CN117421605B - 一种基于区块链技术的步态识别方法及系统 - Google Patents

一种基于区块链技术的步态识别方法及系统 Download PDF

Info

Publication number
CN117421605B
CN117421605B CN202311410102.6A CN202311410102A CN117421605B CN 117421605 B CN117421605 B CN 117421605B CN 202311410102 A CN202311410102 A CN 202311410102A CN 117421605 B CN117421605 B CN 117421605B
Authority
CN
China
Prior art keywords
gait
data
feature vector
blockchain
user
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
Application number
CN202311410102.6A
Other languages
English (en)
Other versions
CN117421605A (zh
Inventor
谢宇航
王哲
郭瑞
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.)
Shaoxing Qingyan Micro Technology Co ltd
Original Assignee
Shaoxing Qingyan Micro Technology Co ltd
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 Shaoxing Qingyan Micro Technology Co ltd filed Critical Shaoxing Qingyan Micro Technology Co ltd
Priority to CN202311410102.6A priority Critical patent/CN117421605B/zh
Publication of CN117421605A publication Critical patent/CN117421605A/zh
Application granted granted Critical
Publication of CN117421605B publication Critical patent/CN117421605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F21/60—Protecting data
    • G06F21/604—Tools and structures for managing or administering access control systems
    • 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
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/12—Applying verification of the received information
    • H04L63/123—Applying verification of the received information received data contents, e.g. message integrity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3218—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using proof of knowledge, e.g. Fiat-Shamir, GQ, Schnorr, ornon-interactive zero-knowledge proofs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/40—Network security protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Bioethics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (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区块链技术的步态识别方法及系统，方法包括：采集不同用户的步态数据；将步态数据转化为数字化的特征向量；将特征向量存储在分布式的区块链节点中；基于机器学习算法，对存储在区块链中的特征向量进行训练和分类，以识别不同用户的步态模式；针对待识别的目标用户，识别目标用户的步态模式，将用户当前的步态特征向量与已存储的同一步态模式下所有用户的特征向量进行对比，进行步态识别并对用户身份认证；在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。利用本发明实施例，能够通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。

Description

一种基于区块链技术的步态识别方法及系统
技术领域
本发明属于步态识别技术领域，特别是一种基于区块链技术的步态识别方法及系统。
背景技术
步态识别是一种通过分析个体的行走姿势和步态特征来进行身份验证或者行为识别的技术。每个人的步态都是独特且难以伪造的，因此利用步态进行身份验证可以提供高度的安全性和可靠性。步态识别技术已经广泛应用于各个领域，如安全门禁系统、移动支付、犯罪调查等。
现有的步态识别技术主要基于传感器技术、计算机视觉技术和机器学习技术。传感器技术利用身体传感器(如加速度计、陀螺仪等)来采集步态数据。计算机视觉技术通过摄像头捕捉和分析个体的步态图像。机器学习技术则通过训练模型来识别和分类不同的步态特征。
然而，现有的步态识别技术存在一些缺点和问题。首先，传感器技术需要在个体身上安装传感器设备，给用户带来了不便。而计算机视觉技术则需要依赖于摄像头，并且可能受到光线、角度和遮挡等因素的限制。其次，现有的方法对数据的处理和分析大多集中在本地或云服务器上，存在数据隐私泄露的风险。此外，传统的步态识别方法通常缺乏对数据的全面保护和溯源能力，使得数据的完整性和可信度无法得到有效的保障。另外，现有的步态识别技术对于多人环境下的步态识别和身份验证仍存在一定的困难。
发明内容
本发明的目的是提供一种基于区块链技术的步态识别方法及系统，以解决现有技术中的不足，能够通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。
本申请的一个实施例提供了一种基于区块链技术的步态识别方法，所述方法包括：
采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
将采集到的步态数据转化为数字化的特征向量；
将数字化的特征向量存储在分布式的区块链节点中；
基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
可选的，所述将采集到的步态数据转化为数字化的特征向量，包括：
对采集到的步态数据进行预处理；
对预处理后的所述步态数据进行自适应特征选择，以减少数据的维度；
根据特征选择的结果，选择代表性和相关性最大的特征子集，构建数字化的特征向量。
可选的，所述将数字化的特征向量存储在分布式的区块链节点中，包括：
采用侧链或链下存储作为一个分布式数据库，将特征向量存储在所述数据库中；
在主区块链中存储特征向量的哈希值和指针，其中，所述哈希值用于验证特征向量的完整性，所述指针指向存储在侧链或链下存储中的实际特征向量数据；
通过智能合约实现对特征向量数据的访问权限控制，并利用共识算法确保主区块链、侧链或链下存储之间的数据同步。
可选的，所述基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式，包括：
从区块链节点获取存储的特征向量数据，并按照用户进行分类和标记；
对特征向量进行特征工程处理，以去除不相关或冗余的特征；
根据步态识别的需求和特征向量的属性，选择对应的机器学习算法，利用已标记的特征向量数据进行步态识别模型的训练，并对不同用户的步态模式进行识别；
将训练得到的模型部署到区块链中，并定期对模型进行更新和迭代。
可选的，所述针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证，包括：
利用所述步态识别模型，识别目标用户的步态模式；
查找区块链中存储的与目标用户同一步态模式的所有用户；
对目标用户当前的步态特征向量与查找到的用户的特征向量之间的相似度进行计算；
通过比对计算得到的相似度值，判断用户当前的步态特征向量是否与已查找的特征向量匹配；
如果计算得到的相似度值超过预设阈值，则判定用户的步态特征向量与已查找的特征向量匹配，根据身份认证策略进行身份认证；否则，拒绝身份认证；其中，根据步态识别的应用场景，设计相应的身份认证策略；对于要求持续身份认证的场景，持续比对用户的每个时间段的步态特征向量与已存储的特征向量，以确保持续的身份认证。
可选的，所述在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，包括：
在区块链中创建一个智能合约或数据结构，用于记录识别结果和身份认证信息；
根据用户的步态数据和身份认证信息，生成与该数据相关的零知识证明信息；其中，其他节点或验证者能够验证用户的步态数据的零知识证明；
在区块链上为每一次识别结果和身份认证信息生成唯一的标识符，并将所述标识符与用户的特征向量和零知识证明进行关联。
本申请的又一实施例提供了一种基于区块链技术的步态识别系统，所述系统包括：
采集模块，用于采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
转化模块，用于将采集到的步态数据转化为数字化的特征向量；
存储模块，用于将数字化的特征向量存储在分布式的区块链节点中；
训练模块，用于基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
识别模块，用于针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
记录模块，用于在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
本申请的又一实施例提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项中所述的方法。
本申请的又一实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项中所述的方法。
与现有技术相比，本发明提供的一种基于区块链技术的步态识别方法，通过采集不同用户的步态数据，将采集到的步态数据转化为数字化的特征向量；将数字化的特征向量存储在分布式的区块链节点中；基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，从而实现通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。
附图说明
图1为本发明实施例提供的一种基于区块链技术的步态识别方法的流程示意图；
图2为本发明实施例提供的一种基于区块链技术的步态识别系统的结构示意图；
图3为本发明实施例提供的一种基于区块链技术的步态识别方法的计算机终端的硬件结构框图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
目前的步态识别和身份验证方法存在信息泄漏和身份伪造的风险，缺乏足够的安全性和可靠性。现有技术中的中心化身份验证系统容易受到攻击和窃取，无法确保个体隐私的保护和数据的完整性。因此，需要开发一种新的方法，结合区块链技术，以提高步态识别和身份验证的隐私保护和可靠性。该方法可以被应用于各种场景，如安全门禁系统、移动支付和健康监测等领域，为用户提供更安全、便捷的身份验证体验。
参见图1，本发明的实施例提供了一种基于区块链技术的步态识别方法，所述方法可以包括如下步骤：
S101，采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
其中，机械特征包括：例如步长(stridelength)、步幅(stepsize)以及行走速度(walkingspeed)等等，动力学特征包括：步态周期(gaitcycle)、步态对称性(gaitsymmetry)和步态稳定性(gaitstability)等，生理特征包括：心率(heartrate)、血氧饱和度(oxygensaturation)和呼吸频率(respirationrate)等等。
具体的，可以融合传感器数据和视频图像数据采集不同用户的步态数据，包括：
部署传感器设备和摄像机设备：同时部署传感器设备(如加速度计、陀螺仪)和摄像机设备，以同时采集传感器数据和视频图像数据。
用户身份验证：在用户进行步态数据采集之前，进行用户身份验证，确保传感器数据和视频图像数据与特定用户相对应。
数据采集过程：要求用户按照指定步骤进行行走、跑步或其他活动，以便传感器设备记录用户的步态数据，同时摄像机设备捕捉到用户的步态数据。
传感器数据处理：通过分析传感器设备的读数，获取机械特征、动力学特征和生理特征等传感器数据的步态特征。
视频图像数据处理：通过视频图像检测技术，分析捕获到的视频帧，提取机械特征、动力学特征和生理特征等视频图像数据的步态特征。
融合步态特征：将传感器数据的步态特征和视频图像数据的步态特征进行融合，以得到更全面和准确的步态数据。
S102，将采集到的步态数据转化为数字化的特征向量；
具体的，可以对采集到的步态数据进行预处理；对预处理后的所述步态数据进行自适应特征选择，以减少数据的维度；根据特征选择的结果，选择代表性和相关性最大的特征子集，构建数字化的特征向量。
传统的步态识别方法通常采集步行过程中的加速度和陀螺仪等传感器数据，并对原始数据进行处理和分析。然而，这种方法可能会导致数据维度过高、特征提取困难等问题。
针对这一问题，本发明采用自适应特征选择的方法来转化步态数据为数字化的特征向量。具体步骤可以如下：
1)、对采集到的数据进行预处理，包括滤波、降噪等，以提高数据质量；2)、使用自适应特征选择算法，如相关系数、信息增益或LASSO(LeastAbsoluteShrinkageandSelectionOperator，最小绝对收缩和选择算法)等，对数据进行特征选择，从而减少数据的维度；3)、根据特征选择的结果，选择最具代表性和相关性的特征子集，构建数字化的特征向量。
其中，自适应特征选择算法的设计在于根据步态数据的不同特点和对步态识别的要求，自动选择最适合的特征子集。这样可以降低数据维度，减少计算和存储开销，并保留足够的信息以实现准确的步态识别。
综上所述，通过使用自适应特征选择算法的方式，能够将采集到的步态数据转化为数字化的特征向量，并能够提高步态识别的精确度和效率。
在另一种实现方式中，为了对采集到的步态数据进行转化为数字化的特征向量，提供一种具体实现方式如下：
数据预处理：首先，对采集到的步态数据进行预处理，包括去除噪声、平滑处理和数据归一化等操作。这些预处理操作可以使得步态数据更加准确和可靠。
特征提取和选择：接下来，通过使用特征工程技术从步态数据中提取相关特征。例如，可以通过计算步态周期、步长、步频、加速度、角速度等参数来获得机械特征和动力学特征，并结合心率、呼吸率等生理特征。同时，采用特征选择算法，如相关系数、信息增益等，筛选出对步态模式识别有较大影响的特征。
特征编码：将提取和选择出的特征编码为特征向量。可以使用数字编码、独热编码等方法，将不同特征的取值映射为数字表示，从而将步态数据转化为数字化的特征向量。
特征标准化：为了进一步提高特征向量的可比性和模型训练的效果，可以对特征向量进行标准化处理，将其缩放到相同的范围内，例如使用均值方差标准化或最大最小值标准化等方法，使得特征向量的各个维度具有同等重要性。
数据存储：将转化后的数字化特征向量存储在一个数据结构中，以便后续处理和使用。可以考虑将特征向量与用户的身份信息和时间戳等相关信息进行关联存储，以确保数据的安全和可追溯性。
通过上述具体实现方式，采集到的步态数据可以转化为数字化的特征向量，方便后续的步态模式识别和身份认证。
S103，将数字化的特征向量存储在分布式的区块链节点中；
具体的，可以采用侧链或链下存储作为一个分布式数据库，将特征向量存储在所述数据库中；在主区块链中存储特征向量的哈希值和指针，其中，所述哈希值用于验证特征向量的完整性，所述指针指向存储在侧链或链下存储中的实际特征向量数据；通过智能合约实现对特征向量数据的访问权限控制，并利用共识算法确保主区块链、侧链或链下存储之间的数据同步。
为了优化本步骤的实现方式，可以引入一种新的区块链技术，如侧链(sidechain)或链下存储(off-chainstorage)，以提高存储特征向量的效率和可扩展性。具体实现方式可以如下：
1)、侧链或链下存储：采用侧链或链下存储作为一个分布式数据库，将特征向量存储在该数据库中而非主区块链上。这种方式可以减少主区块链的负担，提高效率和扩展性，并保持数据的去中心化和安全性。
2)、数据哈希和指针：在主区块链中，存储特征向量的哈希值和指针，而不是完整的特征向量数据。哈希值可用于验证特征向量的完整性，指针指向存储在侧链或链下存储中的实际数据。这样可以节省主区块链的存储空间，并提高访问和验证的效率。
3)、访问权限控制：通过智能合约实现对特征向量数据的访问权限控制。只有具有适当权限的身份验证用户或节点才能通过主区块链访问特征向量的哈希值和指针，以便在需要时查询和获取实际的特征向量数据。
4)、数据同步和一致性：确保主区块链、侧链或链下存储之间的数据同步和一致性。使用合适的共识算法和数据同步协议，以确保特征向量的更新和变化在各个数据存储中得到正确记录和维护。
通过引入侧链或链下存储技术，可以提高存储特征向量的效率和可扩展性，并保持数据的去中心化和安全性。
S104，基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
具体的，可以从区块链节点获取存储的特征向量数据，并按照用户进行分类和标记；
首先，通过智能合约或其他区块链查询机制来访问存储在区块链节点中的特征向量数据。该数据通常是以哈希值和指针的形式存储在主区块链中。然后，根据特征向量所属的用户标识，对数据进行分类和标记。这可以通过解析区块链中存储的用户标识或者利用智能合约的状态变量来实现。
对特征向量进行特征工程处理，以去除不相关或冗余的特征；
进行特征工程处理是为了提取和选择对步态识别有用的特征。首先，采用数据预处理技术，例如数据清洗、标准化等，来准备特征向量数据。接下来，可以使用特征选择方法，比如基于统计学的方法、相关性分析或者模型选择，以减少维度和去除不相关或冗余的特征。这可以帮助提高模型的准确性、降低过拟合的风险并加快训练过程。
根据步态识别的需求和特征向量的属性，选择对应的机器学习算法，利用已标记的特征向量数据进行步态识别模型的训练，并对不同用户的步态模式进行识别；
根据步态识别的具体要求和特征向量的属性，选择适用的机器学习算法用于训练步态识别模型。常见的算法包括支持向量机(SVM)、决策树、随机森林等。使用已标记的特征向量数据作为训练集，利用选择的算法对模型进行训练。在训练过程中，可以使用交叉验证技术和网格搜索来优化模型的参数选择，以提高模型的性能。训练完成后，该模型可以用于对不同用户的步态模式进行识别。
将训练得到的模型部署到区块链中，并定期对模型进行更新和迭代。
将训练好的步态识别模型部署到区块链中的智能合约中或者设置为区块链的一部分。该模型可以作为一个可调用的服务，提供对步态特征向量的识别和身份认证功能。在模型部署后，应定期对模型进行更新和迭代。这可以通过周期性地重新训练模型来达到，使用最新收集到的特征向量数据和更先进的训练算法。更新后的模型可以通过智能合约的升级机制或者链上治理流程进行部署，以保持步态识别的准确性和适应性。
通过以上实现方式，基于机器学习算法的步态识别方法可以在区块链中进行训练、存储、分类和应用，实现对不同用户的步态模式的准确识别和身份认证。这种结合利用区块链和机器学习的方法可以提供更安全、可信和可验证的步态识别系统。
S105，针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
具体的，可以利用所述步态识别模型，识别目标用户的步态模式；
利用训练好的步态识别模型，将目标用户当前的步态特征向量输入模型中进行预测和识别。模型会根据输入的特征向量计算得出一个步态模式的标签或概率，用于表示目标用户当前的步态模式。
查找区块链中存储的与目标用户同一步态模式的所有用户；
通过区块链中存储的特征向量数据，首先找到与目标用户步态模式相同的特征向量集合。这可以通过智能合约或者区块链查询机制来实现，遍历区块链中的特征向量数据并筛选出与目标用户步态模式匹配的数据。
对目标用户当前的步态特征向量与查找到的用户的特征向量之间的相似度进行计算；
通过计算目标用户当前的步态特征向量与查找到的用户的特征向量之间的相似度来确定它们之间的匹配程度。相似度计算可以使用各种距离或相似度度量方法，如欧氏距离、余弦相似度等。这将用作判断是否与已查找出的特征向量匹配的依据。
通过比对计算得到的相似度值，判断用户当前的步态特征向量是否与已查找的特征向量匹配；
如果计算得到的相似度值超过预设阈值，则判定用户的步态特征向量与已查找的特征向量匹配，根据身份认证策略进行身份认证；否则，拒绝身份认证；其中，根据步态识别的应用场景，设计相应的身份认证策略；对于要求持续身份认证的场景，持续比对用户的每个时间段的步态特征向量与已存储的特征向量，以确保持续的身份认证。
将计算得到的相似度值与预设阈值进行比较。如果相似度值超过预设阈值，则判定用户的步态特征向量与已查找的特征向量匹配，可以根据身份认证策略进行身份认证。如果计算得到的相似度值未达到阈值，则拒绝身份认证。
根据具体的应用场景，设计合适的身份认证策略。例如，可以要求用户在一定时间间隔内进行持续身份认证，保证用户的身份一致性。这可能需要进一步定义阈值范围和身份认证的时间间隔。
为确保持续的身份认证，在要求持续认证的场景中，需要对用户每个时间段的步态特征向量与已存储的特征向量进行比对。这将确保用户的步态特征在不同时间点上的一致性，以保持持续的身份认证。
S106，在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
具体的，可以在区块链中创建一个智能合约或数据结构，用于记录识别结果和身份认证信息；
可以使用智能合约编程语言(如Solidity)在区块链平台上创建一个合约。在合约中定义结构体，包括识别结果、身份认证信息和相关的用户步态数据。使用合约的函数来记录识别结果和身份认证信息，并将其储存在合约中定义的数据结构中。
根据用户的步态数据和身份认证信息，生成与该数据相关的零知识证明信息；其中，其他节点或验证者能够验证用户的步态数据的零知识证明；
可以使用零知识证明(Zero-KnowledgeProof)技术来证明用户的步态数据和身份认证信息，同时不泄露具体的数据。
首先，针对用户的步态数据和身份认证信息，定义一个准确的零知识证明的语言描述。使用该语言描述，通过相关密码学库(如zk-SNARKs)生成和验证零知识证明。零知识证明的生成和验证过程需要确保证明的正确性、完整性和保密性。其他节点或验证者可以获取用户的步态数据和相关的零知识证明，可以使用公开的验证算法(在智能合约中定义的)来验证零知识证明的有效性和正确性。其中，验证算法要确保对步态数据的零知识证明的验证在使用合约和公开函数的环境下进行。
在区块链上为每一次识别结果和身份认证信息生成唯一的标识符，并将所述标识符与用户的特征向量和零知识证明进行关联。
可以使用哈希算法(如SHA-256)对相关数据进行哈希运算，生成标识符，将生成的标识符与用户的特征向量和零知识证明进行关联。根据合约中定义的数据结构，将标识符以及特征向量和零知识证明的相关信息写入智能合约中，确保数据的一致性和可靠性。
可见，通过采集不同用户的步态数据，将采集到的步态数据转化为数字化的特征向量；将数字化的特征向量存储在分布式的区块链节点中；基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，从而实现通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。
本发明的又一实施例提供了一种基于区块链技术的步态识别系统，参见图2，所述系统可以包括：
采集模块201，用于采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
转化模块202，用于将采集到的步态数据转化为数字化的特征向量；
存储模块203，用于将数字化的特征向量存储在分布式的区块链节点中；
训练模块204，用于基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
识别模块205，用于针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
记录模块206，用于在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
可见，通过采集不同用户的步态数据，将采集到的步态数据转化为数字化的特征向量；将数字化的特征向量存储在分布式的区块链节点中；基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，从而实现通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。
下面以运行在计算机终端上为例对其进行详细说明。图3为本发明实施例提供的一种基于区块链技术的步态识别方法的计算机终端的硬件结构框图。如图3所示，计算机终端可以包括一个或多个(图3中仅示出一个)处理器302(处理器302可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器304，可选地，上述计算机终端还可以包括用于通信功能的传输装置306以及输入输出设备308。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。
存储器304可用于存储应用软件的软件程序以及模块，如本申请实施例中的基于区块链技术的步态识别方法对应的程序指令/模块，处理器302通过运行存储在存储器304内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器304可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器304可进一步包括相对于处理器302远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置306用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输装置306包括一个网络适配器(NetworkInterfaceController，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置306可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本发明实施例还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
具体的，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S101，采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
S102，将采集到的步态数据转化为数字化的特征向量；
S103，将数字化的特征向量存储在分布式的区块链节点中；
S104，基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
S105，针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
S106，在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
具体的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-OnlyMemory，简称为ROM)、随机存取存储器(RandomAccess Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
可见，通过采集不同用户的步态数据，将采集到的步态数据转化为数字化的特征向量；将数字化的特征向量存储在分布式的区块链节点中；基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，从而实现通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。
本发明实施例还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
具体的，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
具体的，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S101，采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
S102，将采集到的步态数据转化为数字化的特征向量；
S103，将数字化的特征向量存储在分布式的区块链节点中；
S104，基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
S105，针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
S106，在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
具体的，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
可见，通过采集不同用户的步态数据，将采集到的步态数据转化为数字化的特征向量；将数字化的特征向量存储在分布式的区块链节点中；基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，从而实现通过区块链和机器学习技术保护个体的步态数据隐私，提高步态识别和身份验证的准确性和可靠性。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (9)

1.一种基于区块链技术的步态识别方法，其特征在于，所述方法包括：
采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
将采集到的步态数据转化为数字化的特征向量；
将数字化的特征向量存储在分布式的区块链节点中；所述将数字化的特征向量存储在分布式的区块链节点中，包括：
采用侧链或链下存储作为一个分布式数据库，将特征向量存储在所述数据库中；
在主区块链中存储特征向量的哈希值和指针，其中，所述哈希值用于验证特征向量的完整性，所述指针指向存储在侧链或链下存储中的实际特征向量数据；
通过智能合约实现对特征向量数据的访问权限控制，并利用共识算法确保主区块链、侧链或链下存储之间的数据同步；
基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
2.根据权利要求1所述的方法，其特征在于，所述将采集到的步态数据转化为数字化的特征向量，包括：
对采集到的步态数据进行预处理；
对预处理后的所述步态数据进行自适应特征选择，以减少数据的维度；
根据特征选择的结果，选择代表性和相关性最大的特征子集，构建数字化的特征向量。
3.根据权利要求2所述的方法，其特征在于，所述基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式，包括：
从区块链节点获取存储的特征向量数据，并按照用户进行分类和标记；
对特征向量进行特征工程处理，以去除不相关或冗余的特征；
根据步态识别的需求和特征向量的属性，选择对应的机器学习算法，利用已标记的特征向量数据进行步态识别模型的训练，并对不同用户的步态模式进行识别；
将训练得到的模型部署到区块链中，并定期对模型进行更新和迭代。
4.根据权利要求3所述的方法，其特征在于，所述针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证，包括：
利用所述步态识别模型，识别目标用户的步态模式；
查找区块链中存储的与目标用户同一步态模式的所有用户；
对目标用户当前的步态特征向量与查找到的用户的特征向量之间的相似度进行计算；
通过比对计算得到的相似度值，判断用户当前的步态特征向量是否与已查找的特征向量匹配；
如果计算得到的相似度值超过预设阈值，则判定用户的步态特征向量与已查找的特征向量匹配，根据身份认证策略进行身份认证；否则，拒绝身份认证；其中，根据步态识别的应用场景，设计相应的身份认证策略；对于要求持续身份认证的场景，持续比对用户的每个时间段的步态特征向量与已存储的特征向量，以确保持续的身份认证。
5.根据权利要求4所述的方法，其特征在于，所述在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明，包括：
在区块链中创建一个智能合约或数据结构，用于记录识别结果和身份认证信息；
根据用户的步态数据和身份认证信息，生成与该数据相关的零知识证明信息；其中，其他节点或验证者能够验证用户的步态数据的零知识证明；
在区块链上为每一次识别结果和身份认证信息生成唯一的标识符，并将所述标识符与用户的特征向量和零知识证明进行关联。
6.一种基于区块链技术的步态识别系统，其特征在于，所述系统包括：
采集模块，用于采集不同用户的步态数据，所述步态数据包括：机械特征、动力学特征和生理特征；
转化模块，用于将采集到的步态数据转化为数字化的特征向量；
存储模块，用于将数字化的特征向量存储在分布式的区块链节点中；所述将数字化的特征向量存储在分布式的区块链节点中，包括：
采用侧链或链下存储作为一个分布式数据库，将特征向量存储在所述数据库中；
在主区块链中存储特征向量的哈希值和指针，其中，所述哈希值用于验证特征向量的完整性，所述指针指向存储在侧链或链下存储中的实际特征向量数据；
通过智能合约实现对特征向量数据的访问权限控制，并利用共识算法确保主区块链、侧链或链下存储之间的数据同步；
训练模块，用于基于机器学习算法，对存储在区块链节点中的特征向量进行训练和分类，以识别不同用户的步态模式；
识别模块，用于针对待识别的目标用户，识别目标用户的步态模式，并将目标用户当前的步态特征向量与已存储的同一步态模式下所有用户的步态特征向量进行对比，进行步态识别并对用户进行身份认证；
记录模块，用于在区块链中记录识别结果和身份认证信息，并在区块链上生成和验证用户步态数据的零知识证明。
7.根据权利要求6所述的系统，其特征在于，所述转化模块，具体用于：
对采集到的步态数据进行预处理；
对预处理后的所述步态数据进行自适应特征选择，以减少数据的维度；
根据特征选择的结果，选择代表性和相关性最大的特征子集，构建数字化的特征向量。
8.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1-5中任一项所述的方法。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1-5中任一项所述的方法。
CN202311410102.6A 2023-10-27 2023-10-27 一种基于区块链技术的步态识别方法及系统 Active CN117421605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311410102.6A CN117421605B (zh) 2023-10-27 2023-10-27 一种基于区块链技术的步态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311410102.6A CN117421605B (zh) 2023-10-27 2023-10-27 一种基于区块链技术的步态识别方法及系统

Publications (2)

Publication Number Publication Date
CN117421605A CN117421605A (zh) 2024-01-19
CN117421605B true CN117421605B (zh) 2024-04-30

Family

ID=89529838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311410102.6A Active CN117421605B (zh) 2023-10-27 2023-10-27 一种基于区块链技术的步态识别方法及系统

Country Status (1)

Country Link
CN (1) CN117421605B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630364A (zh) * 2009-08-20 2010-01-20 天津大学 基于融合特征的步态信息处理与身份识别方法
CN103377366A (zh) * 2012-04-26 2013-10-30 哈尔滨工业大学深圳研究生院 一种步态识别方法和系统
WO2017215504A1 (zh) * 2016-06-12 2017-12-21 杨鹏 一种基于生物信息的身份识别与社会信息记录方法及系统
CN108932504A (zh) * 2018-07-24 2018-12-04 中国科学院深圳先进技术研究院 身份认证方法、装置、电子设备及存储介质
CN110169774A (zh) * 2019-05-28 2019-08-27 深圳正指向科技有限公司 一种基于区块链的运动状态识别系统及方法
CN110442740A (zh) * 2019-07-17 2019-11-12 深圳市科迈爱康科技有限公司 一种身份认证方法及系统
WO2020088110A1 (zh) * 2018-10-31 2020-05-07 阿里巴巴集团控股有限公司 一种基于区块链的节点管理方法和装置
CN111460336A (zh) * 2020-02-28 2020-07-28 山东爱城市网信息技术有限公司 基于区块链的个人信息展示及校验方法及设备、介质
CN111611882A (zh) * 2020-04-30 2020-09-01 深圳壹账通智能科技有限公司 基于步态的进度提示方法、装置及计算机可读存储介质
CN111737675A (zh) * 2020-08-14 2020-10-02 支付宝(杭州)信息技术有限公司 一种基于区块链的电子签名方法及装置
CN111737346A (zh) * 2020-05-29 2020-10-02 山东浪潮质量链科技有限公司 一种基于区块链的无人酒店管理方法及设备、介质
CN113678125A (zh) * 2019-04-03 2021-11-19 钥匙链有限责任公司 用于身份验证的生物特征数字签名生成
CN113679380A (zh) * 2021-08-31 2021-11-23 西安交通大学医学院第二附属医院 步态监测方法、装置、设备及存储介质
WO2022001778A1 (zh) * 2020-06-30 2022-01-06 京东科技信息技术有限公司 健康信息的上链方法和装置、存储介质、电子装置
KR20220101576A (ko) * 2021-01-11 2022-07-19 충남대학교산학협력단 프라이버시 보호가 가능한 블록체인 기반의 영지식 검증 방법
EP4209944A1 (en) * 2022-01-10 2023-07-12 Nokia Technologies Oy A user authentication based on a blockchain

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102292683B1 (ko) * 2014-09-12 2021-08-23 삼성전자주식회사 보행 환경 인식 방법 및 장치
US10231651B2 (en) * 2014-09-25 2019-03-19 Bae Systems Information And Electronic Systems Integration Inc. Gait authentication system and method thereof
US11980790B2 (en) * 2020-05-06 2024-05-14 Agile Human Performance, Inc. Automated gait evaluation for retraining of running form using machine learning and digital video data
US20230083893A1 (en) * 2021-01-13 2023-03-16 Mack Craft Virtual repository with media identification and matching
US20220414087A1 (en) * 2021-06-23 2022-12-29 Vesto LLC Method and system for generating digital identity information on blockchain
US20230281606A1 (en) * 2022-03-01 2023-09-07 Artema Labs, Inc Partitioned Address Spaces in Blockchain Wallets

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630364A (zh) * 2009-08-20 2010-01-20 天津大学 基于融合特征的步态信息处理与身份识别方法
CN103377366A (zh) * 2012-04-26 2013-10-30 哈尔滨工业大学深圳研究生院 一种步态识别方法和系统
WO2017215504A1 (zh) * 2016-06-12 2017-12-21 杨鹏 一种基于生物信息的身份识别与社会信息记录方法及系统
CN108932504A (zh) * 2018-07-24 2018-12-04 中国科学院深圳先进技术研究院 身份认证方法、装置、电子设备及存储介质
WO2020088110A1 (zh) * 2018-10-31 2020-05-07 阿里巴巴集团控股有限公司 一种基于区块链的节点管理方法和装置
CN113678125A (zh) * 2019-04-03 2021-11-19 钥匙链有限责任公司 用于身份验证的生物特征数字签名生成
CN110169774A (zh) * 2019-05-28 2019-08-27 深圳正指向科技有限公司 一种基于区块链的运动状态识别系统及方法
CN110442740A (zh) * 2019-07-17 2019-11-12 深圳市科迈爱康科技有限公司 一种身份认证方法及系统
CN111460336A (zh) * 2020-02-28 2020-07-28 山东爱城市网信息技术有限公司 基于区块链的个人信息展示及校验方法及设备、介质
CN111611882A (zh) * 2020-04-30 2020-09-01 深圳壹账通智能科技有限公司 基于步态的进度提示方法、装置及计算机可读存储介质
CN111737346A (zh) * 2020-05-29 2020-10-02 山东浪潮质量链科技有限公司 一种基于区块链的无人酒店管理方法及设备、介质
WO2022001778A1 (zh) * 2020-06-30 2022-01-06 京东科技信息技术有限公司 健康信息的上链方法和装置、存储介质、电子装置
CN111737675A (zh) * 2020-08-14 2020-10-02 支付宝(杭州)信息技术有限公司 一种基于区块链的电子签名方法及装置
KR20220101576A (ko) * 2021-01-11 2022-07-19 충남대학교산학협력단 프라이버시 보호가 가능한 블록체인 기반의 영지식 검증 방법
CN113679380A (zh) * 2021-08-31 2021-11-23 西安交通大学医学院第二附属医院 步态监测方法、装置、设备及存储介质
EP4209944A1 (en) * 2022-01-10 2023-07-12 Nokia Technologies Oy A user authentication based on a blockchain

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Review of gait recognition approaches and their challenges on view changes;Worapan Kusakunniran 等;IET Biometrics;20200924;第9卷(第6期);238-250 *
面向人机交互的智能无线感知关键技术研究;张荣辉;中国博士学位论文全文数据库 (信息科技辑);20220615(第（2022）06期);I136-34 *

Also Published As

Publication number Publication date
CN117421605A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
KR20180042802A (ko) 정의된 영역 내의 객체를 추적하기 위한 방법 및 시스템
CN108171138B (zh) 一种生物特征信息获取方法和装置
Chen Smart security system for suspicious activity detection in volatile areas
CN110276189B (zh) 一种基于步态信息的用户身份认证方法
CN111177469A (zh) 人脸检索方法及人脸检索装置
Zhang et al. Unsupervised learning-based framework for deepfake video detection
KR20200083119A (ko) 사용자 인증 장치 및 방법
CN116704441A (zh) 社区人员的异常行为检测方法、装置及相关设备
CN115087973A (zh) 用于区分开运动传感器数据中记录的特定于用户、动作和设备的特征的系统和方法
KR101601187B1 (ko) 손금 기반 사용자 인식 정보를 이용한 기기 컨트롤 장치 및 그 방법
CN111259700B (zh) 用于生成步态识别模型的方法和装置
KR102091088B1 (ko) Ip 카메라를 이용한 얼굴 영상 획득 방법 및 장치
Chandrasekhar et al. A noval method for cloud security and privacy using homomorphic encryption based on facial key templates
CN112883356B (zh) 一种身份认证方法、装置及设备
Alsellami et al. The recent trends in biometric traits authentication based on internet of things (IoT)
CN111476198B (zh) 基于人工智能的步态识别方法、装置、系统、存储介质和服务器
CN117421605B (zh) 一种基于区块链技术的步态识别方法及系统
CN110175516B (zh) 生物特征模型生成方法、装置、服务器及存储介质
Sadhya et al. Construction of a Bayesian decision theory‐based secure multimodal fusion framework for soft biometric traits
KR102596462B1 (ko) 멀티 모달 센서를 이용한 심박수 측정이 가능한 출입 통제 인증 시스템 및 방법
CN108537213A (zh) 增强虹膜识别精度的系统和方法
CN112418078B (zh) 分数调制方法、人脸识别方法、装置及介质
CN113132106B (zh) 用户身份识别系统
US10867022B2 (en) Method and apparatus for providing authentication using voice and facial data
CN111144240B (zh) 图像处理方法及相关设备

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