一种基于步态特征的隐式身份认证方法

技术特征：
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s
i
＝[acc
i
,gyr
i
,mag
i
,ori
i
]
t
，i＝1,2,
…
,n，acc
i
为加速计信号、gyr
i
为陀螺仪信号、mag
i
为磁力计信号、ori
i
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,
…
,s
n
}；其中：第i个用户的加速度计信号其中是维度为1
×
l
i
的矢量，acc
i
是维度为l
i
×
3的矩阵，l
i
由用户的采集时长d
i
和采样频率f
s
确定，l
i
＝d
i
×
f
s
，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gyr
i
＝[(gyr
ix
)
t
,(gyr
iy
)
t
,(gyr
iz
)
t
]，其中gyr
ix
、gyr
iy
、gyr
iz
是维度为1
×
l
i
的矢量，gyr
i
是维度为l
i
×
3的矩阵；第i个用户的磁力计信号其中是维度为1
×
l
i
的矢量，mag
i
是维度为l
i
×
3的矩阵；第i个用户的方向计信号其中是维度为1
×
l
i
的矢量，ori
i
是维度为l
i
×
3的矩阵；由此，s
i
是维度为12
×
l
i
的矩阵；为第i个用户的步态序列s
i
打上用户身份标签tag
i,user
和活动场景标签tag
i,scene
，第i个用户的步态序列标签t
i
＝(tag
i,user
,tag
i,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,
…
,t
n
}；步骤(2)步态序列s
i
视为由12个长度为l
i
的子序列s
i,h
构成，其中s
i,h
表示第i个用户步态序列s
i
中的第h个子序列，是维度为1
×
l
i
的矢量，h＝1,2,
…
,12；子序列表示为序列表示为表示子序列s
i,h
的第v个采样点数值，v＝1,2,
…
,l
i
；对每个子序列s
i,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s
i,h
中第v个采样点的采样时间t
v
，与第v-1个采样点的采样时间t
v-1
的时间间隔δt＝t
v-t
v-1
是否满足如果则表示采样不均匀，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的平滑去噪，设置滤波器的截止频率f
c
，窗长m，窗形状控制参数β，得到平滑去噪后的步态序列其步态子序列(2-3)步态周期分割：确定步态周期分割点集合由此分割步态序列
(2-4)将每个步态数据样本分解为低频的粗近似信号和高频的细近似信号和高频的细近似信号步骤(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，其中包含个卷积层、个长短时记忆层和个全连接层，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w
scene
和偏置参数b
scene
，初始化迭代轮次e
scene
＝0，设置初始学习率η
scene
，训练样本批大小bs
scene
，最大迭代轮次e
scene
；(4-2)数据分批：按照设置的样本批大小bs
scene
将数据集均匀分成p
scene
个批次，每个批次的步态数据子集表示为其对应的标签集为(4-3)数据输入：随机选取某一批次的步态数据子集送入步骤(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(4-4)参数更新：根据该批次数据的真实标签和预测标签集计算损失函数值loss
scene
，并根据损失函数值loss
scene
更新模型参数；(4-5)单轮训练：当第e
scene
轮次的p
scene
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loss
scene
在连续e
s
′
cene
轮内的减小幅度均小于σ
scene
，其中e
s
′
cene
为判断分类模型是否收敛的最小收敛轮数，σ
scene
为判断loss
scene
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e
scene
＜e
scene
，则e
scene
＝e
scene
1，继续迭代，返回步骤(4-2)；若e
scene
＝e
scene
，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和最佳偏置参数步骤(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，其中包含个卷积层、个长短时记忆层和个全连接层，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分割为步行数据子集上楼数据子集下楼数据子集作为对应活动场景的训练集，其样本总数分别为a
walk
、a
up
、a
down
，满足a
walk
a
up
a
down
＝q,q为步态数据集的样本总数；(6-2)参数初始化：随机初始化学习网络的权值参数w
user
和偏置参数b
user
，初始化迭代
轮次e
user
＝0，设置初始学习率η
user
，训练样本批大小bs
user
，最大迭代轮次e
user
；(6-3)数据分批：按照设置的样本批大小bs
user
将对应活动场景的数据子集均匀分成p
user
个批次，每个批次的步态数据子集表示为其对应的标签集为(6-4)数据输入：随机选取某一批次的步态数据子集送入步骤(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(6-5)参数更新：根据该批次数据的真实标签和预测标签集计算损失函数值loss
user
，并根据损失函数值loss
user
更新模型参数；(6-6)单轮训练：当第e
user
轮次的p
user
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loss
user
在连续e
u
′
ser
轮内的减小幅度均小于σ
user
，其中e
u
′
ser
为判断分类模型是否收敛的最小收敛轮数，σ
user
为判断loss
user
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e
user
＜e
user
，则e
user
＝e
user
1，继续迭代，返回步骤(6-3)；若e
user
＝e
user
，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和最佳偏置参数步骤(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tag
user
和活动场景标签tag
scene
，则步态序列s对应的标签为t＝(tag
user
,tag
scene
)；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其中c为分割得到的步态样本数，分割后步态样本c＝1,2,
…
,c的标签与原步态序列s的标签相同，则的标签为t＝(tag
user
,tag
scene
)，执行过程同步骤(2-1)～(2-3)；将分割后的步态样本分解为低频的粗近似信号和高频的细近似信号其中c＝1,2,
…
,c，组合原始信号低频信号和高频信号得到用于认证用户身份的步态样本组合后的步态样本的标签与原步态样本的标签相同，则的标签t＝(tag
user
,tag
scene
)，执行过程同步骤(2-4)；将步态样本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tag
user
；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t
v-1
、t
v 1
，对应的数值分别为根据线性插值公式计算当前采样点对应的新值其中表示插值后当前采样点对应的采样时间，线性插值后的步态子序列表示为是维度为1
×
l
i
的矢量，线性插值后的步态序列表示为是维度为12
×
l
i
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计算步态子序列中第j个采样点的最大显著性向量长度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是否满足大于等于阈值l
thresh
，且与第j 1个采样点的最大显著性向量长度的差值也大于等于阈值l
thresh
，即判断条件为且满足判断条件的采样点j作为步态模板的起始点，记为步态子序列的第k个步态模板起始点则步态子序列的第k个步态模板其中表示子序列第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k
i
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temp
i
：计算步态子序列的平均标准差其中std(
·
)为计算平均标准差的函数，计算集合中k
i
个待选模板temp
i,k
的平均标准差的平均标准差第k个待选模板的平均标准差和步态子序列的平均标准差两者差值的平方可以表示为选择最小的b
i,k
表示为其对应待选步态模板即为最优模板temp
i
；确定步态周期分割点集合以步态子序列的每个采样点j为起点截取与模板temp
i
相同长度的信号片段计算与模板的互相关其中
·
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r
i,h
是维度为1
×
l
i
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r
i,h
的波峰出现在第j
peak
个采样点，则获得步态周期分割点集合的第o个步态周
期分割点u
i,o
＝j
peak
，对应的集合表示为o
i
表示确定的步态周期分割点总数；所述的分割步态序列将步态子序列确定的步态周期分割点集合用于分割步态序列集合中o
i
个步态周期分割点将步态序列分割为o
i
1个步态数据样本， 1个步态数据样本，为步态序列分割得到的第n个步态数据样本，是维度为12
×
(u
i,n-u
i,n-1
)的矩阵；分割对应的步态数据样本标签其中是第n个步态数据样本对应的标签，存在关系对应的标签，存在关系是维度为1
×
(u
i,n-u
i,n-1
)的矢量；每个步态序列分割得到o
i
1个步态数据样本，由此构建步态数据集计算步态数据集的样本总数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f
lp
，窗长m
lp
，窗形状控制参数β
lp
；获取高频的细近似信号使用凯泽窗族fir高通滤波器获得高频信号，设置滤波器的高频截止频率f
hp
，窗长m
hp
，窗形状控制参数β
hp
；组合原始步态数据样本低频信号和高频信号获得新的步态数据样本获得新的步态数据样本是维度为36
×
l
i
的矩阵，步态数据样本对应的标签与原始步态数据样本相同，其标签为新生成的步态数据集包含的样本数与原步态数据集相同，即新步态数据集对应的标签集

技术总结
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。际可用性。际可用性。


技术研发人员：王匡 兰贞 谢磊 陈惠芳
受保护的技术使用者：浙江大学
技术研发日：2022.04.14
技术公布日：2022/8/1