一種基于內(nèi)嵌三維加速計的手持設(shè)備的身份認(rèn)證方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于行為特征的身份認(rèn)證方法，具體涉及一種基于內(nèi)嵌三維加速 計的手持設(shè)備的身份認(rèn)證方法，屬于人機(jī)交互技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 目前，越來越多的手持設(shè)備內(nèi)嵌三維加速計，如智能手機(jī)、智能手環(huán)、智能手表、便 攜式GPS，其中以越來越普遍的智能手機(jī)為代表，智能設(shè)備上的應(yīng)用也越來越多，如電子郵 件、電子支付以及各種社交網(wǎng)絡(luò)等應(yīng)用。這些應(yīng)用存儲了大量的私人敏感信息，所以智能手 機(jī)越來越私有化，手機(jī)用戶的身份認(rèn)證也就越來越重要。
[0003] 當(dāng)前智能手機(jī)上有許多身份認(rèn)證方法，這些方法可以分為三類：基于知識的認(rèn)證 技術(shù)，基于生物特征的認(rèn)證技術(shù)和基于行為特征的認(rèn)證技術(shù)。
[0004] 基于知識的認(rèn)證技術(shù)依賴于只有用戶自己知曉的信息或秘密，如密碼、PIN或圖 案，這些信息容易遭到偷窺者的攻擊，并且有些密碼或圖案比較復(fù)雜不容易記憶。
[0005] 基于生物特征的認(rèn)證技術(shù)依賴于用戶獨(dú)有的生物特征，如指紋，臉部特征，虹膜 等。指紋認(rèn)證需要額外的硬件設(shè)備，比較昂貴；臉部和虹膜認(rèn)證依賴于光線條件以及用戶與 手機(jī)之間的角度，不方便用戶的使用。
[0006] 基于行為特征的認(rèn)證技術(shù)，提供了一種自然的人機(jī)交互的方式，如甩動或搖晃手 機(jī)。這些行為動作一般都比較簡單，易于用戶操作和記憶。基于行為特征的認(rèn)證技術(shù)提取 隱藏在行為中的特征，這些特征表征了用戶是怎樣完成這一行為動作的。而現(xiàn)有的基于行 為特征認(rèn)證的方法大部分基于動態(tài)時間規(guī)劃（DTW)算法，但是相關(guān)方法的性能取決于用戶 行為的相似性，對于用戶手持手機(jī)的方式、位置以及執(zhí)行行為的時間要求嚴(yán)格。然而用戶手 持手機(jī)的方式、位置以及執(zhí)行行為的時間在現(xiàn)實(shí)生活中是變化的，所以對其嚴(yán)格要求是不 合理的，只具有理論上的可行性，但在實(shí)際應(yīng)用中并不具有很高的可靠性。
[0007] 總之，現(xiàn)有手機(jī)身份認(rèn)證技術(shù)有些是需要額外的硬件設(shè)備，比較昂貴；有些需要特 殊的環(huán)境條件以及其他條件，不方便用戶的使用；而基于行為特征的手機(jī)身份認(rèn)證技術(shù)對 用戶操作手機(jī)的行為要求嚴(yán)格，如用戶手持手機(jī)的方式、位置以及搖動手機(jī)持續(xù)時間等。手 持手機(jī)的方式、位置以及搖動手機(jī)持續(xù)時間在現(xiàn)實(shí)生活中是變化的，所以對其嚴(yán)格要求是 不合理的，在實(shí)際應(yīng)用中是不可行的。并且現(xiàn)有的方法不能抵抗偷窺或模仿攻擊，給手機(jī)用 戶的隱私保護(hù)帶來了很大的威脅。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明目的是提供一種基于內(nèi)嵌三維加速計的手持設(shè)備的身份認(rèn)證方法，該方法 在枚舉的20個行為統(tǒng)計特征的基礎(chǔ)上，以一類支持向量機(jī)（one-classSVM)為核心，基于 不同人做同一動作的加速度變化的行為統(tǒng)計特征不同，實(shí)現(xiàn)手機(jī)用戶身份認(rèn)證（也稱為手 機(jī)解鎖），獲得了較高的認(rèn)證精度以及具有抵抗模仿和偷窺攻擊的功能。
[0009] 本發(fā)明的技術(shù)構(gòu)思是利用智能手持設(shè)備內(nèi)嵌入的三軸加速度傳感器來記錄用戶 甩動手機(jī)解鎖手勢的加速度變化過程，將原始的加速度數(shù)據(jù)輸入到特征枚舉部分，該部分 首先對原始加速度數(shù)據(jù)進(jìn)行SVD計算，然后通過物理分析進(jìn)行特征枚舉，最后采用一類支 持向量機(jī)（one-classSVM)根據(jù)選擇出的特征集合訓(xùn)練身份認(rèn)證模型，并每隔三天進(jìn)行一 次模型更新，從而利用訓(xùn)練的模型進(jìn)行身份認(rèn)證，獲得高精度的認(rèn)證結(jié)果以及具有抵抗模 仿和偷窺攻擊的功能。此方法從原始加速度數(shù)據(jù)中選枚舉取出了能夠認(rèn)證用戶的20個統(tǒng) 計特征，具有較高的認(rèn)證精度，有效解決了傳統(tǒng)手機(jī)解鎖方法易被偷窺、模仿的問題，這些 手勢比較簡單，方便用戶使用和記憶，并且不需要額外的硬件設(shè)備，比較廉價。
[0010] 一種基于內(nèi)嵌三維加速計的手持設(shè)備的身份認(rèn)證方法，其特征在于包括以下步 驟：
[0011] 步驟1 :用戶手持內(nèi)嵌有三維加速度計傳感器的設(shè)備，連續(xù)做同一種動作至少40 次，利用手持設(shè)備內(nèi)嵌的三維加速度計傳感器采集傳感數(shù)據(jù)，采樣頻率為80H;
[0012] 步驟2 :對采集的40個傳感器數(shù)據(jù)進(jìn)行矩陣奇異值分解（SVD)，A=UEV* ;
[0013] A為40個傳感器數(shù)據(jù)之一，對矩陣A奇異值分解后得到三個分矩陣U，E，V*，
[0014]U是一個n*3的矩陣，由三列組成，分別記為U1、U2、U3;
[0015] E是一個3*3的矩陣，E矩陣有三個特征值，分別記為S1、S2、S3 ;
[0016] V*是一個3*3的酉陣的共軛矩陣；
[0017] 步驟3 :對矩陣奇異值分解（SVD)后的數(shù)據(jù)進(jìn)行特征枚舉；
[0018] 即對U，E，V*三個矩陣提取五個特征集合：
[0019] ①計算E矩陣特征值的比率，<fl，f2,f3>
[0020] ②計算U矩陣的頻率與能量，<f4,f5,f6,f7,f8,f9>
[0021] ③分別計算UE三列的過零率，〈fl0，fll，fl2>
[0022] ④分別計算UE三列的平均值和標(biāo)準(zhǔn)差，<fl3,fl4,fl5,fl6,fl7,fl8>
[0023] ⑤計算UE三列結(jié)合在一起的平均值和標(biāo)準(zhǔn)差，<f19,f20>
[0024] 五個特征集合共有20個特征，組成一個大的特征集合
[0025] <fl,f2,f3,f4,f5,f6,f7,f8,f9,HO,fll,fl2,fl3,fl4,fl5,fl6,fl7,fl8,fl9 ,f20> ；
[0026] 步驟4 :基于最大相關(guān)最小冗余方法（mRMR)，對以上20個特征進(jìn)行分析，進(jìn)而由最 大相關(guān)最小冗余方法從中選擇能夠被使用的特征，即最佳特征，所有的最佳特征組成最佳 特征集合，再從最佳特征集合中選擇任意子集并利用一類支持向量機(jī)（one-classSVM)訓(xùn) 練用戶身份認(rèn)證模型；
[0027] 步驟5 :當(dāng)身份認(rèn)證模型建立之后，在每次身份認(rèn)證之前，首先判斷該身份認(rèn)證模 型是否超過3天的有效期，沒有過期，則進(jìn)行身份認(rèn)證；
[0028] 過期，則對已有模型進(jìn)行更新，更新后再進(jìn)行身份認(rèn)證；所述的更新是指連續(xù)做同 一種動作40次并建立身份認(rèn)證模型之后，用戶有新作出的同一身份認(rèn)證動作，則將該動作 數(shù)據(jù)加入隊列，隊列中始終存儲最近的40次動作數(shù)據(jù)，按照步驟2-4的方法利用一類支持 向量機(jī)（one-classSVM)建立新的身份認(rèn)證模型，并進(jìn)行身份認(rèn)證；
[0029] 步驟6 :基于步驟5建立的新的訓(xùn)練的模型，進(jìn)行身份認(rèn)證，即對手持設(shè)備使用者 的身份是否是合法使用者進(jìn)行認(rèn)證。
[0030] 上述特征fl,f2,f3計算過程具體如下：
[0031] (1)讀取E矩陣，矩陣的對角線上的值記為：s1、8 2、S3,是A矩陣的三個特征值
[0032] (2)對S1、S2、S3計算相對比率，計算公式如下：
【主權(quán)項】
1. 一種基于內(nèi)嵌三維加速計的手持設(shè)備的身份認(rèn)證方法，其特征在于包括以下步驟： 步驟1 :用戶手持內(nèi)嵌有三維加速度計傳感器的設(shè)備，連續(xù)做同一種動作至少40次，利 用手持設(shè)備內(nèi)嵌的三維加速度計傳感器采集傳感數(shù)據(jù)，采樣頻率為80H ; 步驟2 :對采集的40個傳感器數(shù)據(jù)進(jìn)行矩陣奇異值分解（SVD)，A = υΣν* ; A為40個傳感器數(shù)據(jù)之一，對矩陣A奇異值分解后得到三個分矩陣U，Σ，V*， U是一個η*3的矩陣，由三列組成，分別記為U1、U2、U3 ; Σ是一個3*3的矩陣，Σ矩陣有三個特征值，分別記為δ 1、δ 2、δ 3 ; V*是一個3*3的酉陣的共軛矩陣； 步驟3 :對矩陣奇異值分解（SVD)后的數(shù)據(jù)進(jìn)行特征枚舉； 即對U，Σ，V*三個矩陣提取五個特征集合： ① 計算Σ矩陣特征值的比率，<fl，f2, f3> ② 計算U矩陣的頻率與能量，<f4, f5, f6, f7, f8, f9> ③ 分別計算υΣ三列的過零率，<fl〇, fll，fl2> ④ 分別計算υΣ三列的平均值和標(biāo)準(zhǔn)差，<Π3, Π4, Π5, Π6, Π7, Π8> ⑤ 計算υΣ三列結(jié)合在一起的平均值和標(biāo)準(zhǔn)差，〈Π9, f20> 五個特征集合共有20個特征，組成一個大的特征集合 <fl，f2, f3, f4, f5, f6, f7, f8, f9, HO, fll，fl2, fl3, fl4, fl5, fl6, fl7, fl8, fl9, f20>。 步驟4 :基于最大相關(guān)最小冗余方法（mRMR)，對以上20個特征進(jìn)行分析，進(jìn)而由最大相 關(guān)最小冗余方法從中選擇能夠被使用的特征，即最佳特征，所有的最佳特征組成最佳特征 集合，再從最佳特征集合中選擇任意子集并利用一類支持向量機(jī)（one-class SVM)訓(xùn)練用 戶身份認(rèn)證模型； 步驟5 :當(dāng)身份認(rèn)證模型建立之后，在每次身份認(rèn)證之前，首先判斷該身份認(rèn)證模型是 否超過3天的有效期，沒有過期，則進(jìn)行身份認(rèn)