CN114840834A - 一种基于步态特征的隐式身份认证方法 - Google Patents

一种基于步态特征的隐式身份认证方法 Download PDF

Info

Publication number
CN114840834A
CN114840834A CN202210391900.8A CN202210391900A CN114840834A CN 114840834 A CN114840834 A CN 114840834A CN 202210391900 A CN202210391900 A CN 202210391900A CN 114840834 A CN114840834 A CN 114840834A
Authority
CN
China
Prior art keywords
gait
user
scene
data
tag
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.)
Granted
Application number
CN202210391900.8A
Other languages
English (en)
Other versions
CN114840834B (zh
Inventor
王匡
兰贞
谢磊
陈惠芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210391900.8A priority Critical patent/CN114840834B/zh
Publication of CN114840834A publication Critical patent/CN114840834A/zh
Application granted granted Critical
Publication of CN114840834B publication Critical patent/CN114840834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于步态特征的隐式身份认证方法。现有身份认证方法提取的步态特征有限，实现认证准确率较低。本发明方法通过融合多种运动传感器数据，对采集到的步态序列进行数据预处理，组合不同频率分量的信号扩展步态数据集。本发明采用先识别活动场景再认证用户身份的两阶段，将原始步态数据输入构建的分类模型中，训练得到最佳的分类模型。对获取的步态序列，经过预处理操作后输入训练好的活动场景分类模型，根据活动场景的判决调用对应场景下的用户分类模型，即可判断当前用户是否为合法用户。本发明方法融合多运动传感器数据，组合不同类型的步态数据，能应对实际使用场景的变化，进一步提升认证准确率，增强方法的实际可用性。

Description

一种基于步态特征的隐式身份认证方法
技术领域
本发明属于生物认证和信息安全技术领域，特别是隐式身份认证领域，具体涉及一种基于步态特征的隐式身份认证方法。
背景技术
随着智能手机的发展和普及，它已经成为人们工作、生活和娱乐不可或缺的一部分。智能手机存储着用户大量的隐私数据，包括通讯录、照片、聊天记录和银行账户密码等私人信息，一旦泄露会对用户的人身和财产安全造成威胁，由此身份认证技术被提出。
显式身份认证是身份认证技术的重要分支，包括基于口令和基于生理特征的身份认证方法。基于口令的认证方法是指用户按照个人习惯设置由数字、字母和符号组成的口令用于手机解锁，简单的口令容易被猜测，复杂的口令不符合用户的逻辑习惯，且口令存在易重用和易泄露的风险；基于生理特征的认证方法是通过识别用户的生理特征如指纹、人脸、声纹、掌纹和虹膜等完成认证，其中指纹识别和人脸识别技术已得到广泛应用，认证准确率较高。然而，显式身份认证方法的实施需要用户配合完成指定操作，且只在解锁手机时实现一次认证，无法解决手机解锁之后的隐私数据泄露问题。
隐式身份认证能为用户解锁之后提供无干扰、持续性的身份认证，其是基于用户行为特征实现的，主要包括用户携带手机运动时产生的步态特征和用户操作手机时产生的击键特征和触屏特征。其中，击键数据和触屏数据仅在用户与移动终端接触时产生，且依赖于智能手机触摸屏的性能，一些手机型号无法捕获接触屏幕时的压力和接触面积。其中，人的步态是由人体骨骼、神经和肌肉系统之间的协调形成的，其特征难以隐藏和模仿，且步态数据易于采集，无需与移动终端接触就可获得。
申请号201910566310.2的中国发明专利申请了一种基于步态信息的身份认证方法。该方法使用加速度计数据，将按照步态周期分割生成的数据集输入神经网络模型，采用极值统计的方法比较当前用户与已授权用户的用户空间距离，从而识别非法用户。其局限在于仅使用单一的加速度计数据提取步态信息，且仅考虑用户步行时的身份认证。申请号202110203762.1的中国发明专利申请了一种可视化步态周期序列为二维图形的身份认证方法，其局限在于该方法使用的基于峰值的步态周期分割算法易受序列信号中局部最值的干扰，无法保证步态周期的准确提取进而影响身份认证性能，且将步态周期序列转化为二维图形会丢失时间相关性的特征影响认证准确率。申请号202110310021.3的中国发明专利申请了一种非受控步行场景下的持续身份认证方法，其局限在于指出不同行走场景和手机的携带方式会影响认证准确率，但没有针对具体的场景特点优化认证方法，方法的实际可用性有待提高。申请号202110361509.9的中国发明专利申请了一种基于用户坐标系与门控循环单元的步态认证方法，其局限在于将加速度计幅度轴两个局部最大值作为步态周期，该步态分割方法存在较大随机性，直接影响身份认证性能，且使用结构简化的门控循环单元在特征提取上有所限制。
现有技术存在诸多不足，一是仅使用单一的加速度计，有限的数据输入无法充分提取反映用户身份的特征；二是仅依赖局部最值提取步态周期存在较大随机性，样本分割的不准确直接影响认证性能；三是大部分方法仅考虑用户处于步行场景下的身份认证，且没有考虑手机携带方式的不同对认证性能的影响，无法保证在复杂的实际应用场景中的可用性；四是基于循环神经网络构建的模型在特征提取上性能有待提高。针对以上问题，本发明旨在提出一种应对实际使用场景变化、考虑不同携带方式的隐式身份认证方法，从输入数据构建、数据处理和分类模型设计上进一步提升身份认证的准确率，增强认证方法的可用性和鲁棒性。
发明内容
本发明的目的是在用户无操作的认证场景下，针对实际使用场景复杂多变、携带方式存在差异的情况，现有的认证方法准确率不高和实际可用性不强等问题，提供一种基于步态特征的隐式身份认证方法，融合多个传感器数据和多类型信号作为输入，构建先活动场景分类后用户分类的两阶段身份认证框架，进一步提高用户认证准确率。
本发明方法具体是：
步骤(1)采集N个用户的运动传感器数据，构建用于训练模型的带标签步态序列集S；具体如下：
考虑手机内置的加速度计、陀螺仪、磁力计和方向计作为输入数据源，第i个用户的步态序列Si＝[acci,gyri,magi,orii]T，i＝1,2,…,N，acci为加速计信号、gyri为陀螺仪信号、magi为磁力计信号、orii为方向计信号，T表示转置操作；由此构建由N个用户组成的步态序列集S＝{S1,S2,…,SN}；其中：
第i个用户的加速度计信号
Figure BDA0003595954460000021
其中
Figure BDA0003595954460000022
是维度为1×Li的矢量，acci是维度为Li×3的矩阵，Li由用户的采集时长di和采样频率fs确定，Li＝di×fs，x、y、z分别表示传感器的x轴信号、y轴信号和z轴信号；
第i个用户的陀螺仪信号
Figure BDA0003595954460000031
其中gyri x、gyri y、gyri z是维度为1×Li的矢量，gyri是维度为Li×3的矩阵；
第i个用户的磁力计信号
Figure BDA0003595954460000032
其中
Figure BDA0003595954460000033
是维度为1×Li的矢量，magi是维度为Li×3的矩阵；
第i个用户的方向计信号
Figure BDA0003595954460000034
其中
Figure BDA0003595954460000035
是维度为1×Li的矢量，orii是维度为Li×3的矩阵。
由此，Si是维度为12×Li的矩阵。
考虑常见的步行、上楼和下楼的实际使用场景，为第i个用户的步态序列Si打上用户身份标签Tagi,user和活动场景标签Tagi,scene，第i个用户的步态序列标签Ti＝(Tagi,user,Tagi,scene)，由此形成包含N个步态序列的步态序列集
Figure BDA0003595954460000036
对应的标签集
Figure BDA0003595954460000037
步骤(2)步态序列Si视为由12个长度为Li的子序列si,h构成，
Figure BDA0003595954460000038
其中si,h表示第i个用户步态序列Si中的第h个子序列，是维度为1×Li的矢量，h＝1,2,…,12；子序列表示为
Figure BDA0003595954460000039
Figure BDA00035959544600000310
表示子序列si,h的第v个采样点数值，v＝1,2,…,Li。
对每个子序列si,h进行数据预处理，依次执行线性插值、去除噪声、步态周期分割和信号分解操作，具体如下：
(2-1)线性插值：为解决运动传感器数据实际采样不均匀的问题引入线性插值操作。判断子序列si,h中第v个采样点的采样时间tv，与第v-1个采样点的采样时间tv-1的时间间隔Δt＝tv-tv-1是否满足
Figure BDA00035959544600000311
如果
Figure BDA00035959544600000312
则表示采样不均匀，当前采样点需要进行线性插值，否则不需要进行线性插值。选择当前采样点相邻的第v-1个和第v+1个采样点，对应的采样时间分别为tv-1、tv+1，对应的数值分别为
Figure BDA00035959544600000313
根据线性插值公式计算当前采样点对应的新值
Figure BDA00035959544600000314
其中
Figure BDA00035959544600000315
表示插值后当前采样点对应的采样时间，
Figure BDA00035959544600000316
线性插值后的步态子序列表示为
Figure BDA00035959544600000317
是维度为1×Li的矢量，线性插值后的步态序列表示为
Figure BDA00035959544600000318
是维度为12×Li的矩阵。
(2-2)去除噪声：采用具有线性相位特性的有限冲击响应数字滤波器(FiniteImpulse Response Digital Filter,FIR)完成对步态序列
Figure BDA0003595954460000041
的平滑去噪，设置滤波器的截止频率fc，窗长M，窗形状控制参数β，得到平滑去噪后的步态序列
Figure BDA0003595954460000042
其步态子序列
Figure BDA0003595954460000043
(2-3)步态周期分割：确定步态周期分割点集合
Figure BDA0003595954460000044
由此分割步态序列
Figure BDA0003595954460000045
所述的确定步态周期分割点集合
Figure BDA0003595954460000046
是通过基于模板的步态周期分割算法完成，包括确定待选的步态模板集合、选择最优模板、确定步态周期分割点集合；
确定待选的步态模板集合
Figure BDA0003595954460000047
计算步态子序列
Figure BDA0003595954460000048
中第j个采样点的最大显著性向量长度
Figure BDA00035959544600000436
最大显著性向量是指从当前采样点开始连续递增的序列。判断最大显著性向量长度
Figure BDA00035959544600000410
是否满足大于等于阈值lthresh，且与第j+1个采样点的最大显著性向量长度
Figure BDA00035959544600000411
的差值也大于等于阈值lthresh，即判断条件为
Figure BDA00035959544600000412
且
Figure BDA00035959544600000413
满足判断条件的采样点j作为步态模板的起始点，记为步态子序列
Figure BDA00035959544600000414
的第k个步态模板起始点
Figure BDA00035959544600000415
则步态子序列
Figure BDA00035959544600000416
的第k个步态模板
Figure BDA00035959544600000417
其中
Figure BDA00035959544600000418
表示子序列
Figure BDA00035959544600000419
第k+1个步态模板的起始点。由此构建待选的步态模板集合
Figure BDA00035959544600000420
Figure BDA00035959544600000437
Ki表示第i个用户的步态子序列得到的待选步态模板总数；
选择最优模板Tempi：计算步态子序列
Figure BDA00035959544600000421
的平均标准差
Figure BDA00035959544600000422
其中std(·)为计算平均标准差的函数，计算集合
Figure BDA00035959544600000423
中Ki个待选模板tempi,k的平均标准差
Figure BDA00035959544600000424
Figure BDA00035959544600000438
第k个待选模板的平均标准差
Figure BDA00035959544600000425
和步态子序列的平均标准差
Figure BDA00035959544600000426
两者差值的平方可以表示为
Figure BDA00035959544600000427
选择最小的Bi,k表示为
Figure BDA00035959544600000428
其对应待选步态模板
Figure BDA00035959544600000429
即为最优模板Tempi；
确定步态周期分割点集合
Figure BDA00035959544600000430
以步态子序列
Figure BDA00035959544600000431
的每个采样点j为起点截取与模板Tempi相同长度的信号片段
Figure BDA00035959544600000432
计算与模板的互相关
Figure BDA00035959544600000433
其中·表示矢量的点乘操作，sum(·)表示求和操作，由此构建互相关信号
Figure BDA00035959544600000434
Ri,h是维度为1×Li的矢量。互相关信号幅值的大小表示原始信号片段与模板的相似程度，找到互相关信号Ri,h的波峰出现在第jpeak个采样点，则获得步态周期分割点集合
Figure BDA00035959544600000435
的第o个步态周期分割点ui,o＝jpeak，对应的集合表示为
Figure BDA00035959544600000541
Oi表示确定的步态周期分割点总数；
所述的分割步态序列
Figure BDA0003595954460000052
将步态子序列
Figure BDA0003595954460000053
确定的步态周期分割点集合
Figure BDA0003595954460000054
用于分割步态序列
Figure BDA0003595954460000055
集合
Figure BDA0003595954460000056
中Oi个步态周期分割点将步态序列
Figure BDA0003595954460000057
分割为Oi+1个步态数据样本，
Figure BDA00035959544600000542
为步态序列
Figure BDA00035959544600000510
分割得到的第n个步态数据样本，
Figure BDA00035959544600000511
是维度为12×(ui,n-ui,n-1)的矩阵。分割对应的步态数据样本标签
Figure BDA00035959544600000512
其中
Figure BDA00035959544600000513
是第n个步态数据样本
Figure BDA00035959544600000514
对应的标签，存在关系
Figure BDA00035959544600000515
Figure BDA00035959544600000516
是维度为1×(ui,n-ui,n-1)的矢量。每个步态序列
Figure BDA00035959544600000517
分割得到Oi+1个步态数据样本，由此构建步态数据集
Figure BDA00035959544600000518
计算步态数据集
Figure BDA00035959544600000519
的样本总数
Figure BDA00035959544600000520
(2-4)将每个步态数据样本
Figure BDA00035959544600000521
分解为低频的粗近似信号
Figure BDA00035959544600000522
和高频的细近似信号
Figure BDA00035959544600000523
Figure BDA00035959544600000543
获取低频的粗近似信号
Figure BDA00035959544600000524
使用凯泽窗族FIR低通滤波器获得低频信号，设置滤波器的低频截止频率fLP，窗长MLP，窗形状控制参数βLP；
获取高频的细近似信号
Figure BDA00035959544600000525
使用凯泽窗族FIR高通滤波器获得高频信号，设置滤波器的高频截止频率fHP，窗长MHP，窗形状控制参数βHP；
组合原始步态数据样本
Figure BDA00035959544600000526
低频信号
Figure BDA00035959544600000527
和高频信号
Figure BDA00035959544600000528
获得新的步态数据样本
Figure BDA00035959544600000529
Figure BDA00035959544600000530
是维度为36×Li的矩阵，步态数据样本
Figure BDA00035959544600000531
对应的标签与原始步态数据样本
Figure BDA00035959544600000532
相同，其标签为
Figure BDA00035959544600000533
新生成的步态数据集
Figure BDA00035959544600000534
包含的样本数与原步态数据集
Figure BDA00035959544600000535
相同，即新步态数据集
Figure BDA00035959544600000536
对应的标签集
Figure BDA00035959544600000537
步骤(3)设计活动场景分类模型：
模型基于卷积神经网络(Convolution Neural Network,CNN)、长短时记忆网络(Long Short Time Memory,LSTM)和全连接层(Fully Connected Layer,FC)串行构建，其中包含
Figure BDA00035959544600000538
个卷积层、
Figure BDA00035959544600000539
个长短时记忆层和
Figure BDA00035959544600000540
个全连接层，每个卷积层后都连接批归一化层和非线性激活层。
步骤(4)训练活动场景分类模型：
(4-1)参数初始化：随机初始化学习网络的权值参数wscene和偏置参数bscene，初始化迭代轮次escene＝0，设置初始学习率ηscene，训练样本批大小bsscene，最大迭代轮次Escene；
(4-2)数据分批：按照设置的样本批大小bsscene将数据集
Figure BDA0003595954460000061
均匀分成Pscene个批次，每个批次的步态数据子集表示为
Figure BDA0003595954460000062
其对应的标签集为
Figure BDA0003595954460000063
(4-3)数据输入：随机选取某一批次的步态数据子集
Figure BDA0003595954460000064
送入步骤(3)构建的分类模型中，通过卷积层和长短时记忆层提取步态数据的特征表示，输入全连接层得到该批次数据的预测标签集
Figure BDA0003595954460000065
(4-4)参数更新：根据该批次数据的真实标签
Figure BDA0003595954460000066
和预测标签集
Figure BDA0003595954460000067
计算损失函数值lossscene，并根据损失函数值lossscene更新模型参数；
(4-5)单轮训练：当第escene轮次的Pscene个批次数据都输入分类模型，则表示该轮训练结束，进入步骤(4-6)，否则返回步骤(4-3)；
(4-6)训练结束判断：当损失函数lossscene在连续Es′cene轮内的减小幅度均小于σscene，其中Es′cene为判断分类模型是否收敛的最小收敛轮数，σscene为判断lossscene基本不再减小的阈值，表明分类模型已收敛，执行步骤(4-8)；否则执行步骤(4-7)；
(4-7)若escene＜Escene，则escene＝escene+1，继续迭代，返回步骤(4-2)；若escene＝Escene，
表明分类器训练结束，进入步骤(4-8)；
(4-8)模型保存：保存分类器模型的最佳权重参数
Figure BDA0003595954460000068
和最佳偏置参数
Figure BDA0003595954460000069
步骤(5)构建各个活动场景下用户分类模型：
该模型基于卷积神经网络(Convolution Neural Network,CNN)、长短时记忆网络(Long Short Time Memory,LSTM)和全连接层(Fully Connected Layer,FC)串行构建，其中包含
Figure BDA00035959544600000610
个卷积层、
Figure BDA00035959544600000611
个长短时记忆层和
Figure BDA00035959544600000612
个全连接层，每个卷积层后都连接批归一化层和非线性激活层。
步骤(6)训练各个活动场景下的用户分类模型：
(6-1)构建数据子集：按照活动场景标签将步态数据集
Figure BDA00035959544600000613
分割为步行数据子集
Figure BDA00035959544600000614
上楼数据子集
Figure BDA00035959544600000615
下楼数据子集
Figure BDA00035959544600000616
作为对应活动场景的训练集，其样本总数分别为Awalk、Aup、Adown，满足Awalk+Aup+Adown＝Q,Q为步态数据集
Figure BDA00035959544600000617
的样本总数。
(6-2)参数初始化：随机初始化学习网络的权值参数wuser和偏置参数buser，初始化迭代轮次euser＝0，设置初始学习率ηuser，训练样本批大小bsuser，最大迭代轮次Euser；
(6-3)数据分批：按照设置的样本批大小bsuser将对应活动场景的数据子集均匀分成Puser个批次，每个批次的步态数据子集表示为
Figure BDA0003595954460000071
其对应的标签集为
Figure BDA0003595954460000072
(6-4)数据输入：随机选取某一批次的步态数据子集
Figure BDA0003595954460000073
送入步骤(3)构建的分类模型中，通过卷积层和长短时记忆层提取步态数据的特征表示，输入全连接层得到该批次数据的预测标签集
Figure BDA0003595954460000074
(6-5)参数更新：根据该批次数据的真实标签
Figure BDA0003595954460000075
和预测标签集
Figure BDA0003595954460000076
计算损失函数值lossuser，并根据损失函数值lossuser更新模型参数；
(6-6)单轮训练：当第euser轮次的Puser个批次数据都输入分类模型，则表示该轮训练结束，进入步骤(6-7)，否则返回步骤(6-4)；
(6-7)训练结束判断：当损失函数lossuser在连续Eu′ser轮内的减小幅度均小于σuser，其中Eu′ser为判断分类模型是否收敛的最小收敛轮数，σuser为判断lossuser基本不再减小的阈值，表明分类模型已收敛，执行步骤(6-9)；否则执行步骤(6-8)；
(6-8)若euser＜Euser，则euser＝euser+1，继续迭代，返回步骤(6-3)；若euser＝Euser，表明分类器训练结束，进入步骤(6-9)；
(6-9)模型保存：保存分类器模型的最佳权重参数
Figure BDA0003595954460000077
和最佳偏置参数
Figure BDA0003595954460000078
步骤(7)认证用户身份：
获取手机内置的加速度计信号acc、陀螺仪信号gyr、磁力计信号mag和方向计信号ori，信号长度为L，融合形成当前用户的步态序列S＝[acc,gyr,mag,ori]T,其中acc、gyr、mag、ori都是维度为L×3的矩阵，S是维度为12×L的矩阵,为步态序列S打上用户身份标签Taguser和活动场景标签Tagscene，则步态序列S对应的标签为T＝(Taguser,Tagscene)。
对步态序列S进行线性插值、平滑去噪、步态周期分割操作，获得按步态周期分割的步态样本
Figure BDA0003595954460000079
其中C为分割得到的步态样本数，分割后步态样本
Figure BDA00035959544600000710
c＝1,2,…,C的标签与原步态序列S的标签相同，则
Figure BDA00035959544600000711
的标签为T＝(Taguser,Tagscene)，执行过程同步骤(2-1)～(2-3)；
将分割后的步态样本
Figure BDA0003595954460000081
分解为低频的粗近似信号
Figure BDA0003595954460000082
和高频的细近似信号
Figure BDA0003595954460000083
其中c＝1,2,…,C，组合原始信号
Figure BDA0003595954460000084
低频信号
Figure BDA0003595954460000085
和高频信号
Figure BDA0003595954460000086
得到用于认证用户身份的步态样本
Figure BDA0003595954460000087
组合后的步态样本
Figure BDA0003595954460000088
的标签与原步态样本
Figure BDA0003595954460000089
的标签相同，则
Figure BDA00035959544600000810
的标签T＝(Taguser,Tagscene)，执行过程同步骤(2-4)；
将步态样本
Figure BDA00035959544600000811
输入到训练好的活动场景分类模型，输出活动场景的预测标签Tags′cene，根据该活动场景标签将样本输入对应的用户分类模型，判断用户的预测标签Tag′user与当前用户的标签Taguser。若相同则当前用户属于合法用户，则完成身份认证，否则锁定设备，拒绝访问。
与现有技术相比，本发明具有以下有益效果：
1.本发明融合了多个传感器数据，数据来源丰富。大部分相关研究只考虑加速度计，本发明使用加速度计、陀螺仪、磁力计和方向计数据作为输入数据源，从中提取表征用户身份的深度特征，提高认证方法的认证准确率。
2.本发明融合了不同频率分量的步态数据，进一步提升认证性能。低频的粗近似信号能够在保留原始信号重要特征的前提下，更好地分析信号的整体变化趋势。而高频的细近似信号能够在维持信号整体变化趋势的前提下，突出信号的局部特征。
3.本发明考虑用户活动场景变化对身份识别的影响，构建活动场景分类-用户分类的二级认证框架，在识别当前活动场景后再调用对应的用户分类器，增强身份认证框架的实际可用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面对描述实施例中需要用到的附图做简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实例的附图。
图1是本发明认证方法整体框架的示意图；
图2是本发明按步态周期分割步态序列的流程图；
图3是本发明活动场景分类模型的示意图；
图4是本发明方法中分类模型训练过程的流程图；
图5是本发明用户分类模型的示意图。
具体实施方式
以下结合附图并举实施例对本发明作进一步详细说明。
本实施例以获取的35名用户在步行、上楼和下楼场景下的步态数据为例，对本发明提出的基于步态特征的隐式身份认证方法进行说明，其整体框架如图1所示。
步骤(1)采集N个用户的运动传感器数据，构建用于训练模型的带标签步态序列集S，具体如下：
考虑手机内置的加速度计、陀螺仪、磁力计和方向计作为输入数据源，第i个用户的加速度计信号表示为
Figure BDA0003595954460000091
N(本实施例中N＝35)表示用户数量，其中
Figure BDA0003595954460000092
是维度为1×Li的矢量，acci是维度为Li×3的矩阵，Li由用户的采集时长di(采样时长为用户携带手机的时间，不确定)和采样频率fs(本实施例中fs＝50Hz)确定，Li＝di×fs，其中T表示转置操作，x、y、z分别表示传感器的x轴信号、y轴信号和z轴信号。同样的，第i个用户的陀螺仪信号表示为gyri＝[(gyri x)T,(gyri y)T,(gyri z)T]，其中gyri x、gyri y、gyri z是维度为1×Li的矢量，gyri是维度为Li×3的矩阵；第i个用户的磁力计信号表示为
Figure BDA0003595954460000093
其中
Figure BDA0003595954460000094
是维度为1×Li的矢量，magi是维度为Li×3的矩阵；第i个用户的方向计信号表示为
Figure BDA0003595954460000095
其中
Figure BDA0003595954460000096
是维度为1×Li的矢量，orii是维度为Li×3的矩阵。
组合第i个用户的加速计信号acci、陀螺仪信号gyri、磁力计信号magi和方向计信号orii构成其步态序列Si＝[acci,gyri,magi,orii]T，i＝1,2,…,N，则Si是维度为12×Li的矩阵。由此构建由N个用户组成的步态序列集
Figure BDA0003595954460000097
考虑常见的步行、上楼和下楼的实际使用场景，为第i个用户的步态序列Si打上用户身份标签Tagi,user(本实施例中Tagi,user∈{0,1,2,…,34})和活动场景标签Tagi,scene(本实施例中Tagi,scene∈{0,1,2})。第i个用户的步态序列标签为Ti＝(Tagi,user,Tagi,scene),i＝1,2,…,N。由此形成包含N个步态序列的步态序列集S对应的标签集
Figure BDA0003595954460000098
步骤(2)步态序列Si可视为由12个长度为Li的子序列si,h构成，表示为
Figure BDA0003595954460000099
其中si,h表示第i个用户步态序列Si中的第h个子序列，是维度为1×Li的矢量，h＝1,2,…,12。子序列si,h可以表示为
Figure BDA0003595954460000101
其中
Figure BDA0003595954460000102
表示子序列si,h的第v个采样点数值，v＝1,2,…,Li。
如图2所示，对每个子序列si,h进行数据预处理，执行线性插值、去除噪声、步态周期分割和信号分解操作，具体如下：
(2-1)线性插值：为解决运动传感器数据实际采样不均匀的问题引入线性插值操作。将子序列si,h中第v个采样点的采样时间表示为tv，判断与第v-1个采样点的采样时间tv-1的时间间隔Δt＝tv-tv-1是否满足
Figure BDA0003595954460000103
fs为采样频率，若
Figure BDA0003595954460000104
则表示采样不均匀，当前采样点需要进行线性插值。选择当前采样点相邻的第v-1个和第v+1个采样点，对应的采样时间分别为tv-1、tv+1，对应的数值分别为
Figure BDA0003595954460000105
根据线性插值公式计算当前采样点对应的新值
Figure BDA0003595954460000106
其中
Figure BDA0003595954460000107
表示插值后当前采样点对应的采样时间，满足
Figure BDA0003595954460000108
线性插值后的步态子序列表示为
Figure BDA0003595954460000109
是维度为1×Li的矢量，线性插值后的步态序列表示为
Figure BDA00035959544600001010
是维度为12×Li的矩阵。
(2-2)去除噪声：采用具有线性相位特性的有限冲击响应数字滤波器(FiniteImpulse Response Digital Filter,FIR)完成对步态序列
Figure BDA00035959544600001011
的平滑去噪，设置滤波器的截止频率fc(本实施例中fc＝5Hz)，窗长M(本实施例中M＝12)，窗形状控制参数β(本实施例中β＝3.4)。得到平滑去噪后的步态序列记为
Figure BDA00035959544600001012
其子序列记为
Figure BDA00035959544600001013
(2-3)确定步态周期分割点集合
Figure BDA00035959544600001014
由此分割步态序列
Figure BDA00035959544600001015
所述的确定步态周期分割点集合
Figure BDA00035959544600001016
是通过基于模板的步态周期分割算法完成，包括确定待选的步态模板集合、选择最优模板、确定步态周期分割点集合；
确定待选的步态模板集合
Figure BDA00035959544600001017
计算步态子序列
Figure BDA00035959544600001018
中第j个采样点的最大显著性向量长度
Figure BDA00035959544600001019
最大显著性向量是指从当前采样点开始连续递增的序列。判断最大显著性向量长度
Figure BDA00035959544600001020
是否满足大于等于阈值，且与第j+1个采样点的最大显著性向量长度
Figure BDA00035959544600001021
的差值也大于等于阈值，可以将判断条件表示为
Figure BDA00035959544600001022
且
Figure BDA00035959544600001023
其中lthresh(本实施例中lthresh＝0.6fs,fs＝50Hz)表示阈值，往往通过大量实验确定。满足条件的采样点j可以作为步态模板的起始点，记为子序列
Figure BDA0003595954460000111
的第k个步态模板起始点
Figure BDA0003595954460000112
则子序列
Figure BDA0003595954460000113
的第k个步态模板可以表示为
Figure BDA0003595954460000114
其中
Figure BDA0003595954460000115
表示子序列
Figure BDA0003595954460000116
第k+1个步态模板的起始点。由此构建待选的步态模板集合
Figure BDA0003595954460000117
Ki表示第i个用户的步态子序列得到的待选步态模板总数；
选择最优模板Tempi：计算步态子序列
Figure BDA0003595954460000118
的平均标准差
Figure BDA0003595954460000119
其中std(·)为计算平均标准差的函数，计算集合
Figure BDA00035959544600001110
中Ki个待选模板tempi,k的平均标准差
Figure BDA00035959544600001111
Figure BDA00035959544600001112
第k个待选模板的平均标准差
Figure BDA00035959544600001113
和步态子序列的平均标准差
Figure BDA00035959544600001114
两者差值的平方可以表示为
Figure BDA00035959544600001115
选择最小的Bi,k表示为
Figure BDA00035959544600001116
其对应待选步态模板
Figure BDA00035959544600001117
即为最优模板Tempi；
确定步态周期分割点集合
Figure BDA00035959544600001118
以步态子序列
Figure BDA00035959544600001119
的每个采样点j为起点截取与模板Tempi相同长度的信号片段
Figure BDA00035959544600001120
计算与模板的互相关
Figure BDA00035959544600001121
其中·表示矢量的点乘操作，sum(·)表示求和操作，由此构建互相关信号
Figure BDA00035959544600001122
Ri,h是维度为1×Li的矢量。互相关信号幅值的大小表示原始信号片段与模板的相似程度，找到互相关信号Ri,h的波峰出现在第jpeak个采样点，则获得步态周期分割点集合
Figure BDA00035959544600001123
的第o个步态周期分割点ui,o＝jpeak，对应的集合表示为
Figure BDA00035959544600001124
Oi表示确定的步态周期分割点总数；
所述的分割步态序列
Figure BDA00035959544600001125
将步态子序列
Figure BDA00035959544600001126
确定的步态周期分割点集合
Figure BDA00035959544600001127
用于分割步态序列
Figure BDA00035959544600001128
集合
Figure BDA00035959544600001129
中Oi个步态周期分割点将步态序列
Figure BDA00035959544600001130
分割为Oi+1个步态数据样本，
Figure BDA00035959544600001131
为步态序列
Figure BDA00035959544600001132
分割得到的第n个步态数据样本，
Figure BDA00035959544600001133
是维度为12×(ui,n-ui,n-1)的矩阵。分割对应的步态数据样本标签
Figure BDA00035959544600001134
其中
Figure BDA00035959544600001135
是第n个步态数据样本
Figure BDA00035959544600001136
对应的标签，存在关系
Figure BDA00035959544600001137
Figure BDA00035959544600001138
是维度为1×(ui,n-ui,n-1)的矢量。每个步态序列
Figure BDA00035959544600001139
分割得到Oi+1个步态数据样本，由此构建步态数据集
Figure BDA00035959544600001140
计算步态数据集
Figure BDA00035959544600001141
的样本总数
Figure BDA00035959544600001142
(本实施例中Q＝283120)。
(2-4)将每个步态数据样本
Figure BDA0003595954460000121
分解为低频的粗近似信号
Figure BDA0003595954460000122
和高频的细近似信号
Figure BDA0003595954460000123
其中i＝1,2,…,N，n＝1,2,…,Oi+1：
获取低频的粗近似信号
Figure BDA0003595954460000124
使用凯泽窗族FIR低通滤波器获得低频信号，设置滤波器的截止频率fLP(本实施例中fLP＝5Hz)，窗长MLP(本实施例中MLP＝12)，窗形状控制参数βLP(本实施例中βLP＝3.4)；
获取高频的细近似信号
Figure BDA0003595954460000125
使用凯泽窗族FIR高通滤波器获得高频信号，设置滤波器的截止频率fHP(本实施例中fHP＝10Hz)，窗长MHP(本实施例中MHP＝12)，窗形状控制参数βHP(本实施例中βHP＝3.4)；
组合原始步态数据样本
Figure BDA0003595954460000126
低频信号
Figure BDA0003595954460000127
和高频信号
Figure BDA0003595954460000128
获得新的步态数据样本
Figure BDA0003595954460000129
Figure BDA00035959544600001210
是维度为36×Li的矩阵，n＝1,2,…,Oi+1，步态数据样本
Figure BDA00035959544600001211
对应的标签与原始步态数据样本
Figure BDA00035959544600001212
相同，其标签为
Figure BDA00035959544600001213
新生成的步态数据集
Figure BDA00035959544600001214
包含的样本数与原步态数据集
Figure BDA00035959544600001215
相同，则由Q个样本组成的新步态数据集可以表示为
Figure BDA00035959544600001216
其对应的标签集为
Figure BDA00035959544600001217
步骤(3)设计活动场景分类模型：
如图3所示，该模型基于卷积神经网络(Convolution Neural Network,CNN)、长短时记忆网络(Long Short Time Memory,LSTM)和全连接层(Fully Connected Layer,FC)串行构建，其中包含
Figure BDA00035959544600001218
(本实施例中
Figure BDA00035959544600001219
)个卷积层、
Figure BDA00035959544600001220
(本实施例中
Figure BDA00035959544600001221
)个长短时记忆层和
Figure BDA00035959544600001222
(本实施例中
Figure BDA00035959544600001223
)个全连接层，每个卷积层后都连接批归一化层和非线性激活层。
步骤(4)训练活动场景分类模型，如图4所示，包括参数初始化、数据分批、数据输入、参数更新、单轮训练、训练结束判断和保存模型操作，具体如下：
(4-1)参数初始化：随机初始化学习网络的权值参数wscene和偏置参数bscene，初始化迭代轮次escene＝0，设置初始学习率ηscene＝1e-4，训练样本批大小bsscene＝128，最大迭代轮次Escene＝100；
(4-2)数据分批：按照设置的样本批大小bsscene将数据集
Figure BDA0003595954460000131
均匀分成Pscene(本实施例中
Figure BDA0003595954460000132
)个批次，每个批次的步态数据子集表示为
Figure BDA0003595954460000133
其对应的标签集为
Figure BDA0003595954460000134
(4-3)数据输入：随机选取某一批次的步态数据子集
Figure BDA0003595954460000135
送入步骤(3)构建的分类模型中，通过卷积层和长短时记忆层提取步态数据的特征表示，输入全连接层得到该批次数据的预测标签集
Figure BDA0003595954460000136
(4-4)参数更新：根据该批次数据的真实标签
Figure BDA0003595954460000137
和预测标签集
Figure BDA0003595954460000138
计算损失函数值
Figure BDA0003595954460000139
并并根据梯度下降法更新权值参数
Figure BDA00035959544600001310
和偏置参数
Figure BDA00035959544600001311
(4-5)单轮训练：当第escene轮次的Pscene个批次数据都输入分类模型，则表示该轮训练结束，进入步骤(4-6)，否则返回步骤(4-3)；
(4-6)训练结束判断：当损失函数lossscene在连续Es′cene轮内的减小幅度均小于σscene，其中Es′cene(本实施例中Es′cene＝10)为判断分类模型是否收敛的最小收敛轮数，σscene(本实施例中σscene＝0.005)为判断lossscene基本不再减小的阈值，表明分类模型已收敛，执行步骤(4-8)；否则执行步骤(4-7)；
(4-7)若escene＜Escene，则escene＝escene+1，继续迭代，返回步骤(4-2)；若escene＝Escene，表明分类器训练结束，进入步骤(4-8)；
(4-8)模型保存：保存分类器模型的最佳权重参数
Figure BDA00035959544600001312
和最佳偏置参数
Figure BDA00035959544600001313
步骤(5)构建各个活动场景下用户分类模型：
如图5所示，该模型基于卷积神经网络(Convolution Neural Network,CNN)、长短时记忆网络(Long Short Time Memory,LSTM)和全连接层(Fully Connected Layer,FC)串行构建，其中包含
Figure BDA00035959544600001314
(本实施例中
Figure BDA00035959544600001315
)个卷积层、
Figure BDA00035959544600001316
(本实施例中
Figure BDA00035959544600001317
)个长短时记忆层和
Figure BDA00035959544600001318
(本实施例中
Figure BDA00035959544600001319
)个全连接层，每个卷积层后都连接批归一化层和非线性激活层。
步骤(6)训练各个活动场景下的用户分类模型：
(6-1)构建数据子集：按照活动场景标签将步态数据集
Figure BDA0003595954460000141
分割为步行数据子集
Figure BDA0003595954460000142
上楼数据子集
Figure BDA0003595954460000143
下楼数据子集
Figure BDA0003595954460000144
作为对应活动场景的训练集，其样本总数分别为Awalk、Aup、Adown(本实施例中Awalk＝103131，Aup＝95515，Adown＝84474)，满足Awalk+Aup+Adown＝Q,Q为步态数据集
Figure BDA0003595954460000145
的样本总数。
(6-2)参数初始化：随机初始化学习网络的权值参数wuser和偏置参数buser，初始化迭代轮次euser＝0，设置初始学习率ηuser＝1e-4，训练样本批大小bsuser＝64，最大迭代轮次Euser＝20；
(6-3)数据分批：按照设置的样本批大小bsuser将步行、上楼和下楼场景下的训练集
Figure BDA0003595954460000146
Figure BDA0003595954460000147
均匀分成Pwalk、Pup、Pdown(本实施例中
Figure BDA0003595954460000148
Figure BDA0003595954460000149
)个批次，每个批次的步态数据子集表示为
Figure BDA00035959544600001410
其对应的标签集为
Figure BDA00035959544600001411
(6-4)数据输入：随机选取某一批次的步态数据子集
Figure BDA00035959544600001412
送入步骤(3)构建的分类模型中，通过卷积层和长短时记忆层提取步态数据的特征表示，输入全连接层得到该批次数据的预测标签集
Figure BDA00035959544600001413
(6-5)参数更新：根据该批次数据的真实标签
Figure BDA00035959544600001414
和预测标签集
Figure BDA00035959544600001415
计算损失函数值
Figure BDA00035959544600001416
并根据梯度下降法更新权值参数
Figure BDA00035959544600001417
和偏置参数
Figure BDA00035959544600001418
(6-6)单轮训练：当第euser轮次的Puser个批次数据都输入分类模型，则表示该轮训练结束，进入步骤(6-7)，否则返回步骤(6-4)；
(6-7)训练结束判断：当损失函数lossuser在连续Eu′ser轮内的减小幅度均小于σuser，其中E′user(本实施例中E′user＝10)为判断分类模型是否收敛的最小收敛轮数，σuser(本实施例中σuser＝0.005)为判断lossuser基本不再减小的阈值，表明分类模型已收敛，执行步骤(6-9)；否则执行步骤(6-8)；
(6-8)若euser＜Euser，则euser＝euser+1，继续迭代，返回步骤(6-3)；若euser＝Euser，表明分类器训练结束，进入步骤(6-9)；
(6-9)模型保存：保存分类器模型的最佳权重参数
Figure BDA00035959544600001419
和最佳偏置参数
Figure BDA00035959544600001420
步骤(7)认证用户身份：
获取手机内置的加速度计信号acc、陀螺仪信号gyr、磁力计信号mag和方向计信号ori，融合形成当前用户的步态序列S＝[acc,gyr,mag,ori]T,其中acc、gyr、mag、ori都是维度为L×3的矩阵，S是维度为12×L的矩阵,为步态序列S打上用户身份标签Taguser和活动场景标签Tagscene，则步态序列S对应的标签为T＝(Taguser,Tagscene)。
对步态序列S进行线性插值、平滑去噪、步态周期分割操作，获得按步态周期分割的步态样本
Figure BDA0003595954460000151
其中C为分割得到的步态样本数，分割后步态样本
Figure BDA0003595954460000152
c＝1,2,…,C的标签与原步态序列S的标签相同，则
Figure BDA0003595954460000153
的标签为T＝(Taguser,Tagscene)，执行过程同步骤(2-1)～(2-3)；
将分割后的步态样本
Figure BDA0003595954460000154
分解为低频的粗近似信号
Figure BDA0003595954460000155
和高频的细近似信号
Figure BDA0003595954460000156
其中c＝1,2,…,C，组合原始信号
Figure BDA0003595954460000157
低频信号
Figure BDA0003595954460000158
和高频信号
Figure BDA0003595954460000159
得到用于认证用户身份的步态样本
Figure BDA00035959544600001510
组合后的步态样本
Figure BDA00035959544600001511
的标签与原步态样本
Figure BDA00035959544600001512
的标签相同，则
Figure BDA00035959544600001513
的标签为T＝(Taguser,Tagscene)，执行过程同步骤(2-4)；
将步态样本
Figure BDA00035959544600001514
输入到训练好的活动场景分类模型，输出活动场景的预测标签Tags′cene，根据该活动场景标签将样本输入对应的用户分类模型，判断用户的预测标签Tag′user与当前用户的标签Taguser。若相同则当前用户属于合法用户，则完成身份认证，否则锁定设备，拒绝访问。
上述实例所述的内容仅仅是对本发明实现形式的列举，本发明的保护范围不应限于实施例所陈述的具体形式，本发明的保护范围也应包含在本发明基础上所构思的同类发明方法。

Claims (4)

1.一种基于步态特征的隐式身份认证方法，其特征在于：
步骤(1)采集N个用户的运动传感器数据，构建用于训练模型的带标签步态序列集S；具体如下：
第i个用户的步态序列Si＝[acci,gyri,magi,orii]T，i＝1,2,…,N，acci为加速计信号、gyri为陀螺仪信号、magi为磁力计信号、orii为方向计信号，T表示转置操作；由此构建由N个用户组成的步态序列集S＝{S1,S2,…,SN}；其中：
第i个用户的加速度计信号
Figure FDA0003595954450000011
其中
Figure FDA0003595954450000012
是维度为1×Li的矢量，acci是维度为Li×3的矩阵，Li由用户的采集时长di和采样频率fs确定，Li＝di×fs，x、y、z分别表示传感器的x轴信号、y轴信号和z轴信号；
第i个用户的陀螺仪信号gyri＝[(gyri x)T,(gyri y)T,(gyri z)T]，其中gyri x、gyri y、gyri z是维度为1×Li的矢量，gyri是维度为Li×3的矩阵；
第i个用户的磁力计信号
Figure FDA0003595954450000013
其中
Figure FDA0003595954450000014
是维度为1×Li的矢量，magi是维度为Li×3的矩阵；
第i个用户的方向计信号
Figure FDA0003595954450000015
其中
Figure FDA0003595954450000016
是维度为1×Li的矢量，orii是维度为Li×3的矩阵；
由此，Si是维度为12×Li的矩阵；
为第i个用户的步态序列Si打上用户身份标签Tagi,user和活动场景标签Tagi,scene，第i个用户的步态序列标签Ti＝(Tagi,user,Tagi,scene)，由此形成包含N个步态序列的步态序列集S对应的标签集T＝{T1,T2,…,TN}；
步骤(2)步态序列Si视为由12个长度为Li的子序列si,h构成，
Figure FDA0003595954450000017
其中si,h表示第i个用户步态序列Si中的第h个子序列，是维度为1×Li的矢量，h＝1,2,…,12；子序列表示为
Figure FDA0003595954450000018
Figure FDA0003595954450000019
表示子序列si,h的第v个采样点数值，v＝1,2,…,Li；
对每个子序列si,h进行数据预处理，依次执行线性插值、去除噪声、步态周期分割和信号分解操作，具体如下：
(2-1)线性插值：判断子序列si,h中第v个采样点的采样时间tv，与第v-1个采样点的采样时间tv-1的时间间隔Δt＝tv-tv-1是否满足
Figure FDA0003595954450000021
如果
Figure FDA0003595954450000022
则表示采样不均匀，当前采样点需要进行线性插值，否则不需要进行线性插值；
(2-2)去除噪声：采用具有线性相位特性的有限冲击响应数字滤波器完成对步态序列
Figure FDA0003595954450000023
的平滑去噪，设置滤波器的截止频率fc，窗长M，窗形状控制参数β，得到平滑去噪后的步态序列
Figure FDA0003595954450000024
其步态子序列
Figure FDA0003595954450000025
(2-3)步态周期分割：确定步态周期分割点集合
Figure FDA0003595954450000026
由此分割步态序列
Figure FDA0003595954450000027
(2-4)将每个步态数据样本
Figure FDA0003595954450000028
分解为低频的粗近似信号
Figure FDA0003595954450000029
和高频的细近似信号
Figure FDA00035959544500000210
Figure FDA00035959544500000211
步骤(3)设计活动场景分类模型：
模型基于卷积神经网络、长短时记忆网络和全连接层串行构建，其中包含
Figure FDA00035959544500000212
个卷积层、
Figure FDA00035959544500000213
个长短时记忆层和
Figure FDA00035959544500000214
个全连接层，每个卷积层后都连接批归一化层和非线性激活层；
步骤(4)训练活动场景分类模型：
(4-1)参数初始化：随机初始化学习网络的权值参数wscene和偏置参数bscene，初始化迭代轮次escene＝0，设置初始学习率ηscene，训练样本批大小bsscene，最大迭代轮次Escene；
(4-2)数据分批：按照设置的样本批大小bsscene将数据集
Figure FDA00035959544500000215
均匀分成Pscene个批次，每个批次的步态数据子集表示为
Figure FDA00035959544500000216
其对应的标签集为
Figure FDA00035959544500000217
(4-3)数据输入：随机选取某一批次的步态数据子集
Figure FDA00035959544500000218
送入步骤(3)构建的分类模型中，通过卷积层和长短时记忆层提取步态数据的特征表示，输入全连接层得到该批次数据的预测标签集
Figure FDA00035959544500000219
(4-4)参数更新：根据该批次数据的真实标签
Figure FDA00035959544500000220
和预测标签集
Figure FDA00035959544500000221
计算损失函数值lossscene，并根据损失函数值lossscene更新模型参数；
(4-5)单轮训练：当第escene轮次的Pscene个批次数据都输入分类模型，则表示该轮训练结束，进入步骤(4-6)，否则返回步骤(4-3)；
(4-6)训练结束判断：当损失函数lossscene在连续Es′cene轮内的减小幅度均小于σscene，其中Es′cene为判断分类模型是否收敛的最小收敛轮数，σscene为判断lossscene基本不再减小的阈值，表明分类模型已收敛，执行步骤(4-8)；否则执行步骤(4-7)；
(4-7)若escene＜Escene，则escene＝escene+1，继续迭代，返回步骤(4-2)；若escene＝Escene，表明分类器训练结束，进入步骤(4-8)；
(4-8)模型保存：保存分类器模型的最佳权重参数
Figure FDA0003595954450000031
和最佳偏置参数
Figure FDA0003595954450000032
步骤(5)构建各个活动场景下用户分类模型：
该模型基于卷积神经网络、长短时记忆网络和全连接层串行构建，其中包含
Figure FDA0003595954450000033
个卷积层、
Figure FDA0003595954450000034
个长短时记忆层和
Figure FDA0003595954450000035
个全连接层，每个卷积层后都连接批归一化层和非线性激活层；
步骤(6)训练各个活动场景下的用户分类模型：
(6-1)构建数据子集：按照活动场景标签将步态数据集
Figure FDA0003595954450000036
分割为步行数据子集
Figure FDA0003595954450000037
上楼数据子集
Figure FDA0003595954450000038
下楼数据子集
Figure FDA0003595954450000039
作为对应活动场景的训练集，其样本总数分别为Awalk、Aup、Adown，满足Awalk+Aup+Adown＝Q,Q为步态数据集
Figure FDA00035959544500000310
的样本总数；
(6-2)参数初始化：随机初始化学习网络的权值参数wuser和偏置参数buser，初始化迭代轮次euser＝0，设置初始学习率ηuser，训练样本批大小bsuser，最大迭代轮次Euser；
(6-3)数据分批：按照设置的样本批大小bsuser将对应活动场景的数据子集均匀分成Puser个批次，每个批次的步态数据子集表示为
Figure FDA00035959544500000311
其对应的标签集为
Figure FDA00035959544500000312
(6-4)数据输入：随机选取某一批次的步态数据子集
Figure FDA00035959544500000313
送入步骤(3)构建的分类模型中，通过卷积层和长短时记忆层提取步态数据的特征表示，输入全连接层得到该批次数据的预测标签集
Figure FDA00035959544500000314
(6-5)参数更新：根据该批次数据的真实标签
Figure FDA00035959544500000315
和预测标签集
Figure FDA00035959544500000316
计算损失函数值lossuser，并根据损失函数值lossuser更新模型参数；
(6-6)单轮训练：当第euser轮次的Puser个批次数据都输入分类模型，则表示该轮训练结束，进入步骤(6-7)，否则返回步骤(6-4)；
(6-7)训练结束判断：当损失函数lossuser在连续Eu′ser轮内的减小幅度均小于σuser，其中Eu′ser为判断分类模型是否收敛的最小收敛轮数，σuser为判断lossuser基本不再减小的阈值，表明分类模型已收敛，执行步骤(6-9)；否则执行步骤(6-8)；
(6-8)若euser＜Euser，则euser＝euser+1，继续迭代，返回步骤(6-3)；若euser＝Euser，表明分类器训练结束，进入步骤(6-9)；
(6-9)模型保存：保存分类器模型的最佳权重参数
Figure FDA0003595954450000041
和最佳偏置参数
Figure FDA0003595954450000042
步骤(7)认证用户身份：
获取手机内置的加速度计信号acc、陀螺仪信号gyr、磁力计信号mag和方向计信号ori，信号长度为L，融合形成当前用户的步态序列S＝[acc,gyr,mag,ori]T,其中acc、gyr、mag、ori都是维度为L×3的矩阵，S是维度为12×L的矩阵,为步态序列S打上用户身份标签Taguser和活动场景标签Tagscene，则步态序列S对应的标签为T＝(Taguser,Tagscene)；
对步态序列S进行线性插值、平滑去噪、步态周期分割操作，获得按步态周期分割的步态样本
Figure FDA0003595954450000043
其中C为分割得到的步态样本数，分割后步态样本
Figure FDA0003595954450000044
c＝1,2,…,C的标签与原步态序列S的标签相同，则
Figure FDA0003595954450000045
的标签为T＝(Taguser,Tagscene)，执行过程同步骤(2-1)～(2-3)；
将分割后的步态样本
Figure FDA0003595954450000046
分解为低频的粗近似信号
Figure FDA0003595954450000047
和高频的细近似信号
Figure FDA0003595954450000048
其中c＝1,2,…,C，组合原始信号
Figure FDA0003595954450000049
低频信号
Figure FDA00035959544500000410
和高频信号
Figure FDA00035959544500000411
得到用于认证用户身份的步态样本
Figure FDA00035959544500000412
组合后的步态样本
Figure FDA00035959544500000413
的标签与原步态样本
Figure FDA00035959544500000414
的标签相同，则
Figure FDA00035959544500000415
的标签T＝(Taguser,Tagscene)，执行过程同步骤(2-4)；
将步态样本
Figure FDA00035959544500000416
输入到训练好的活动场景分类模型，输出活动场景的预测标签Tag′scene，根据该活动场景标签将样本输入对应的用户分类模型，判断用户的预测标签Tag′user与当前用户的标签Taguser；若相同则当前用户属于合法用户，则完成身份认证，否则锁定设备，拒绝访问。
2.如权利要求1所述的一种基于步态特征的隐式身份认证方法，其特征在于，步骤(2-1)所述线性插值方法是：选择当前采样点相邻的第v-1个和第v+1个采样点，对应的采样时间分别为tv-1、tv+1，对应的数值分别为
Figure FDA00035959544500000417
根据线性插值公式计算当前采样点对应的新值
Figure FDA00035959544500000418
其中
Figure FDA00035959544500000419
表示插值后当前采样点对应的采样时间，
Figure FDA00035959544500000420
线性插值后的步态子序列表示为
Figure FDA0003595954450000051
是维度为1×Li的矢量，线性插值后的步态序列表示为
Figure FDA0003595954450000052
是维度为12×Li的矩阵。
3.如权利要求2所述的一种基于步态特征的隐式身份认证方法，其特征在于：步骤(2-3)中，所述的确定步态周期分割点集合
Figure FDA0003595954450000053
是通过基于模板的步态周期分割算法完成，包括确定待选的步态模板集合、选择最优模板、确定步态周期分割点集合；
确定待选的步态模板集合
Figure FDA0003595954450000054
计算步态子序列
Figure FDA0003595954450000055
中第j个采样点的最大显著性向量长度
Figure FDA0003595954450000056
最大显著性向量是指从当前采样点开始连续递增的序列；判断最大显著性向量长度
Figure FDA0003595954450000057
是否满足大于等于阈值lthresh，且与第j+1个采样点的最大显著性向量长度
Figure FDA0003595954450000058
的差值也大于等于阈值lthresh，即判断条件为
Figure FDA0003595954450000059
且
Figure FDA00035959544500000510
满足判断条件的采样点j作为步态模板的起始点，记为步态子序列
Figure FDA00035959544500000511
的第k个步态模板起始点
Figure FDA00035959544500000512
则步态子序列
Figure FDA00035959544500000513
的第k个步态模板
Figure FDA00035959544500000514
其中
Figure FDA00035959544500000515
表示子序列
Figure FDA00035959544500000516
第k+1个步态模板的起始点；由此构建待选的步态模板集合
Figure FDA00035959544500000517
Figure FDA00035959544500000518
Ki表示第i个用户的步态子序列得到的待选步态模板总数；
选择最优模板Tempi：计算步态子序列
Figure FDA00035959544500000519
的平均标准差
Figure FDA00035959544500000520
其中std(·)为计算平均标准差的函数，计算集合
Figure FDA00035959544500000521
中Ki个待选模板tempi,k的平均标准差
Figure FDA00035959544500000522
Figure FDA00035959544500000523
第k个待选模板的平均标准差
Figure FDA00035959544500000524
和步态子序列的平均标准差
Figure FDA00035959544500000525
两者差值的平方可以表示为
Figure FDA00035959544500000526
选择最小的Bi,k表示为
Figure FDA00035959544500000527
其对应待选步态模板
Figure FDA00035959544500000528
即为最优模板Tempi；
确定步态周期分割点集合
Figure FDA00035959544500000529
以步态子序列
Figure FDA00035959544500000530
的每个采样点j为起点截取与模板Tempi相同长度的信号片段
Figure FDA00035959544500000531
计算与模板的互相关
Figure FDA00035959544500000532
其中·表示矢量的点乘操作，sum(·)表示求和操作，由此构建互相关信号
Figure FDA00035959544500000533
Ri,h是维度为1×Li的矢量；互相关信号幅值的大小表示原始信号片段与模板的相似程度，找到互相关信号Ri,h的波峰出现在第jpeak个采样点，则获得步态周期分割点集合
Figure FDA00035959544500000534
的第o个步态周期分割点ui,o＝jpeak，对应的集合表示为
Figure FDA00035959544500000535
Oi表示确定的步态周期分割点总数；
所述的分割步态序列
Figure FDA0003595954450000061
将步态子序列
Figure FDA0003595954450000062
确定的步态周期分割点集合
Figure FDA0003595954450000063
用于分割步态序列
Figure FDA0003595954450000064
集合
Figure FDA0003595954450000065
中Oi个步态周期分割点将步态序列
Figure FDA0003595954450000066
分割为Oi+1个步态数据样本，
Figure FDA0003595954450000067
Figure FDA0003595954450000068
为步态序列
Figure FDA0003595954450000069
分割得到的第n个步态数据样本，
Figure FDA00035959544500000610
是维度为12×(ui,n-ui,n-1)的矩阵；分割对应的步态数据样本标签
Figure FDA00035959544500000611
其中
Figure FDA00035959544500000612
是第n个步态数据样本
Figure FDA00035959544500000613
对应的标签，存在关系
Figure FDA00035959544500000614
Figure FDA00035959544500000615
是维度为1×(ui,n-ui,n-1)的矢量；每个步态序列
Figure FDA00035959544500000616
分割得到Oi+1个步态数据样本，由此构建步态数据集
Figure FDA00035959544500000617
计算步态数据集
Figure FDA00035959544500000618
的样本总数
Figure FDA00035959544500000619
4.如权利要求3所述的一种基于步态特征的隐式身份认证方法，其特征在于，步骤(2-4)具体是：
获取低频的粗近似信号
Figure FDA00035959544500000620
使用凯泽窗族FIR低通滤波器获得低频信号，设置滤波器的低频截止频率fLP，窗长MLP，窗形状控制参数βLP；
获取高频的细近似信号
Figure FDA00035959544500000621
使用凯泽窗族FIR高通滤波器获得高频信号，设置滤波器的高频截止频率fHP，窗长MHP，窗形状控制参数βHP；
组合原始步态数据样本
Figure FDA00035959544500000622
低频信号
Figure FDA00035959544500000623
和高频信号
Figure FDA00035959544500000624
获得新的步态数据样本
Figure FDA00035959544500000625
Figure FDA00035959544500000626
是维度为36×Li的矩阵，步态数据样本
Figure FDA00035959544500000627
对应的标签与原始步态数据样本
Figure FDA00035959544500000628
相同，其标签为
Figure FDA00035959544500000629
新生成的步态数据集
Figure FDA00035959544500000630
包含的样本数与原步态数据集
Figure FDA00035959544500000631
相同，即新步态数据集
Figure FDA00035959544500000632
对应的标签集
Figure FDA00035959544500000633
CN202210391900.8A 2022-04-14 2022-04-14 一种基于步态特征的隐式身份认证方法 Active CN114840834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210391900.8A CN114840834B (zh) 2022-04-14 2022-04-14 一种基于步态特征的隐式身份认证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210391900.8A CN114840834B (zh) 2022-04-14 2022-04-14 一种基于步态特征的隐式身份认证方法

Publications (2)

Publication Number Publication Date
CN114840834A true CN114840834A (zh) 2022-08-02
CN114840834B CN114840834B (zh) 2024-06-11

Family

ID=82566202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210391900.8A Active CN114840834B (zh) 2022-04-14 2022-04-14 一种基于步态特征的隐式身份认证方法

Country Status (1)

Country Link
CN (1) CN114840834B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305226A (zh) * 2022-08-25 2023-06-23 北京华宜信科技有限公司 一种用于数据隔离的动态隐形黑箱方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105335725A (zh) * 2015-11-05 2016-02-17 天津理工大学 一种基于特征融合的步态识别身份认证方法
US20180078179A1 (en) * 2014-09-25 2018-03-22 Bae Systems Information And Electronic Systems Integration Inc. Gait authentication system and method thereof
CN110097029A (zh) * 2019-05-14 2019-08-06 西安电子科技大学 基于Highway网络多视角步态识别的身份认证方法
CN110276189A (zh) * 2019-06-27 2019-09-24 电子科技大学 一种基于步态信息的用户身份认证方法
CN110555463A (zh) * 2019-08-05 2019-12-10 西北工业大学 一种基于步态特征的身份识别方法
CN112560002A (zh) * 2021-02-24 2021-03-26 北京邮电大学 基于步态行为的身份认证方法、装置、设备及存储介质
CN112966248A (zh) * 2021-03-23 2021-06-15 西安电子科技大学 非受控步行场景下移动设备的持续身份认证方法
WO2021115066A1 (zh) * 2019-12-10 2021-06-17 中国科学院深圳先进技术研究院 基于惯性传感器的步态特征提取和步态识别方法
CN113065468A (zh) * 2021-04-02 2021-07-02 西安电子科技大学 基于用户坐标系与gru网络的步态认证方法
CN113609977A (zh) * 2021-08-04 2021-11-05 燕山大学 基于信道状态信息商距离的行人步态识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180078179A1 (en) * 2014-09-25 2018-03-22 Bae Systems Information And Electronic Systems Integration Inc. Gait authentication system and method thereof
CN105335725A (zh) * 2015-11-05 2016-02-17 天津理工大学 一种基于特征融合的步态识别身份认证方法
CN110097029A (zh) * 2019-05-14 2019-08-06 西安电子科技大学 基于Highway网络多视角步态识别的身份认证方法
CN110276189A (zh) * 2019-06-27 2019-09-24 电子科技大学 一种基于步态信息的用户身份认证方法
CN110555463A (zh) * 2019-08-05 2019-12-10 西北工业大学 一种基于步态特征的身份识别方法
WO2021115066A1 (zh) * 2019-12-10 2021-06-17 中国科学院深圳先进技术研究院 基于惯性传感器的步态特征提取和步态识别方法
CN112560002A (zh) * 2021-02-24 2021-03-26 北京邮电大学 基于步态行为的身份认证方法、装置、设备及存储介质
CN112966248A (zh) * 2021-03-23 2021-06-15 西安电子科技大学 非受控步行场景下移动设备的持续身份认证方法
CN113065468A (zh) * 2021-04-02 2021-07-02 西安电子科技大学 基于用户坐标系与gru网络的步态认证方法
CN113609977A (zh) * 2021-08-04 2021-11-05 燕山大学 基于信道状态信息商距离的行人步态识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIN ZENG 等: "Gait-Based implicit authentication using edge computing and deep learning for mobile devices", INTERNET OF THINGS, vol. 21, no. 3, 5 July 2021 (2021-07-05), pages 1 - 23 *
兰贞: "智能终端的隐式身份认证方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 02, 15 February 2023 (2023-02-15), pages 138 - 299 *
王鸽 等: "一种基于无源射频技术的用户步态识别及认证方法", 电子科技, vol. 33, no. 06, 15 June 2020 (2020-06-15), pages 1 - 7 *
袁延鑫 等: "基于卷积神经网络和微动特征的人体步态识别技术", 信号处理, vol. 34, no. 05, 25 May 2018 (2018-05-25), pages 602 - 609 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305226A (zh) * 2022-08-25 2023-06-23 北京华宜信科技有限公司 一种用于数据隔离的动态隐形黑箱方法
CN116305226B (zh) * 2022-08-25 2023-11-07 北京华宜信科技有限公司 一种用于数据隔离的动态隐形黑箱方法

Also Published As

Publication number Publication date
CN114840834B (zh) 2024-06-11

Similar Documents

Publication Publication Date Title
CN107169504B (zh) 一种基于扩展非线性核残差网络的手写字符识别方法
CN109447099B (zh) 一种基于pca降维的多分类器融合方法
Zhu et al. Fingergan: a constrained fingerprint generation scheme for latent fingerprint enhancement
CN115204238B (zh) 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备
CN104361339B (zh) 掌形图形提取及识别方法
CN114840834B (zh) 一种基于步态特征的隐式身份认证方法
CN100365645C (zh) 基于眉毛识别的身份鉴别方法
Alpar Biometric keystroke barcoding: A next-gen authentication framework
CN113742669B (zh) 一种基于孪生网络的用户认证方法
CN113673465B (zh) 图像检测方法、装置、设备及可读存储介质
CN111737688B (zh) 基于用户画像的攻击防御系统
CN106650685B (zh) 一种基于心电图信号的身份识别方法及装置
CN110290101B (zh) 智能电网环境中基于深度信任网络的关联攻击行为识别方法
CN116861217A (zh) 用于移动终端的身份识别方法及系统
CN110298159B (zh) 一种智能手机动态手势身份认证方法
CN111310546B (zh) 在线笔迹认证中一种书写节奏特征的提取及认证方法
Okawa Online signature verification using single-template matching through locally and globally weighted dynamic time warping
Ertam et al. Pattern lock screen detection method based on lightweight deep feature extraction
Ciaramella et al. Continuous and silent user authentication through mouse dynamics and explainable deep learning
Jeong et al. Effect of Smaller Fingerprint Sensors on the Security of Fingerprint Authentication
Adedeji et al. Comparative Analysis of Feature Selection Techniques For Fingerprint Recognition Based on Artificial Bee Colony and Teaching Learning Based Optimization
CN118349985B (zh) 一种基于对比学习和多模态生物特征的身份识别方法
CN111709312A (zh) 一种基于联合主模式的局部特征人脸识别方法
Soltane et al. State of the Art: Signature Biometrics Verification
CN112765579B (zh) 一种用户身份识别方法、装置、设备和存储介质

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