据计算得到重力方向的加速度数据。

第三步，对每个用户处于步行状态时采集的重力方向的加速度序列进行快速傅里叶变换，得到单边频谱密度函数，将该函数最大值对应的频率作为主要频率。

第四步，判断每个用户处于步行状态时采集的重力方向的加速度序列是否满足可用性条件，若是，则执行本步骤的第五步，否则，执行本步骤的第一步。

移动设备放置角度的变化会在三轴加速度计数据中引入干扰，因此选用每个用户重力方向的加速度序列来进行可用性判断，判断采集到的数据是否为步行数据。所述可用性条件是指同时满足下述条件的情形：

条件1，用户处于步行状态时采集的重力方向的加速度序列的主要频率小于或等于5hz；

条件2，用户处于步行状态时采集的重力方向的加速度序列的长度大于1500个数据点；

条件3，用户处于步行状态时采集的重力方向的加速度序列的归一化自相关系数大于0.7；所述归一化自相关系数的计算公式为：

其中，Nac表示重力方向的加速度序列的归一化自相关系数；max表示求最大值的操作，∑表示求和操作，τ表示具有周期性的重力方向的加速度序列的周期的估计长度，i表示重力方向的加速度序列中数据点的序号，μ(i,τ)表示重力方向的加速度序列中第i个数据点到第i+τ-1个数据点的序列片段的平均值；σ(i,τ)表示重力方向的加速度序列中第i个数据点到第i+τ-1个数据点的序列片段的标准差；τ_min与τ_max分别表示τ的最小值与最大值，其计算公式为：

τ_min＝C-C×α

τ_max＝C+C×α

其中，α表示调节因子，C表示具有周期性的重力方向的加速度序列的周期的实际长度，数据的采样频率除以重力方向的加速度序列的主要频率为C的初始值，利用C＝argmax(Nac)来更新C的值，其中argmax表示获取使Nac最大时τ的值的操作。

在计算每个用户的重力方向的加速度序列的归一化自相关系数之前，需要得到τ的取值范围[τ_min,τ_max]。在用户第一次采集得到重力方向的加速度序列计算归一化自相关系数时，该取值范围无法确定，因此将数据的采样频率除以该用户重力方向的加速度序列的主要频率作为初始周期值C来计算τ_min和τ_max。当用户正在行走且τ值等同于他的步行周期时，该加速度序列的归一化自相关系数将最大且趋近于1，因此当归一化自相关系数大于0.7时，认为用户处于行走状态，此时的τ值最接近于该用户重力方向加速度序列周期的实际长度，因此用该τ值更新C的值。当该用户再次采集得到重力方向加速度序列进行可用性判断时，即用更新后的C值来计算τ_min和τ_max的值。

第五步，将每个用户处于步行状态时采集的设备坐标系下的加速度序列，重力方向的加速度序列和设备坐标系下的角速度序列组成步态序列。

第六步，判断每个用户的步态序列是否满足采集结束条件，若是，则执行本步骤的第七步，否则，执行本步骤的第一步。

所述采集结束条件是指满足下述条件之一的情形：

条件1，采集到的用户的步态序列用于训练身份认证网络模型，且该用户多次采集的步态序列的累计长度大于25000个数据点；

条件2，采集到的用户的步态序列用于认证用户身份，且该用户采集的步态序列的长度大于1500个数据点。

由于训练身份认证网络模型需要输入更多的步态模板来提取用户步行时的特征，因此用于训练身份认证网络模型的步态序列的长度需要更长，但是用户是在非受控环境下利用移动设备无感知采集得到的步态序列，无法控制一次采集得到的步态序列即可以达到预期长度，因此需要循环执行采集步骤，直到该用户多次采集得到的步态序列的累计长度达到预期长度。

由于利用训练好的身份认证网络模型来认证用户身份，仅需要输入较短的步态序列，因此只需要执行一次采集步骤，即可使得步态序列大于1500个数据点，达到预期长度。

上述用户无感知的采集方式可在不影响用户正常使用移动设备的情况下，多次循环执行采集步骤，完成用于训练的步态序列和用于认证的步态序列的采集，以进行身份认证网络模型的训练和身份的认证。

第七步，对每个用户编号，分别给每个用户的步态序列标注身份，将标注身份的步态序列组成步态序列集。

步骤3，利用自适应周期分割算法，生成步态模板集。

第一步，利用截止频率为10hz的一阶巴特沃斯滤波器，对步态序列集中的每一个步态序列进行滤波。

第二步，取步态序列集中的一个步态序列中重力方向的加速度序列的第一个局部最小值点作为起始点，在搜索窗口[τ_min,τ_max]内搜索步态序列中重力方向的加速度序列的局部最小值点作为截止点，将起始点到截止点的步态序列作为该步态序列截取的第一个步态模板。

第三步，将上一个步态模板的截止点作为当前步态模板的起始点。

第四步，在搜索窗口内搜索步态序列中重力方向的加速度序列的局部最小值点，判断搜索窗口内是否只有一个局部最小值点，若是，则以该点作为截止点，将当前步态模板的起始点到该截止点的步态序列作为待选模板后执行本步骤的第六步，否则，执行本步骤的第五步。

第五步，分别计算从当前步态模板的起始点到每个局部最小值点的步态序列与上一个步态模板的皮尔逊相关系数PCC，选择使得皮尔逊相关系数最大的局部最小值点作为截止点，将当前步态模板的起始点到该截止点的步态序列作为待选模板。

第六步，判断待选模板与上一个步态模板的皮尔逊相关系数是否大于0.7，若是，则将该待选模板作为当前步态模板后执行本步骤的第七步，否则，抛弃该待选模板，将该待选模板的截止点作为当前模板的起始点后执行本步骤的第四步。

第七步，判断当前模板的截止点的序号是否小于步态序列的倒数第τ_max个点的序号，若是，则执行本步骤的第三步，否则，执行本步骤的第八步。

第八步，判断步态序列集中是否还有未用于截取步态模板的步态序列，若有，则执行本步骤的第二步，否则，将所有的步态模板组成步态模板集后执行步骤4。

步骤4，对步态模板集进行预处理。

第一步，利用三次样条插值法，对步态模板集中的每个步态模板进行归一化处理，得到长度均为128个数据点的步态模板。

第二步，利用K-SVD算法，对每个归一化处理后的步态模板进行稀疏表示和重建，得到降噪后的步态模板。

步骤5，训练身份认证网络。

将降噪后的步态模板集输入到身份认证网络中，用梯度下降法更新身份认证网络的权值，直至损失值收敛为止，得到训练好的身份认证网络。

所述损失值的计算公式为：

其中，L_A表示输入到身份认证网络中的所有步态模板的损失值，L_S表示输入到身份认证网络中的所有步态模板的交叉熵损失值，L_C表示输入到身份认证网络中的所有步态模板的中心损失值，m表示输入到身份认证网络中的步态模板的个数，E_i表示第i个步态模板的交叉熵损失值，

表示第i个步态模板的特征x_i与第y_i个身份类别的特征中心

的距离的平方，λ表示调整损失函数权重的超参数。

步骤6，认证用户身份。

第一步，采用与步骤2相同的方法，生成待认证用户的步态序列集。

第二步，采用与步骤3相同的方法，生成待认证用户的步态模板集。

第三步，采用与步骤4相同的方法，对待认证用户的步态模板集进行预处理，得到降噪后的步态模板集。

第四步，将待认证用户降噪后的步态模板集输入到训练好的身份认证网络中，输出认证后的用户身份。

步骤7，判断待认证用户的身份与认证后的用户身份是否一致，若是，则执行步骤9，否则，执行步骤8。

步骤8，锁定移动设备，拒绝访问。

步骤9，完成用户身份认证。

下面结合仿真实验对本发明的效果做进一步的说明。

1.仿真实验条件：

本发明的仿真实验的硬件平台为：处理器为Intel Core i7-6700 CPU，主频为3.4GHz，内存32GB，显卡为NVDIA GeForce GTX 1660Ti GPU的台式电脑，以及华为、小米等4个品牌12个机型的智能手机。

本发明的仿真实验的软件平台为：Windows 10操作系统，Android操作系统，python 3.6和Pytorch。

本发明仿真实验所使用的步态模板集为通过智能手机上自行开发的数据采集APP无感知采集20位用户两周内任选时段在非受控环境下的步态序列，利用本发明所述方法处理得到的步态模板集，将步态模板集中80％的步态模板组成训练集，将步态模板集中剩下20％的步态模板组成测试集。

2.仿真内容及其结果分析：

本发明仿真实验是采用本发明和现有技术分别在训练集上对本发明设计的身份认证网络模型和现有技术中的DeepConvLSTM模型进行训练，在测试集上测试认证的准确度。

在仿真实验中，采用的现有技术是指，

等人在“Deep convolutionaland lstm recurrent neural networks for multimodal wearable activityrecognition,Sensors,vol.16,no.1,pp.115,2016”中提出的DeepConvLSTM模型。

利用准确率、F1分数与Kappa系数作为评价指标对两种方法的认证结果进行评价。从图3中可以看出，本发明的认证准确率、F1分数与Kappa系数分别为94.62％、94.78％、93.65％，明显优于现有技术DeepConvLSTM模型，说明本发明具有更高的认证准确度。而且现有技术在非受控环境下采集的数据集上的准确率远远低于在受控环境下采集的数据集上的准确率，说明生活步行场景中的影响因素如：步行方式、步行环境、移动设备携带位置等对持续身份认证方案有着不可忽视的影响，因此在非受控环境下仍具有较高准确性的本发明具有实际意义。

Claims (5)

1.一种非受控步行场景下移动设备的持续身份认证方法，其特征在于，以用户无感知的采集方式生成步态序列集，利用自适应周期分割算法生成步态模板集，构建身份认证网络模型来认证身份，该方法的步骤包括如下：

(1)构建身份认证网络模型：

(1a)搭建一个11层的身份认证网络，其结构依次是输入层，第一卷积层，第一池化层，第二卷积层，第三卷积层，第二池化层，第四卷积层，第一长短期记忆网络层，第二长短期记忆网络层，全连接层，输出层；

(1b)设置身份认证网络中的各层的参数：将输入层的通道数设置为7，特征序列长度设置为128；将第一至第四卷积层的卷积核的大小依次设置为1×9，1×5，1×5，1×3，卷积核个数依次设置为：32，64，64，128，激活函数均设置为ReLU函数；将第一和第二池化层的卷积核的大小均设置为1×2，将第一和第二长短期记忆网络层的神经元个数均设置为128，激活函数均设置为ReLU函数；将输出层的神经元个数设置为用户身份个数，激活函数为softmax函数；

(2)以用户无感知的采集方式，生成步态序列集：

(2a)利用移动设备无感知采集至少两个用户处于步行状态时的设备坐标系下的加速度数据和角速度数据；

(2b)利用三维空间坐标系变换的方法，通过设备坐标系下的加速度数据计算得到重力方向的加速度数据；

(2c)对每个用户处于步行状态时采集的重力方向的加速度序列进行快速傅里叶变换，得到单边频谱密度函数，将该函数最大值对应的频率作为主要频率；

(2d)判断每个用户处于步行状态时采集的重力方向的加速度序列是否满足可用性条件，若是，则执行步骤(2e)，否则，执行步骤(2a)

(2e)将每个用户处于步行状态时采集的设备坐标系下的加速度序列，重力方向的加速度序列和设备坐标系下的角速度序列组成步态序列；

(2f)判断每个用户的步态序列是否满足采集结束条件，若是，则执行步骤(2g)，否则，执行步骤(2a)；

(2g)对每个用户编号，分别给每个用户的步态序列标注身份，将标注身份的步态序列组成步态序列集；

(3)利用自适应周期分割算法，生成步态模板集：

(3a)利用截止频率为10hz的一阶巴特沃斯滤波器，对步态序列集中的每一个步态序列进行滤波；

(3b)取步态序列集中的一个步态序列中重力方向的加速度序列的第一个局部最小值点作为起始点，在搜索窗口[τ_min,τ_max]内搜索步态序列中重力方向的加速度序列的局部最小值点作为截止点，将起始点到截止点的步态序列作为该步态序列截取的第一个步态模板；

(3c)将上一个步态模板的截止点作为当前步态模板的起始点；

(3d)在搜索窗口内搜索步态序列中重力方向的加速度序列的局部最小值点，判断搜索窗口内是否只有一个局部最小值点，若是，则以该点作为截止点，将当前步态模板的起始点到该截止点的步态序列作为待选模板后执行步骤(3f)，否则，执行步骤(3e)；

(3e)分别计算从当前步态模板的起始点到每个局部最小值点的步态序列与上一个步态模板的皮尔逊相关系数，选择使得皮尔逊相关系数最大的局部最小值点作为截止点，将当前步态模板的起始点到该截止点的步态序列作为待选模板；

(3f)判断待选模板与上一个步态模板的皮尔逊相关系数是否大于0.7，若是，则将该待选模板作为当前步态模板后执行步骤(3g)，否则，抛弃该待选模板，将该待选模板的截止点作为当前模板的起始点后执行步骤(3d)；

(3g)判断当前模板的截止点的序号是否小于步态序列的倒数第τ_max个点的序号，若是，则执行步骤(3c)，否则，执行步骤(3h)；

(3h)判断步态序列集中是否还有未用于截取步态模板的步态序列，若有，则执行步骤(3b)，否则，将所有的步态模板组成步态模板集后执行步骤(4)；

(4)对步态模板集进行预处理：

(4a)利用三次样条插值法，对步态模板集中的每个步态模板进行归一化处理，得到长度均为128个数据点的步态模板；

(4b)利用K-SVD算法，对每个归一化处理后的步态模板进行稀疏表示和重建，得到降噪后的步态模板；

(5)训练身份认证网络：

将降噪后的步态模板集输入到身份认证网络中，用梯度下降法更新身份认证网络的权值，直至损失值收敛为止，得到训练好的身份认证网络；

(6)认证用户身份：

(6a)采用与步骤(2)相同的方法，生成待认证用户的步态序列集；

(6b)采用与步骤(3)相同的方法，生成待认证用户的步态模板集；

(6c)采用与步骤(4)相同的方法，对待认证用户的步态模板集进行预处理，得到降噪后的步态模板集；

(6d)将待认证用户降噪后的步态模板集输入到训练好的身份认证网络中，输出认证后的用户身份；

(7)判断待认证用户的身份与认证后的用户身份是否一致，若是，则执行步骤(9)，否则，执行步骤(8)；

(8)锁定移动设备，拒绝访问；

(9)完成用户身份认证。

2.根据权利要求1所述的非受控步行场景下移动设备的持续身份认证方法，其特征在于，步骤(2a)中所述无感知采集是利用移动设备不断进行检测，当检测到用户步数持续增加时间超过10s，且步数增加1步的时间间隔小于2s时开始采集设备坐标系下的加速度数据和角速度数据，当检测到用户步数不再持续增加时，停止采集设备坐标系下的加速度数据和角速度数据。

3.根据权利要求1所述的非受控步行场景下移动设备的持续身份认证方法，其特征在于，步骤(2d)中所述可用性条件是指同时满足下述条件的情形：

条件1，用户处于步行状态时采集的重力方向的加速度序列的主要频率小于或等于5hz；

条件2，用户处于步行状态时采集的重力方向的加速度序列的长度大于1500个数据点；

条件3，用户处于步行状态时采集的重力方向的加速度序列的归一化自相关系数大于0.7；所述归一化自相关系数的计算公式为：

其中，Nac表示重力方向的加速度序列的归一化自相关系数；max表示求最大值的操作，∑表示求和操作，τ表示具有周期性的重力方向的加速度序列的周期的估计长度，i表示重力方向的加速度序列中数据点的序号，μ(i,τ)表示重力方向的加速度序列中第i个数据点到第i+τ-1个数据点的序列片段的平均值；σ(i,τ)表示重力方向的加速度序列中第i个数据点到第i+τ-1个数据点的序列片段的标准差；τ_min与τ_max分别表示τ的最小值与最大值，其计算公式为：

τ_min＝C-C×α

τ_max＝C+C×α

其中，α表示调节因子，C表示具有周期性的重力方向的加速度序列的周期的实际长度，数据的采样频率除以重力方向的加速度序列的主要频率为C的初始值，利用C＝argmax(Nac)来更新C的值，其中argmax表示获取使Nac最大时τ的值的操作。

4.根据权利要求1所述的非受控步行场景下移动设备的持续身份认证方法，其特征在于，步骤(2f)中所述采集结束条件是指满足下述条件之一的情形：

条件1，采集到的用户的步态序列用于训练身份认证网络模型，且该用户多次采集的步态序列的累计长度大于25000个数据点；

条件2，采集到的用户的步态序列用于认证用户身份，且该用户采集的步态序列的长度大于1500个数据点。

5.根据权利要求1所述的非受控步行场景下移动设备的持续身份认证方法，其特征在于，步骤(5)中所述损失值的计算公式为：

其中，L_A表示输入到身份认证网络中的所有步态模板的损失值，L_S表示输入到身份认证网络中的所有步态模板的交叉熵损失值，L_C表示输入到身份认证网络中的所有步态模板的中心损失值，m表示输入到身份认证网络中的步态模板的个数，E_i表示第i个步态模板的交叉熵损失值，

表示第i个步态模板的特征x_i与第y_i个身份类别的特征中心

的距离的平方，λ表示调整损失函数权重的超参数。

Images