一种车辆用户识别方法、系统及计算机存储介质与流程

1.本发明涉及汽车技术领域，特别涉及一种车辆用户识别方法、系统及计算机存储介质。


背景技术：

2.汽车防盗一直是汽车行业的一大难题，很多企业都在寻求方法来解决这个问题。
3.为了让车辆系统区分当前使用钥匙的是合法用户还是非法用户，大多数汽车公司选择给合法用户提供密码。例如，美国的德州仪器公司使用射频技术开发车辆防盗系统，该系统主要是利用射频技术对比钥匙中的密码转发器和点火线圈上识别器的识别码；德国的梅赛德斯-奔驰公司使用红外遥控器作为汽车钥匙，利用红外线遥控器传输的滚动编码作为密码，进入认可系统接收到正确的密码方可打开车门。
4.然而，不法分子已经找到了破解精密锁和报警器的方法。例如，一些不法分子在车主锁车时使用干扰器来干扰钥匙信号，使门锁无法正常关闭，从而打开车门。此外，不法分子也会通过武力威胁的方式从合法用户那里得到钥匙进而偷车，这将给车主造成严重的经济损失。


技术实现要素：

5.本发明实施例提供了一种车辆用户识别方法、系统及计算机存储介质，用以解决现有技术中车辆防盗技术不够完善的问题。
6.一方面，本发明实施例提供了一种车辆用户识别方法，包括：
7.获取车辆用户活动过程中的信道状态信息；
8.提取信道状态信息的特征信息；
9.将特征信息输入分类模型，获得车辆用户的身份信息。
10.另一方面，本发明实施例还提供了一种车辆用户识别系统，包括：
11.信息获取模块，用于获取车辆用户活动过程中的信道状态信息；
12.特征提取模块，用于提取信道状态信息的特征信息；
13.身份识别模块，用于将特征信息输入分类模型，获得车辆用户的身份信息。
14.另一方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。
15.本发明中的一种车辆用户识别方法、系统及计算机存储介质，具有以下优点：
16.可以进行车辆用户身份认证，用于识别当前使用钥匙的人是合法用户还是非法用户，也可以完成合法用户的身份识别，即从多个车辆合法用户中识别出当前用户的身份，并为其推荐个性化方案，比如播放该用户喜欢的音乐，自动调整座椅到该用户惯用的位置，调整车内温度等等。且该系统可以嵌入到现有的汽车系统中，而无需修改汽车硬件，方便用户使用。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明实施例提供的一种车辆用户识别方法的流程图；
19.图2为本发明实施例中不同条件下子载波差异示意图；
20.图3为本发明实施例提供的一种车辆用户识别方法的整体性能示意图；
21.图4为本发明实施例中不同环境对识别准确率的影响示意图；
22.图5为本发明实施例提供的一种车辆用户识别系统的功能模块图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.图1为本发明实施例提供的一种车辆用户识别方法的流程图。本发明实施例提供了一种车辆用户识别方法，包括：
25.s100、获取车辆用户活动过程中的信道状态信息。
26.示例性地，信道状态信息(channel state information，csi)表示通信链路的信道属性，用来描述信号在每条传输路径上的衰弱因子。在车辆上安装相关设备后，能够形成无线通信链路的闭环环境，而用户在该环境中活动时会对信号造成影响，该影响反映了用户的具体行为，例如动作等，而用户的行为又存在唯一性，能够作为识别用户身份的依据，因此通过对csi的收集即可进行车辆用户的身份识别。
27.图2为不同条件下子载波差异示意图。其中的(a)表示不同用户下csi子载波的差异情况，(b)表示用户的不同行为对csi相邻子载波幅值差的影响，(c)表示车辆周边的不同环境对csi相邻子载波幅值差的影响，(d)表示采集csi的设备在车辆中的不同部署情况对csi相邻子载波幅值差的影响。从(a)可以看出不同用户下的csi子载波存在着显著差异，说明可以通过csi来进行用户身份识别。(b)中，不同行为中的相邻子载波幅值差相差不大，因此可以将获取的用户多种行为下的csi组成一个新的数据集，对分类模型进行训练和测试。(c)中，在不同环境获取的相邻子载波幅值差是相似的，因此无论车辆周围环境如何变化，都不会对csi产生大的影响，都可以利用它对用户进行身份验证。(d)中，不同部署方式中相邻子载波幅值差明显不同，证明使用某部署训练的分类模型不能用于测试另一个部署的样本。但是，无线设备可以嵌入到车辆系统中，且部署之后位置将不会改变，因此在实际过程中并不会对csi造成影响。(d)中与部署2(无线设备部署在两个单独的位置)相比，部署1(无线设备部署在同一位置)的相邻子载波幅值差的波动更明显，因此将更容易验证用户。
28.在s100中具体包括：在车辆被远程启动后，获取车辆用户靠近车辆的过程中步态的信道状态信息。当用户使用车钥匙或其他设备对车辆进行远程启动后，车辆即通电开始工作，同时也开始获取信道状态信息。在用户携带车钥匙靠近车辆的过程中，车辆时刻检测
有效距离范围内是否存在车钥匙的信号，并在检测到车钥匙后，开始采集信道状态信息。
29.在本发明实施例中，采用intel 5300网卡和三个天线作为接收端，一个带有天线的智能手机作为发射端，形成获取csi的系统。每个接收天线均与发射天线具有30个子载波，因此该系统具有90个子载波。发射天线以2ms的时间间隔发送数据包，因此接收端每1s都能接收到90个子载波，共计500个数据包。
30.本发明实施例中的csi包括发射信号x(f,t)、接收信号y(f,t)和信道频率响应h(f,t)，其中信道频率响应h(f,t)通过下式确定：
[0031][0032]
s110、提取信道状态信息的特征信息。
[0033]
示例性地，在s110之前，还需要对s100获取的csi进行去噪处理。由于采集过程中发射功率、传输速率等与采集硬件相关的因素经常发生变化，采集到的csi往往会在时域和频域上存在噪声。因此，采集到的csi需要去除噪声，然后再进一步进行特征提取和用户识别。
[0034]
本发明采用离散小波变换去除噪声。首先，将原始的csi分为近似系数和细节系数，这是一个迭代的步骤。然后，利用阈值对系数进行处理，最后利用处理后的系数重构csi。鉴于信号失真、软阈值的有效性和简单性、及symlets小波滤波器的优良性能，本发明采用10阶symlets小波滤波器去噪，在阈值量化阶段采用软阈值进行量化。
[0035]
对csi进行去噪处理后，还包括：确定信道状态信息中相邻子载波之间的幅值差，建立幅值差矩阵；将幅值差矩阵与卷积核进行卷积运算，获得特征信息。
[0036]
具体地，当用户使用车钥匙时，接收端持续收集csi，这些csi即为用户识别阶段的训练数据集。与子载波幅值相比，相邻子载波的幅值差可以用来检测目标的移动，因此按照下面的公式计算出了相邻子载波幅值差，其中，sdi是相邻子载波i 1和子载波i的之间的幅值差，am
i 1
是子载波i 1的幅值，ami是子载波i的幅值：
[0037]
δsdi＝am
i 1-ami[0038]
获得一系列的幅值差δsdi之后，即可建立幅值差矩阵sd＝[δsd1,δsd2,
…
,δsdi,
…
,δsd
89
]。
[0039]
收集m次相同活动的数据计算得到sd，将sd合并形成矩阵d，即：
[0040]
d＝[sd1,sd2,
…
,sdi,
…
,sdm]
[0041]
在特征提取时，用一组卷积核对幅值差矩阵sd进行卷积，去对齐矩阵中的数据结构和提取特征。一组不同大小卷积核与幅值差矩阵sd卷积后，可以捕获到相邻子载波幅值差的局部特征和连续特征，该局部特征和连续特征统称为特征信息。卷积核组r可通过以下公式获得：
[0042][0043]
上述的卷积核组服从正态分布，其范围为0到1。其中的卷积核z∈rw，通过w个数据包的窗口来生成局部特征值。卷积运算可按下式计算，其中d
i:(i w-1)
为矩阵d的串联向量[di,d
i 1
,....,d
i w-1
]，用来表示在矩阵d中选取的滑动窗口矩阵，di表示滑动窗口矩阵中的
一列，i是其在矩阵d中滑动到的位置，mi是位置i处计算的特征值：
[0044]
mi＝cov(z
tdi:(i w-1)
)
[0045]
通过计算所有可能位置的mi来获得特征映射f∈r
n-w 1
，并且特征映射f可以表示为f＝[m1,m2,....,mn]。
[0046]
s120、将特征信息输入分类模型，获得车辆用户的身份信息。
[0047]
示例性地，在s120之前，还包括：建立分类模型；利用训练数据集对分类模型进行训练。准确来说，建立的分类模型和用于实际分类的分类模型并不是同一个模型，建立的分类模型未经训练，其中的参数为初始化状态的参数，而经过训练后，参数已经发生变化。
[0048]
在本发明实施例中，采用基于人工神经网络(artificial neural network，ann)建立的分类模型进行车辆用户的身份合法性认证。ann由输入层、隐含层和输出层组成。在本发明实施例中，输入层的节点数由提取的特征信息的长度决定，而输出层的节点数在车辆用户的身份合法性认证中为2个，即对应车辆用户合法或非法，在合法用户的身份识别中由合法用户的数量决定。即在确定用户为合法用户后，还需要确定合法用户的具体身份，也就是说需要确定当前用户到底是哪一位合法用户，以针对性的提供服务，例如播放当前用户喜欢的音乐、调整座椅至当前用户舒适的状态等。
[0049]
在车辆用户的身份合法性认证中，训练数据集来自于对合法用户和一些非法用户采集得到的csi，而在合法用户的身份识别中，训练数据集来自于所有合法用户。可见，对车辆用户的身份合法性验证中使用的分类模型和对合法用户的身份识别中使用的分类模型是不同的模型，两个分类模型仅仅在结构上相似，但是在具体的节点数量、参数等方面存在差异，而正是这样的差异使分类模型适应身份验证的不同需求。
[0050]
在训练过程中，将提取到的特征信息输入到分类模型中，得到合法或非法用户的标签，以及车辆用户身份的标签。假设输入向量可以表示为ds＝[d1,d2,...d
l
]，输出向量可以表示为ann的输出可由下式计算出，式中，ω
ij
为神经元i与输出神经元j之间的连接权值，xi为输出神经元i，θj为输出神经元j的阈值，f为输出神经元的激活函数：
[0051][0052]
上述分类模型的训练过程大致为：将训练数据集中的训练样本输入分类模型，获得预测结果；确定预测结果与真实结果之间的误差；根据误差建立损失函数；调整分类模型中的参数，使损失函数达到最小。
[0053]
人工神经网络训练的目标是获得一组合适的连接权值以及阈值，使输出的预测结果与真实结果之间的误差最小，并以输出的预测结果与真实结果之间的均方误差作为损失函数，损失函数可根据以下方程得到，其中和uj分别为预测结果和真实结果：
[0054][0055]
为了优化当前的分类模型，需要最小化损失函数，即不断调整连接权值和偏移值、阈值等参数，使输出的预测结果更接近真实结果，从而减少损失误差。分类模型使用误差反向传播算法和随机最速下降法(sgd)进行训练，通过多次迭代求出使损失函数最小的网络参数，当损失函数达到最小时，每个神经元和整个网络的误差也达到最小，网络训练也达到
最佳训练效果。网络的参数θ求解公式如下，其中xi(0≤i≤n)是一组训练数据集，θ是通过连续迭代找到的最小化损失函数的输出值，(xi,θ)是损失函数：
[0056][0057]
完成对分类模型的训练后，还可以利用准备好的测试数据集对分类模型的性能进行测试，以确定训练好的分类模型达到了预期的性能，即分类准确率。对于待识别的csi，还需要进行诸如去噪、建立幅值差矩阵以及特征提取的处理，获得相应的特征信息后输入训练好的分类模型，即可得到识别结果，即车辆用户的身份信息，该身份信息包括当前车辆用户为合法用户还是非法用户，如果是非法用户，则禁止一些车辆相关的操作，例如车辆打火等。如果是合法用户还需要进一步确定用户的身份，并针对性的提供服务。
[0058]
实验说明
[0059]
1、场景设置：在各种室外停车场场景下来评估本发明的系统，比如：(1)将汽车停在不同的位置，设置了两个场景，第一个场景是在用户的汽车附近停放了其他车辆，第二个场景是在用户的汽车附近没有任何车辆停放。
[0060]
2、无线设备设置：本发明使用小米note2手机作为发射端，使用配备微型pc的intel 5300网卡作为接收端，用来收集csi。发射端配备了一个发射天线，接收端配备三个接收天线，设置发射端为每秒500个数据包的发送速率。在本发明的系统中，发射端和接收端共有两种部署方式，一种是发射端和接收端部署在同一位置，可嵌入中央控制台中，另一种是发射端和接收端部署在两个位置，例如一个部署在中控台，另一个部署在空调出风口处。
[0061]
3、参与者设置：本发明招募了20名志愿者(12名男性，8名女性)来参与此次实验，且获得了研究伦理委员会(reb)的批准。在实验中，每个参与者需要在一条直线上反复行走，然后打开车门，坐在驾驶座上。行走过程中要以自然速度行走，无需故意加速或减速。当然，在实验开始之前，参与者已经多次练习过如何自然地完成一系列流程。此外，实验还需要参与者从多个方向走向汽车，每个参与者需要在每个不同的行走方向，和不同的设备部署方式中行走20次。
[0062]
本发明设计几组实验，使用交叉验证来确保训练数据集与测试数据集之间的数据不产生交集。对于非法用户身份认证，需要收集合法用户的csi来构建训练数据集，而非法用户的csi不在训练数据集中，即使用不包含非法用户csi的训练数据集来对当前非法用户的csi进行测试，实验这样设计的目的是为了与实际情况相符。而对于合法用户身份识别而言，需要收集所有合法用户的csi作为训练数据集，因为所有用户都是合法用户，该功能只是为了给车主提供定制的服务。
[0063]
实验结果证明，本发明的系统在用户的身份合法性认证方面的平均tpr(true positive rate，真阳率)和fpr(false positive rate，假阳率)分别为96％和3.7％，准确率超过96.4％。在合法用户的身份识别方面的平均tpr和fpr分别为90％和2％，准确率约为92.8％，如图3所示。此外，实验中还尝试将非法用户的csi添加到训练数据集中，发现添加后，对用户的身份合法性认证的准确率可以达到98％左右。结果表明，如果能够将合法用户和非法用户的数据同时添加到训练数据集中，系统可以获得更高的用户身份合法性认证准确率。当然，这可以通过车辆互联网系统实现，当识别出一个非法用户后，该系统可以向系
统中所有车辆提供非法用户的数据。
[0064]
本发明还设计了实验用以研究不同的设备部署、用户不同的行走路径及周围环境的变化是否对系统有影响，实验结果表明，均没有显著影响。下面是通过实验观察到的结论：
[0065]
a)用户行走路径不会对csi产生影响
[0066]
为了研究用户行走路径对系统性能的影响，收集了用户行走在5条路径上的csi，结果表明，该方法的准确率均可达90％以上，优于现有的wifiu等系统。
[0067]
b)周边环境不会对csi产生影响
[0068]
为了评估周围环境变化对csi的影响，本发明收集了几个月的csi。首先利用一种环境的csi对分类模型进行训练，然后用另一种环境的csi进行测试。结果如图4所示，无论周围环境如何变化，系统性能都没有下降。
[0069]
c)无线设备部署不会对csi产生影响
[0070]
对两种部署模型分别进行了训练和测试，第一次部署时(无线设备部署在同一位置)，准确率可达95％左右。第二次部署时(无线设备部署在两个不同位置)，准确率可达90％左右。结果表明，这两种部署都可以达到90％以上的精度，不同的部署虽然准确率有所变化，但不会大幅度地影响系统的准确性。
[0071]
本发明实施例还提供了一种车辆用户识别系统，如图5所示，该系统包括：
[0072]
信息获取模块500，用于获取车辆用户活动过程中的信道状态信息；
[0073]
特征提取模块510，用于提取信道状态信息的特征信息；
[0074]
身份识别模块520，用于将特征信息输入分类模型，获得车辆用户的身份信息。
[0075]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有多条计算机指令，多条计算机指令用于使计算机执行上述的方法。
[0076]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0077]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。