CN113111725B - 一种基于同源信号的振动马达设备指纹提取识别系统 - Google Patents
一种基于同源信号的振动马达设备指纹提取识别系统 Download PDFInfo
- Publication number
- CN113111725B CN113111725B CN202110291623.9A CN202110291623A CN113111725B CN 113111725 B CN113111725 B CN 113111725B CN 202110291623 A CN202110291623 A CN 202110291623A CN 113111725 B CN113111725 B CN 113111725B
- Authority
- CN
- China
- Prior art keywords
- motor
- fingerprint
- layer
- cloud server
- terminal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开一种基于同源信号的振动马达设备指纹提取识别系统,该系统包括终端和云端服务器;终端带有马达和惯性传感单元,惯性传感单元用于采集所述马达振动过程中的加速度和角速度信号,终端将该信息进行预处理,并发送给云端服务器;云端服务器通过向双通道融合网络中输入加速度和角速度信号,输出马达指纹,并通过分类器对马达指纹进行分类,并根据不同的终端请求,返回分类结果或者认证结果或重置结果。本发明的识别系统能够克服各种噪声对识别结果的影响,提高了认证准确率和稳定性。同时该系统可以很容易实现终端马达的识别指纹重置。因现有的终端大部分均包括马达和惯性测量单元,因此本发明的识别系统应用成本低、适用面广。
Description
技术领域
本发明涉及计算机应用领域,尤其涉及一种基于同源信号的振动马达设备指纹提取识别系统。
背景技术
智能设备已经在我们的日常生活中无处不在。因此,智能设备使用中的安全保障问题引起了公众的关注。现有的解决方案可以解决验证个人身份的认证问题(如指纹、PIN、人脸识别)。对于高安全性场景(例如,电子支付、帐户登录),除了上述单因素身份验证外,还使用了多个个因素身份验证。用户需要输入接收到的文本信息代码或接听电话,以验证操作是否在可信任的设备上。但由于人工操作开销大,因此这种认证方式非常繁琐。
近年来,设备指纹引起了人们的广泛关注,如何一种高安全性且在应用的中简便的设备指纹成为一大亟待解决的难题。
发明内容
针对现有技术的不足,本发明提出一种基于同源信号的振动马达设备指纹提取识别系统,通过设备内置马达振动,惯性测量单元采集以及云端分析识别,为设备提供了一套完整的身份认证系统,成本低、可使用性高以及准确率高。
本发明的目的通过如下的技术方案来实现:
一种基于同源信号的振动马达设备指纹提取识别系统,该系统包括终端和云端服务器;
所述终端带有马达和惯性传感单元,所述惯性传感单元用于采集所述马达振动过程中的加速度和角速度信号;所述终端还包括预处理模块、终端通讯模块,所述预处理模块用于将所述马达振动过程中的加速度和角速度信号进行预处理,输出用于所述云端服务器的双通道融合网络输入的信号,并通过所述终端通讯模块发送给所述云端服务器,同时发送认证请求、注册请求;
所述云端服务器包括指纹提取模块、指纹注册识别模块和云端通讯模块;所述云端通讯模块接收所述终端发送的信号,并传送给所述指纹提取模块,然后将其输入由残差块、Dropout 层、全连接层和损失函数组成的双通道融合网络中,实现信号与马达指纹之间的映射,输出马达指纹给所述指纹注册识别模块;
所述指纹注册识别模块用于接收所述指纹提取模块输出的马达指纹,
若所述云端服务器同时接收到的是注册请求,则采用分类器对所述马达指纹进行分类,若分类成功,则输出分类结果;若不存在该类别,则将该马达指纹进行存储,并更新马达指纹存储数据库;
若所述云端服务器同时接收到的是认证请求,则采用分类器对所述马达指纹进行分类,若分类成功,则输出分类结果;若不存在该类别,则拒绝认证请求。
进一步地,所述终端还包括指纹重置模块,用于接收用户输入的信号重置方案,并根据重置方案重置马达的振动模式,同时向所述云端服务器发送重置请求;
所述云端服务器接收到重置请求后,所述指纹注册识别模块根据重置请求删除旧的马达指纹,并将新的马达指纹存入马达指纹存储数据库。
进一步地,所述信号重置方案包括频率峰值重置、频率变化重置和振动间隔重置中的任意一种或多种的组合;
所述频率峰值重置为通过改变激励信号的主频率来改变马达的指纹;
所述频率变化重置为通过改变激励信号的频率变化来改变马达的指纹;
所述振动间隔重置通过改变激励信号的输出间隔来改变马达的指纹。
进一步地,所述双通道融合网络包括卷积层、池化层、扁平化层和全连接层,该网络有两个输入,所述扁平化层将两个输出展开成一维的向量,所述损失函数为广义损失函数。
进一步地,所述双通道融合网络包括卷积层1、池化层、卷积层2、卷积层3、卷积层4、卷积层5、扁平化层以及三个全连接层;
所述卷积层1由大小为5×1的64个卷积核构成,其卷积步长为2;
所述池化层由大小为3×1的最大池化层构成,其卷积步长为2;
所述卷积层2由3个具有64个1×1卷积核、64个1×3卷积核和256个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述卷积层3由4个具有128个1×1卷积核、128个1×3卷积核和512个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述卷积层4由6个具有256个1×1卷积核、256个1×3卷积核和1024个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述卷积层5由3个具有512个1×1卷积核、512个1×3卷积核和2048个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述扁平化层将所有输出展开成一维的向量;
所述三个全连接层由神经元数量不同的全连接层构成。
本发明的有益效果如下:
(1)本发明的识别系统通过双通道融合网络并采用广义损失函数分析马达振动特征,提取双通道信号对于马达的描述部分,从而克服终端惯性传感单元的噪声和环境噪声对识别结果的影响,提高了认证准确率和稳定性。
(2)因现有的终端大部分均包括马达和惯性测量单元,因此本发明的识别系统应用成本低、适用面广。
(3)本发明的系统同时可以很容易实现终端马达的识别指纹重置,不受外部环境影响。
附图说明
图1为本发明的双通道融合网络架构的示意图;
图2为本发明的系统认证流程;
图3为本发明的系统注册流程;
图4为本发明的系统重置流程;
图5为信号重置方案的几种形式示意图;
图6为采用本发明的系统进行测试得到的混淆矩阵的示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的基于同源信号的振动马达设备指纹提取识别系统,包括终端和云端服务器;
终端带有马达和惯性传感单元,惯性传感单元用于采集马达振动过程中的加速度和角速度信号;终端还包括预处理模块、终端通讯模块。预处理模块用于将马达振动过程中的加速度和角速度信号进行预处理,包括通过采集时提供的起始和终止时间标记切分信号,通过高通滤波器对信号进行滤波,通过三次样条插值对信号进行对齐;预处理模块将外部的低频噪声滤除并将信号处理成可用于双通道融合网络输入的格式;预处理模块输出用于云端服务器的双通道融合网络输入的信号,并通过终端通讯模块发送给云端服务器,同时终端向云端服务器发送认证请求、注册请求,如图2和3所示。
优选地,为了方便地实现马达指纹重置,终端还包括指纹重置模块,用于接收用户输入的信号重置方案,并根据重置方案重置马达的振动模式,同时向云端服务器发送重置请求,如图4所示。信号重置方案包括频率峰值重置、频率变化重置和振动间隔重置中的任意一种或多种的组合;
所述频率峰值重置为通过改变激励信号的主频率来改变马达的指纹;
所述频率变化重置为通过改变激励信号的频率变化来改变马达的指纹;
所述振动间隔重置通过改变激励信号的输出间隔来改变马达的指纹,包括将采集时间划分为等长时间段,以及设置激励信号的输出与否。具体如图5所示,给出了四种重置方案,左上角为重置前的激励信号,右上角为频率峰值设置后的激励信号,左下角为频率变化设置后的激励信号,右下角为振动间隔设置后的激励信号;由于马达的振动信号会随着激励信号的变化而变化,因此通过以上方案可以实现对于马达指纹的重置。
云端服务器包括指纹提取模块、指纹注册识别模块和云端通讯模块;云端通讯模块接收终端发送的信号,并传送给指纹提取模块,然后将其输入由残差块、Dropout层、全连接层和损失函数组成的双通道融合网络中,实现信号与马达指纹之间的映射,输出马达指纹给所述指纹注册识别模块;如图1所示。
指纹注册识别模块用于接收所述指纹提取模块输出的马达指纹:
若云端服务器同时接收到的是注册请求,则采用分类器对所述马达指纹进行分类,若分类成功,则输出分类结果;若不存在该类别,则将该马达指纹进行存储,并更新马达指纹存储数据库;
若所述云端服务器同时接收到的是认证请求,则采用分类器对所述马达指纹进行分类,若分类成功,则输出分类结果;若不存在该类别,则拒绝认证请求。
若云端服务器同时接收到的是重置请求,所述指纹注册识别模块根据重置请求删除旧的马达指纹,并将新的马达指纹存入马达指纹存储数据库。
云端服务器的双通道融合网络包括卷积层1、池化层、卷积层2、卷积层3、卷积层4、卷积层5、扁平化层以及1~3三个全连接层;该网络有加速度和角速度信号两个输入;
卷积层1由大小为5×1的64个卷积核构成,其卷积步长为2;
池化层由大小为3×1的最大池化层构成,其卷积步长为2;
卷积层2由3个具有64个1×1卷积核、64个1×3卷积核和256个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
卷积层3由4个具有128个1×1卷积核、128个1×3卷积核和512个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
卷积层4由6个具有256个1×1卷积核、256个1×3卷积核和1024个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
卷积层5由3个具有512个1×1卷积核、512个1×3卷积核和2048个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
扁平化层将所有输出展开成一维的向量;
三个全连接层1-3由神经元数量不同的全连接层构成。具体详见下 表。
为了在指纹识别时,达到同类聚集、异类排斥的效果,因此选用广义损失函数。所述广义损失函数如下:
其中,eij为批处理中第i号设备的第j条数据,Sij,k为eij和第k号设备所有向量的平均值之间的余弦相似度。
双通道融合网络通过上述网络结构,将加速度和角速度信号分别输入共享参数的网络,并在扁平化层之后合并成一维向量进入全连接层。
分类器可以选择支持向量机、决策树、贝叶斯网络等人工智能方法,以及余弦相似度、欧氏距离等基于阈值的识别方法。
下面给出一个具体的实施例来说明本发明的系统的优点。
在该实施例中,共采集90个马达(包括80个独立马达和10台手机)的振动过程中的加速度和角速度信号,并将其预处理为3×200的大小,加速度和角速度信号在同一次训练或使用过程中先后输入到卷积层1-5,单一信号输出为1×6144,并在扁平化层合并为大小为 1×12288的向量。如图6所示,混淆矩阵展示了对于90个马达的测试,混淆矩阵横坐标为预测的设备编号,纵坐标为实际的设备编号,颜色越深的格子代表结果落在这一格的数量越多。识别的精确度到达了98.5%。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (3)
1.一种基于同源信号的振动马达设备指纹提取识别系统,其特征在于,该系统包括终端和云端服务器;
所述终端带有马达和惯性传感单元,所述惯性传感单元用于采集所述马达振动过程中的加速度和角速度信号;所述终端还包括预处理模块、终端通讯模块,所述预处理模块用于将所述马达振动过程中的加速度和角速度信号进行预处理,输出用于所述云端服务器的双通道融合网络输入的信号,并通过所述终端通讯模块发送给所述云端服务器,同时发送认证请求、注册请求;
所述云端服务器包括指纹提取模块、指纹注册识别模块和云端通讯模块;所述云端通讯模块接收所述终端发送的信号,并传送给所述指纹提取模块,然后将其输入由残差块、Dropout层、全连接层和损失函数组成的双通道融合网络中,实现信号与马达指纹之间的映射,输出马达指纹给所述指纹注册识别模块;
所述指纹注册识别模块用于接收所述指纹提取模块输出的马达指纹;
若所述云端服务器同时接收到的是注册请求,则采用分类器对所述马达指纹进行分类,若分类成功,则输出分类结果;若不存在所述马达指纹的类别,则将该马达指纹进行存储,并更新马达指纹存储数据库;
若所述云端服务器同时接收到的是认证请求,则采用分类器对所述马达指纹进行分类,若分类成功,则输出分类结果;若不存在该类别,则拒绝认证请求;
所述双通道融合网络包括卷积层1、池化层、卷积层2、卷积层3、卷积层4、卷积层5、扁平化层以及三个全连接层,该网络有两个输入,所述扁平化层将两个输出展开成一维的向量,所述损失函数为广义损失函数;
所述卷积层1由大小为5×1的64个卷积核构成,其卷积步长为2;
所述池化层由大小为3×1的最大池化层构成,其卷积步长为2;
所述卷积层2由3个具有64个1×1卷积核、64个1×3卷积核和256个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述卷积层3由4个具有128个1×1卷积核、128个1×3卷积核和512个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述卷积层4由6个具有256个1×1卷积核、256个1×3卷积核和1024个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述卷积层5由3个具有512个1×1卷积核、512个1×3卷积核和2048个1×1卷积核顺序排列的残差块构成,并在每个残差块最后添加p=0.2的Dropout层;
所述扁平化层将所有输出展开成一维的向量;
所述三个全连接层由神经元数量不同的全连接层构成。
2.根据权利要求1所述的基于同源信号的振动马达设备指纹提取识别系统,其特征在于,所述终端还包括指纹重置模块,用于接收用户输入的信号重置方案,并根据重置方案重置马达的振动模式,同时向所述云端服务器发送重置请求;
所述云端服务器接收到重置请求后,所述指纹注册识别模块根据重置请求删除旧的马达指纹,并将新的马达指纹存入马达指纹存储数据库。
3.根据权利要求2所述的基于同源信号的振动马达设备指纹提取识别系统,其特征在于,所述信号重置方案包括频率峰值重置、频率变化重置和振动间隔重置中的任意一种或多种的组合;
所述频率峰值重置为通过改变激励信号的主频率来改变马达的指纹;
所述频率变化重置为通过改变激励信号的频率变化来改变马达的指纹;
所述振动间隔重置通过改变激励信号的输出间隔来改变马达的指纹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291623.9A CN113111725B (zh) | 2021-03-18 | 2021-03-18 | 一种基于同源信号的振动马达设备指纹提取识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291623.9A CN113111725B (zh) | 2021-03-18 | 2021-03-18 | 一种基于同源信号的振动马达设备指纹提取识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111725A CN113111725A (zh) | 2021-07-13 |
CN113111725B true CN113111725B (zh) | 2022-10-28 |
Family
ID=76711674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291623.9A Active CN113111725B (zh) | 2021-03-18 | 2021-03-18 | 一种基于同源信号的振动马达设备指纹提取识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111725B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874852A (zh) * | 2017-01-13 | 2017-06-20 | 浙江大学 | 一种基于加速度传感器的设备指纹提取和识别方法 |
CN108875688B (zh) * | 2018-06-28 | 2022-06-10 | 北京旷视科技有限公司 | 一种活体检测方法、装置、系统及存储介质 |
FR3087558B1 (fr) * | 2018-10-19 | 2021-08-06 | Idemia Identity & Security France | Procede d'extraction de caracteristiques d'une empreinte digitale representee par une image d'entree |
CN109766855A (zh) * | 2019-01-16 | 2019-05-17 | 中国科学技术大学 | 一种移动智能设备传感器指纹识别方法 |
CN109766683B (zh) * | 2019-01-16 | 2021-10-01 | 中国科学技术大学 | 一种移动智能设备传感器指纹的保护方法 |
CN112218294B (zh) * | 2020-09-08 | 2021-08-27 | 深圳市燃气集团股份有限公司 | 基于5g的物联网设备的接入方法、系统及存储介质 |
-
2021
- 2021-03-18 CN CN202110291623.9A patent/CN113111725B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113111725A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI752418B (zh) | 伺服器、客戶端、用戶核身方法及系統 | |
CN109635872B (zh) | 身份识别方法、电子设备及计算机程序产品 | |
WO2020000906A1 (zh) | 人脸识别身份验证方法、装置、电子设备 | |
CN107122641B (zh) | 基于使用习惯的智能设备机主识别方法及机主识别装置 | |
KR101629224B1 (ko) | 생체 특징에 기반한 인증 방법, 장치 및 시스템 | |
US20170308898A1 (en) | System and method of recognizing transactions as trusted | |
CN111914812B (zh) | 图像处理模型训练方法、装置、设备及存储介质 | |
CN107545241A (zh) | 神经网络模型训练及活体检测方法、装置及存储介质 | |
US20210287472A1 (en) | Attendance management system and method, and electronic device | |
KR20210101313A (ko) | 얼굴 인식 방법, 신경망 훈련방법, 장치 및 전자 디바이스 | |
CN113515988B (zh) | 掌纹识别方法、特征提取模型训练方法、设备及介质 | |
CN105160739A (zh) | 自动识别设备、方法以及门禁系统 | |
CN110120928A (zh) | 一种身份认证的方法、装置、服务器及计算机可读介质 | |
CN105450598A (zh) | 信息识别方法、信息识别设备及用户终端 | |
EP4248341A1 (en) | Method and apparatus for user recognition | |
CN111738199A (zh) | 图像信息验证方法、装置、计算装置和介质 | |
CN110619280B (zh) | 一种基于深度联合判别学习的车辆重识别方法及装置 | |
CN113111725B (zh) | 一种基于同源信号的振动马达设备指纹提取识别系统 | |
CN107294981B (zh) | 一种认证的方法和设备 | |
CN113111726B (zh) | 一种基于同源信号的振动马达设备指纹提取识别方法 | |
CN116386091B (zh) | 指纹识别方法和装置 | |
CN112905816B (zh) | 虹膜搜索识别方法、装置、处理器及电子装置 | |
CN111159698B (zh) | 基于九宫格密码的终端隐式身份认证方法 | |
CN110956098B (zh) | 图像处理方法及相关设备 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 |
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 |