一种基于手部结构振动响应特征的生物识别方法、装置、设备及介质与流程

1.本发明属于隐私保护及信息安全领域，具体涉及一种基于手部结构振动响应特征的生物识别方法、装置、设备及介质，用在移动智能终端对用户进行连续身份认证，以判断该用户的身份合法性。


背景技术：

2.用户认证是物联网安全系统中广泛使用的基本模块之一。它根据用户名、密码或生物特征识别一个人，有助于在访问应用程序、系统或网络时保护隐私数据。目前的移动设备主要在登录阶段对用户进行认证。一旦认证成功，就可以在整个登录阶段访问系统，即使当前用户在使用阶段暂时离开。然而，这种一次性认证方案可能会在用户缺席期间将个人隐私暴露给对手，从而导致严重的安全问题，如机密文件的非法拷贝和敏感信息的窥视。根据统计数据，2019年近41％的数据泄露事件直接或间接源于对移动终端的非法入侵，涉及健康、财富等个人信息。
3.为了抵御这种影响极大的安全威胁，研究者提出了连续认证概念，旨在追踪整个操作过程中用户的身份合法性。当合法用户暂时离开系统时，它可以防止对手的非法访问。在操作期间身份验证失败的情况下，例如合法用户离开或出现未注册用户，访问权限将被阻止或隐私敏感信息将被自动地隐藏。实现这一目标最简单的途径是定期询问用户密码，验证指纹或面部特征，但这会分散用户的操作注意力，从而带来不友好的用户体验。为了缓解隐私安全及用户友好性之间的不兼容，研究者提出了基于用户行为特征的连续认证机制，例如使用智能手机时的触碰行为，说话过程中嘴巴区域的运动模式，浏览信息时眼球的运动轨迹等。尽管它们可以实现非侵入式的连续身份认证，但是基于行为的认证机制被证明在模仿攻击下易被攻破。而且，用户行为在不同时间段具有大概率的不一致性，这会导致拒绝合法用户的比例很高。最近有一些新兴方法采用了生理结构识别技术，例如说话时引起的振动特征，心跳模式等。但是，它们需要额外的传感器或复杂的环境配置。到目前为止，已有的连续身份验证方案离安全，用户友好和高效的目标还有很长的一段路要走。


技术实现要素：

4.本发明提供一种基于手部结构振动响应特征的生物识别方法、装置、设备及介质，可以实现安全和高效的连续用户身份认证。
5.为实现上述技术目的，本发明采用如下技术方案：
6.一种基于手部结构振动响应特征的生物识别方法，包括以下步骤：
7.步骤1，周期性地采集终端屏幕上的振动数据，并进行数据预处理，得到每个屏幕触摸事件对应的振动序列，记为待识别振动序列；
8.步骤2，根据待识别振动序列与终端屏幕上各区域质心振动序列之间的动态时间规整距离，判断屏幕触摸事件所在的终端屏幕区域；根据待识别振动序列的持续时间和总
振动幅值，确定屏幕触摸事件对应的屏幕敲击力度；在所有的已注册振动序列中，筛选出与该步骤3确定的终端屏幕区域和屏幕敲击力度一致的已注册振动序列，并从数据库获取其对应的细粒度特征向量；
9.步骤3，根据待识别振动序列与筛选出的已注册振动序列之间在频率域上的振幅差分布，计算稳定频段的振幅差阈值；然后将待识别振动序列中振幅超出振幅差阈值的频段数据剔除；
10.步骤4，对无关频段剔除后的待识别振动序列，提取其细粒度特征向量；根据细粒度特征向量，计算待识别振动序列与筛选出的已注册振动序列之间的相似度；
11.步骤5，如果计算得到的相似度大于预设的相似度阈值，则判断当前用户为合法用户，否则为非法用户。
12.在更优的技术方案中，步骤1利用终端内置的三轴加速度传感器采集振动数据，采集频率在400到500hz之间。
13.在更优的技术方案中，数据预处理包括：
14.首先，将采集到的振动数据分解为三轴分量，并计算振动数据各轴分量的振幅方差，将振幅方差最大的轴确定为主轴；
15.然后，利用高通滤波器将振动数据中的噪声信号滤除；
16.最后，采用基于能量阈值的滑动窗口方法，根据噪声滤除后的振动数据主轴分量，将噪声滤除后的振动数据分割为分别与触摸事件对应的若干振动序列。
17.在更优的技术方案中，步骤3无关频段剔除具体为：
18.将待识别振动序列在预设频率段内的各频率振幅进行归一化处理，得到待识别振动序列的归一化振幅分布e
a
；将已注册振动序列在预设频率段内的各频率振幅进行归一化处理，得到已注册振动序列的归一化振幅分布e
r
；求e
a
与e
r
之间的振幅差e
set
；
19.根据振幅差e
set
计算振幅差阈值thr＝u 1.65
×
δ；其中u和δ分别为e
set
的均值和标准差；
20.判断每个频率的振幅差是否小于振幅差阈值，若小于则该频率为稳定频率，否则为非稳定频率；
21.将待识别振动序列中非稳定频率的数据，从待识别振动序列中删掉，得到无关频段剔除后的待识别振动序列。
22.在更优的技术方案中，终端屏幕上各区域质心振动序列的获得方法为：在用户注册时，将终端屏幕划分为若干区域；针对每个区域，均录入该注册用户若干次屏幕触摸事件对应的振动序列，并计算该区域所有振动序列的平均值，作为该区域质心的振动序列；
23.判断屏幕触摸事件所在的终端屏幕区域具体为：将计算得到的所有动态时间规整距离进行比较，其中最小值对应的区域即为当前屏幕触摸事件所在的终端屏幕区域。
24.在更优的技术方案中，屏幕敲击力度与振动序列的持续时间和总振动幅值之间的关系为：f
s
＝w1·
a
t
w2·
d
t
；其中，f
s
为屏幕敲击力度，a
t
和d
t
为分别振动序列的总振动幅值和持续时间；w1和w2分别为总振动幅值和持续时间的权重，使用随机梯度下降方法，根据多个已知的f
s
,a
t
,d
t
真实样本数据确定得到。
25.在更优的技术方案中，步骤4提取的细粒度特征向量，其细粒度特征的预先确定方法为：提取振动序列的时域特征：均值、方差、最大差、标准差、偏度、峰度、形状因子、波峰因
子；提取振动序列的频域特征：梅尔倒谱系数及响应的一阶导数和二阶导数；采用拉普拉斯度量来衡量所有特征的重要性，保留重要性排名靠前的预设数量个特征，作为待提取的细粒度特征；所有提取的细粒度特征构成细粒度特征向量。
26.一种基于手部结构振动响应特征的生物识别装置，包括：
27.数据采集与预处理模块，用于：周期性地采集终端屏幕上的振动数据，并进行数据预处理，得到每个屏幕触摸事件对应的振动序列，记为待识别振动序列；
28.初步认证模块，用于：根据待识别振动序列与注册的用户振动序列之间在频率域上的振幅差分布，进行用户初步认证；若初步认证通过，则继续下一步认证，否则判断当前用户为非法用户；
29.已注册振动序列筛选模块，用于：根据待识别振动序列与终端屏幕上各区域质心振动序列之间的动态时间规整距离，判断屏幕触摸事件所在的终端屏幕区域；根据待识别振动序列的持续时间和总振动幅值，确定屏幕触摸事件对应的屏幕敲击力度；在所有的已注册振动序列中，筛选出与本模块确定的终端屏幕区域和屏幕敲击力度一致的已注册振动序列，并从数据库获取其对应的细粒度特征向量；
30.相似度计算模块，用于：提取待识别振动序列的细粒度特征向量；根据细粒度特征向量，计算待识别振动序列与每个筛选出的已注册振动序列之间的相似度；
31.合法用户认证模块，用于：将相似度计算模块得到的所有相似度均与预设的相似度阈值比较，如果任一个相似度大于预设的相似度阈值，则判断当前用户为合法用户，否则为非法用户。
32.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的方法。
33.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项技术方案所述的方法。
34.有益效果
35.本发明采用隐藏的手部振动响应特征，它由用户触摸屏幕时的外力被动激活，实现了安全和高效的连续用户身份认证。本发明具有以下优势：
36.安全。每只手都有一个复杂而独特的物理结构，因此，由于手触摸终端屏幕构成的屏幕触摸事件，其产生的振动响应具有非线性和隐蔽性的，它对每个用户都是独一无二的，很难伪造。
37.用户友好性。本发明无需佩戴任何额外的传感器或执行繁琐的主动式身份验证操作，连续认证过程在后台运行，无需用户的额外操作。
38.效率高。用于数据收集的内置加速度传感器不会带来额外的配置，因为在智能终端中，它总是默认处于开启状态。此外，每个屏幕触摸事件产生的振动序列的数据量基本上小于250个样本点，数据处理的资源消耗较低。
附图说明
39.图1：本发明常见的使用场景示意图；
40.图2：系统结构图；
41.图3：本发明实施例三轴加速度传感器数据采集展示图；
42.图4：用户不同活动类型的噪声频率分布图；
43.图5：敲击终端屏幕不同区域得到的振动响应dtw距离；
44.图6：不同敲击力度的振动响应的分布图；
45.图7：自动点击器；
46.图8：真实敲击力度及预测值关系图；
47.图9：不同手势下振动响应的频率分布图；
48.图10：不同用户振动响应的细粒度；
49.图11：不同用户状态下的系统性能；
50.图12：不同手势下的系统性能；
51.图13：不同认证次数下的系统性能；
52.图14：不同注册数据量下的系统性能。
具体实施方式
53.下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
54.实施例1
55.本实施例提供一种基于手部结构振动响应特征的生物识别方法，其典型使用场景如图1所示，用户用一只手握住智能终端，通过在触摸屏上滑动或敲击来激发振动响应特征，并由内置加速度计完成数据的实时捕获。在用户使用移动终端时，内置加速度传感器在后台实时捕获振动数据，每秒钟采集的样本点数在400到500之间。通过分析用户运动带来的噪声频段，使用高通滤波器完成噪声过滤。根据加速度传感器从x,y及z轴中确定主轴，并依据能量突变原理分割出单次屏幕触摸事件的振动响应数据。为了实现待认证数据与注册数据的快速匹配并高效地计算样本间的相似度，需要先确定每个振动响应的敲击区域和力度。然后系统提取所有注册数据的统计特征和梅尔倒谱系数来表征用户信息。最后，利用注册数据构建单分类及二分类认证模型。在用户注册阶段需从用户手部振动响应原始数据中提取特征并存入数据库，在用户认证阶段需将待认证振动响应特征与数据库中的特征进行相似性对比。当被比较的样本相似度大于阈值时则认证成功，否则认证失败。
56.具体的，本实施例基于手部结构振动响应特征的生物识别方法，如图2所示，包括以下步骤：
57.步骤1，利用终端内置的三轴加速度传感器周期性地采集终端屏幕上的振动数据，并进行数据预处理，得到每个屏幕触摸事件对应的振动序列，记为待识别振动序列；本实施例中设置采集频率在400到500hz之间。
58.数据预处理包括：
59.首先，将采集到的振动数据分解为三轴分量，并计算振动数据各轴分量的振幅方差，将振幅方差最大的轴确定为主轴：
60.三轴加速度传感器采集振动数据，分别为x轴、y轴和z轴。如图3所示，根据智能终端旋转角度将振动响应分解为三个分量。此时z轴的振动分量最大，信噪比最高，表示为主轴。与其他两个轴相比，主轴的振动数据在屏幕交互期间振幅波动较大，更适合于屏幕触摸事件检测和数据分割。为了确定主轴，本实施例在时域数据中计算所有轴的振幅方差。由于
方差表示各轴数据的振幅波动，其中主轴的方差最大。
61.然后，利用高通滤波器将振动数据中的噪声信号滤除：
62.在使用智能手机时，用户因走路等行为引起的身体振动会带来额外的噪声。不过，这些干扰数据的频率很低。图4为用户手持智能手机而不敲击屏幕时，日常行为产生的振动数据的频率分布，它们可以通过截止频率为20hz的高通滤波器过滤掉。
63.最后，采用基于能量阈值的滑动窗口方法，根据噪声滤除后的振动数据主轴分量，将噪声滤除后的振动数据分割为分别与触摸事件对应的若干振动序列：
64.在进一步的数据处理之前，必须对屏幕上手指触摸引起的振动数据进行分割。系统采用基于能量阈值的滑动窗口方法从主轴确定每个触摸事件对应的边界点。如图3所示，屏幕触摸事件引起的振动数据用黄色阴影标记，敲击时的振幅比非接触周期大。本实施例设置窗口大小为200个样本点，滑动步长为50个样本点。本实施例检测触摸事件是基于以下两个条件:首个样本点的绝对振幅和窗口内振动数据的总振幅分别比预设值0.11和20.5大。本实施例设定总振幅阈值是为了避免硬件缺陷导致的个别样本幅度异常引起触摸事件误判。最后，将三个轴的振动数据相加进行下一步的数据处理。值得注意的是，振动响应检测的阈值取决于用户的注册数据，取振动数据在非敲击和敲击时段的平均值。
65.步骤2，根据待识别振动序列与终端屏幕上各区域质心振动序列之间的动态时间规整距离，判断屏幕触摸事件所在的终端屏幕区域；根据待识别振动序列的持续时间和总振动幅值，确定屏幕触摸事件对应的屏幕敲击力度；在所有的已注册振动序列中，筛选出与该步骤3确定的终端屏幕区域和屏幕敲击力度一致的已注册振动序列，并从数据库获取其对应的细粒度特征向量。
66.(1)确定屏幕触摸事件所在的终端屏幕区域。
67.为了实现准确的数据匹配，可以先确定触摸位置、触摸力度及手势无关的数据频带，然后提取独特的特征表征用户信息。
68.在排除其他干扰因素的情况下，用户在智能手机屏幕上敲击三个子区域，每个子区域敲击10次。我们将默认的子区域数量设置为9，如图5所示。任意两个振动响应数据之间的动态时间规整(dtw)距离，距离小意味着样本间具有一致的包络线和高度的相似性。同一区域振动响应的相似度高于不同区域的相似度。由于同一子区域内振动数据的一致性，因此只需要判断敲击区域，而不需要判断具体敲击的位置。推断敲击区域的基本思想是：若两个样本的dtw距离最小则它们属于同一子区域的概率最大。
69.由于质心数据可以代表同一区域的数据特点，因此只需要计算待识别振动序列与各区域注册数据质心之间的dtw，即可用于判断屏幕触摸事件所在的终端屏幕区域。而不是计算待识别振动序列所区域所有录入的注册振动序列之间的dtw，从而降低算法的处理时间。其中，各区域注册振动序列的质心由下面公式计算得到：
[0070][0071]
其中，c
k
为第k个子区域的质心振动序列，t
s
为注册阶段第k子区域采集的振动响应数据的样本数量，u
ki
为第k子区域的第i个屏幕触摸事件对应的振动序列。由于原始的每个屏幕触摸事件的持续时间不同，在质心计算前，可以采用线性插值使每个参与计算的振动序列的数据长度相等。
[0072]
在认证阶段，即可直接计算待识别振动序列与各区域的质心振动序列之间的动态时间规整距离，然后取其中最小值所对应的区域即为当前屏幕触摸事件所在的终端屏幕区域。
[0073]
(2)确定屏幕敲击力度
[0074]
为了展示敲击力度对振动响应的影响，实验随机选择一个用户，让用户分别用小力、中力和强力敲击屏幕，同时控制其他干扰因素。然后，应用t
‑
sne对振动响应数据进行降维处理以实现可视化，它能够使相似的数据聚集在同一子区域内。如图6所示，不同敲击力度的相似度比同一力度的振动响应数据相似度小。因此，本实施例需要确定触发振动响应的力度，即屏幕触摸事件的屏幕敲击力度，以实现准确的数据匹配。
[0075]
由胡可定律及牛顿第二定律可知，每只手的阻尼系数和衰减系数是固定的。响应的持续时间d
t
和总振动幅值a
t
随着屏幕敲击力度f
s
的增大而增大。因此可以通过寻找f
s
、d
t
、a
t
的二元线性关系来估计接触力：
[0076]
f
s
＝w1·
a
t
w2·
d
t
ꢀꢀꢀ
(2)
[0077]
其中w1和w2为权重值，可以使用随机梯度下降来确定w1和w2。w1和w2根据估计力度f
s
和真实力度的差值v
d
交替更新这两个参数。先用随机值初始化w1和w2，然后将其更新为:
[0078]
w
n 1
＝w
n
γ
·
v
dn
ꢀꢀꢀꢀꢀ
(3)
[0079]
其中w
n
表示w1或w2,v
d
表示第n个更新周期参数的值差。这个迭代过程的终止的条件是误差小于0.01。本实施例中的屏幕敲击力度真实值是通过图7中精度为1g的薄膜压力传感器获得的。从每个原始振动响应数据中可以得到总振动幅值和持续时间。实验从10名志愿者中随机抽取振动响应数据，计算其w1和w2的平均值，分别记为和然后从其他5名志愿者中选取8种不同屏幕敲击力度的振动响应数据，通过公式(2)估算出作用力。如图8所示，归一化后的屏幕敲击力度估算值与真实值一致。结果表明，本实施例中所提出的估计力度的参数优化方法是可靠的。获得振动响应数据的敲击位置和力度后，就可以实现认证数据和注册数据的精确匹配。
[0080]
按上述确定得到w1和w2后，即可确定屏幕敲击力度f
s
与振动序列的持续时间d
t
和总振动幅值a
t
之间的二元线性关系。当由步骤1得到待识别振动序列后，即可根据待识别振动序列的持续时间和总振动幅值，确定屏幕触摸事件对应的屏幕敲击力度。
[0081]
(3)筛选已注册振动序列
[0082]
由于用户注册时的屏幕触摸事件，可能发生在终端各个区域，且每个用户注册时的力度也可能不同，为了实现准确的数据匹配，降低识别运算量，因此需要在所有已注册振动序列中，按上述(1)(2)确定的终端屏幕区域和屏幕敲击力度筛选已注册振动序列，并从数据库获取原始存储的该注册振动系列的细粒度特征向量。
[0083]
有关于振动序列的细粒度特征向量，将在步骤4中详细阐述。
[0084]
步骤3，根据待识别振动序列与筛选出的已注册振动序列之间在频率域上的振幅差分布，计算稳定频段的振幅差阈值；然后将待识别振动序列中振幅超出振幅差阈值的频段数据剔除；
[0085]
认证和注册阶段，用户拿智能终端设备的手势并不完全相同。手势的变化主要包括设备与手相对位置的变化，以及任意手指之间的距离变化。这种变化会导致同一用户在敲击位置和力度相似的情况下，得到的振动响应不一致，从而降低合法用户的认证成功率。
但是，虽然用户的手势会有些许变化，但是产生的振动响应在某些频率上仍然是稳定的。如图9所示，实验收集在两种不同的手势下相同用户的振动响应，即手与设备的相对位置化分别为5mm和10mm，振动响应在大部分频带振幅及包络是相似的。因此，只使用稳定频带的振动数据，这样可以有效缓解不同手势导致的振动响应不一致程度。
[0086]
本步骤无关频段数据剔除的方法具体为：
[0087]
首先，将待识别振动序列在预设频率段内的各频率振幅进行归一化处理，以及将注册的用户振动序列在预设频率段内的各频率振幅进行归一化处理，然后求两者各频率的振幅差。
[0088]
本实施例预设频率段为0到250hz，间隔为1hz的所有频率对应的振幅归一化后，可分别表示为：待识别振动序列的归一化振幅e
a
＝{e
a1
,e
a2
,...,e
a250
}和注册振动序列的归一化振幅e
r
＝{e
r1
,e
r2
,...,e
r250
}。e
a
与e
r
对应的幅值差e
set
＝{ed1,ed2,...,ed
250
}。
[0089]
其次，判断每个频率的振幅差是否小于振幅差阈值，若小于则该频率为稳定频率，否则为非稳定频率；
[0090]
本实施例中的振幅差阈值设置为：thr＝u 1.65
×
δ；u和δ分别为e
set
的均值和标准差。在本实施例实验中，将不稳定的频带用黄色标记，如图9所示。
[0091]
最终，统计稳定频率的数量在所有频率数量的占比，若占比大于预设的占比阈值，则当前用户认证成功，否则当前用户为非法用户；
[0092]
为保证系统安全，进行比对的两个振动响应样本，稳定频率的占比应大于90％。否则，直接认证失败。使用少量频带的振动数据进行认证，可提取的特征数量太少，无法有效区分用户。此外，由于用户使用的习惯，手与终端设备的相对距离一般变化小于10mm，手指的位置变化不大，因此手势独立频率的特征可以有效降低势变化的影响。
[0093]
步骤4，提取待识别振动序列的细粒度特征向量；根据细粒度特征向量，计算待识别振动序列与每个筛选出的已注册振动序列之间的相似度。
[0094]
从振动序列中提取细粒度特征来进一步区分用户是提高认证系统性能的关键。本实施例提取的细粒度特征向量，其包括的细粒度特征的预先确定方法为：
[0095]
提取振动序列的时域特征：均值、方差、最大差、标准差、偏度、峰度、形状因子、波峰因子；提取振动序列的频域特征：梅尔倒谱系数及响应的一阶导数和二阶导数；采用拉普拉斯度量来衡量所有特征的重要性，保留重要性排名靠前的预设数量个特征，作为待提取的细粒度特征；所有待提取的细粒度特征构成细粒度特征向量。
[0096]
本实施例为了得到梅尔倒谱系数特征，首先通过快速傅立叶变换将数据变换到频域。然后将频率划分为多个频带，采用梅谱尺度的三角形滤波器组计算每个频带的短期功率。最后，利用离散余弦变换对序列的复对数进行求解。在带通滤波中，不同用户的振动响应数据在频域上存在差异，梅尔倒谱系数可以捕捉到这些差异。具体来说，本实施例将每个振动序列分为100个样本帧，帧移位数为25个样本，从而提取128阶mfccs。然后计算了梅尔倒谱系数的一阶和二阶倒数，从而获得了振动响应的动态特性。
[0097]
为了加快用户认证模型的训练，减轻冗余特征的干扰，本实施例采用拉普拉斯度量来衡量上述提取到8个时域特征和128*3个频域特征的重要性，最终保留了权重前105的特征。
[0098]
在相同的数据采集条件下，随机抽取10名志愿者采集200个振动响应，从每个响应
中提取细粒度特征向量，得到10个志愿者的细粒度特征向量的平均值如图10所示。由此可以看出任意两个用户的特征值分布是不同的，这可以用来有效地区分用户。
[0099]
步骤5，如果步骤4计算得到的相似度大于预设的相似度阈值，则判断当前用户为合法用户，否则为非法用户。
[0100]
本实施例中涉及到的实验，其环境和参数设定如下：
[0101]
handpass的原型在三星galaxy a9 star和华为mate30 pro上实现。handpass使用智能手机内置的加速度传感器来实时捕捉用户的振动响应。我们招募了43名志愿者(15名女性，28名男性)，表示为v1～v
43
，年龄从21岁到46岁，对我们的系统进行评估。振动数据是在3种不同状态下采集的，分别是坐在实验室(静态)、乘坐公共汽车(半移动状态)和行走(移动状态)。默认数据收集的子区域数为12。在每个场景下，志愿者使用习惯的力度(小、中、大)在每个子区域随机敲击20次，进行注册数据收集。总的来说，我们从所有志愿者中收集了30960个振动响应数据来构建我们实验的基础数据集。在本文中，我们以错误误接受率(far)和错误误拒绝率(frr)、f
‑
score、accuracy作为指标来综合衡量handpass的性能。far是对身份验证系统错误地接受非法用户访问的可能性衡量。frr表示身份验证系统错误地拒绝合法用户的可能性。accuracy是样本被正确分类的比率。f
‑
score为上述指标的调和平均值。一个安全有效的用户认证系统应具有较低的far和frr值，而f
‑
score和accuracy值应较高。
[0102]
实验结果显示：
[0103]
1、用户状态对本发明生物识别系统性能的影响。在使用智能手机期间，用户可能处于不同的场景，例如坐在实验室(静态)、乘坐公共汽车(半移动状态)和步行(移动状态)。用户状态决定了给振动响应带来的噪声量。本实验收集所有志愿者在静态场景下的振动数据，构建基于支持向量机的认证模型，然后分别利用三个不同场景的数据对系统性能进行评估。如图11所示，静态场景下得到的结果要优于其他两种场景。特别是，frr(2.2％)远低于其他两种情况(3.1％和5.5％)。结果表明，由于用户在非静态状态下的身体运动产生更多的振动噪声，合法用户被拒绝的概率增大。但需要注意的是，5.5％frr对用户体验的影响很小，用户可以多尝试几次通过验证。
[0104]
2、手势对本发明生物识别系统性能的影响。用户在使用智能手机时有几个习惯性的手握手势，其中最常用的两个手势如图1所示。在本节中，将在两种常见的手握手势下评估系统性能。随机抽取10名志愿者在12个触控子区域进行振动响应数据采集，每名志愿者在两种手势下在每个子区域进行20次触控。50％的合法用户振动响应用于训练基于支持向量机的模型，剩余的50％用于测试。如图12所示，两种不同手势得到的结果是一致的。手势2中frr值高于手势1，这是由单手操作不稳定造成的。总的来说，handpass可以在两种常用的手握手势下实现稳定的性能。
[0105]
3、认证次数对本发明生物识别系统性能的影响。大多数现有系统允许用户连续3到5次认证失败才被锁定。如果合法用户能够以较少的次数通过认证，则系统使用起来更友好。在本节中，使用不同的连续身份验证次数来评估我们系统的frr。如图13所示，frr随着尝试次数的增加而减小。当用户尝试认证4次时，frr的平均值下降到小于1％。这一结果表明，handpass可以实现非常高的准确性，以接受合法用户的多次连续尝试。
[0106]
4、注册数据数量对本发明生物识别系统性能的影响。注册数据的多少直接影响认
证模型的训练和相应的系统性能。当获取更多的注册数据用于模型训练时，认证系统总能获得更高的准确性。如果用户需要在注册阶段投入大量的时间来收集数据，用户体验就会受到影响。认证系统的目标是用最少的数据完成用户注册，同时保证安全性。在本节中，将使用不同数量的注册数据来评估handpass的性能。图14展示了不同敲击次数下的认证准确性。特别是当每个子区域的敲击次数增加到10次时，系统可以达到令人满意的性能(即，3.6％的frr和2.3％的far)。这意味着本发明的生物识别系统可以通过在注册阶段2分钟内收集到的振动响应来确保认证的准确性。
[0107]
实施例2
[0108]
本实施例提供一种基于手部结构振动响应特征的生物识别装置，包括：
[0109]
数据采集与预处理模块，用于：周期性地采集终端屏幕上的振动数据，并进行数据预处理，得到每个屏幕触摸事件对应的振动序列，记为待识别振动序列；
[0110]
初步认证模块，用于：根据待识别振动序列与注册的用户振动序列之间在频率域上的振幅差分布，进行用户初步认证；若初步认证通过，则继续下一步认证，否则判断当前用户为非法用户；
[0111]
已注册振动序列筛选模块，用于：根据待识别振动序列与终端屏幕上各区域质心振动序列之间的动态时间规整距离，判断屏幕触摸事件所在的终端屏幕区域；根据待识别振动序列的持续时间和总振动幅值，确定屏幕触摸事件对应的屏幕敲击力度；在所有的已注册振动序列中，筛选出与本模块确定的终端屏幕区域和屏幕敲击力度一致的已注册振动序列，并从数据库获取其对应的细粒度特征向量；
[0112]
相似度计算模块，用于：提取待识别振动序列的细粒度特征向量；根据细粒度特征向量，计算待识别振动序列与每个筛选出的已注册振动序列之间的相似度；
[0113]
合法用户认证模块，用于：将相似度计算模块得到的所有相似度均与预设的相似度阈值比较，如果任一个相似度大于预设的相似度阈值，则判断当前用户为合法用户，否则为非法用户。
[0114]
本实施例所述生物识别装置的各模块，工作原理与实施例1相同，此处不再重复阐述。
[0115]
实施例3
[0116]
本实施例提供一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现实施例1所述的方法。
[0117]
实施例4
[0118]
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的方法。
[0119]
以上实施例为本技术的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本技术总的构思的前提下，这些变换或改进都应当属于本技术要求保护的范围之内。