一種身份認證方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及生物識別技術領域，尤其涉及一種身份認證方法及系統(tǒng)。
【背景技術】
[0002] 隨著可穿戴式設備與物聯(lián)網(wǎng)的持續(xù)升溫，可穿戴式計算應用和產(chǎn)業(yè)前景越來越廣 闊，并有望成為全球下一個經(jīng)濟增長點。
[0003] 隱私安全是可穿戴式設備發(fā)展過程中的關鍵技術?？纱┐魇皆O備攜帶各類傳感 器，這些傳感器能夠采集與人相關的個性化隱私信息，例如醫(yī)療健康數(shù)據(jù)、運動信息、愛好 信息等。隨著移動互聯(lián)技術的發(fā)展，信息泄密的概率與日遞增，隱私信息傳播帶來的危害程 度也不可估量。因此，對穿戴式設備的信息隱私保護變得非常緊迫和非常有必要。隱私保 護的一個重要手段是采用身份認證技術，身份認證是判斷一個用戶是否為合法用戶的處理 過程，用來防止攻擊者假冒合法用戶獲得資源的訪問權限，保證系統(tǒng)和數(shù)據(jù)的安全。
[0004] 生物識別技術是通過人類生物特征進行身份認證的一種技術，比傳統(tǒng)的身份認證 方法更具安全、保密和便捷性。生物識別技術具有不易遺忘、防偽性能好、不易偽造或被盜、 隨身"攜帶"和隨時隨地可用等優(yōu)點。正是由于生物識別技術的諸多優(yōu)點，使其成為近年發(fā) 展的方向。
[0005] 生物識別技術主要包括：指紋、虹膜、人臉、聲音、靜脈和DNA等。目前，生物識別 技術最可靠的是指紋和虹膜識別，已開始應用于機場、銀行和各種電子設備（例如蘋果自 iphone5S就引入了指紋解鎖功能，華為的Mate7也引入了指紋解鎖功能），可望取代人們手 中的信用卡或密碼，并可對個人計算機系統(tǒng)信息進行加密保護，以避免竊取和攻擊。但是這 兩項技術也存在一些問題，比如指紋易磨損，并且沾水后難以識別，還有可能被他人盜取仿 造出指紋膜，所以蘋果手機和華為手機都是指紋解鎖和密碼解鎖并存。虹膜識別技術雖然 準確率極高，但對盲人或眼疾患者卻是無能為力，并且虹膜識別技術需要昂貴的攝像頭進 行圖像采集，成本較高，不容易大范圍推廣使用。虹膜識別技術在中國推廣比較難，還有另 外一個重要因素，就是該技術對黑眼睛識別非常困難。同時，上述生物識別技術因識別裝置 體積過大或者穿戴部位限制，或多或少都存在缺陷，都不適合可穿戴式設備。因此，急需一 種適合可穿戴設備的身份認證技術。
[0006] 除了上述介紹的指紋識別及虹膜識別的缺點，其他主流生物識別技術應用于可穿 戴式設備存在如下缺點：
[0007] 人臉的非線性的結構和人臉的活動使得人臉特征非常復雜，造成人臉識別系統(tǒng)的 穩(wěn)定性不是很高。同時，人臉識別技術不能對臉部飾物和整形手術后的臉部進行精確識別， 并且臉部識別需要復雜和大體積的硬件設備，這些都限制了人臉識別技術在可穿戴式設備 上的應用。
[0008] 靜脈識別由于采集方式受自身特點的限制，產(chǎn)品難以小型化，對采集設備有特殊 要求，設計相對復雜，制造成本高，阻礙了靜脈識別的進一步應用。
[0009] 語音識別受周圍環(huán)境噪聲影響比較大，同時，不同的發(fā)音和方言也會影響識別精 度和識別速度。
[0010] 主流生物識別技術的具體的缺點如表1所示。
[0011] 表1生物識別技術對比
[0013] 從表1中可以看出，上述生物特征識別技術除了識別率等方面存在一些不足外， 應用于可穿戴式設備一般都存在可穿戴性差，需存在于身體某個固定部位等缺點。因此，現(xiàn) 有的生物識別技術都不太適合可穿戴式的應用。

【發(fā)明內(nèi)容】

[0014] 為解決上述技術問題，本發(fā)明提供了一種身份認證方法及系統(tǒng)，基于人體通信的 耦合理論，利用人體之間介電常數(shù)的差異，獲取電磁波信號經(jīng)過不同人體后呈現(xiàn)不同的信 號特性，結合多個電磁波頻率下的S參數(shù)信息進行身份認證。
[0015] 本發(fā)明一方面提供了一種身份認證方法，所述身份認證方法包括：
[0016] 向待識別對象發(fā)射不同頻率的電磁波，并獲取所述電磁波透過所述待識別對象的 至少一個身體部位產(chǎn)生的多個S參數(shù)；
[0017] 對所述S參數(shù)進行濾波并進行特征提取，獲取所述S參數(shù)中的幅值信息、頻率信息 及相位信息中的至少一種，形成一測試集；
[0018] 利用包含η個已知對象的S參數(shù)信息的訓練樣本集對支持向量機分類器進行訓 練，生成包含η個類別的識別模型，每個所述類別中包含一個已知對象的所有S參數(shù)信息， 其中η為正整數(shù)；
[0019] 利用所述識別模型對所述測試集進行識別，如果所述識別模型的輸出結果為所述 η個類別中的一個，則所述待識別對象通過認證。
[0020] 在一實施例中，所述身份認證方法還包括：根據(jù)所述訓練樣本集，采用K-近鄰算 法對所述測試集中的數(shù)據(jù)進行預分類。
[0021] 在一實施例中，利用所述識別模型對所述測試集進行識別，包括：
[0022] 利用所述識別模型對經(jīng)過預分類的所述測試集進行識別。
[0023] 在一實施例中，所述身份認證方法還包括：利用主成分分析法對所述訓練樣本集 及測試集進行降維處理。
[0024] 在一實施例中，利用包含η個已知對象的S參數(shù)信息的訓練樣本集對支持向量機 分類器進行訓練，生成包含η個類別的識別模型，包括：
[0025] 通過格點尋優(yōu)法在懲罰參數(shù)區(qū)間內(nèi)選取多個懲罰參數(shù)C ;
[0026] 利用所述訓練樣本集，分別對選取的每個懲罰參數(shù)C對應的支持向量機分類器進 行a折交叉驗證，得到每個所述懲罰參數(shù)C對應的a個差錯率，其中a為大于或等于2的正 整數(shù)；
[0027] 計算每個所述懲罰參數(shù)C對應的a個差錯率的平均差錯率，從所述平均差錯率中 選取最小平均差錯率，以所述最小平均差錯率對應的懲罰參數(shù)C作為最佳懲罰參數(shù)；
[0028] 結合所述最佳懲罰參數(shù)，利用所述訓練樣本集對支持向量機分類器進行訓練，獲 取所述識別模型，其中η為正整數(shù)。
[0029] 在一實施例中，所述身份認證方法還包括：
[0030] 利用所述測試集對所述識別模型進行b折交叉驗證，得到所述測試集的匹配閾 值，其中b為大于或等于2的正整數(shù)；
[0031] 根據(jù)所述匹配閾值生成所述識別模型的ROC曲線；
[0032] 根據(jù)所述ROC曲線，得到所述識別模型的EER值及AUC值；
[0033] 根據(jù)所述EER值及AUC值對所述識別模型的識別效果進行評價。
[0034] 在一實施例中，所述電磁波的頻率大小介于9. 6MHz~50MHz之間。
[0035] 在一實施例中，所述支持向量機分類器的核函數(shù)為多項式函數(shù)。
[0036] 本發(fā)明另一方面還提供了一種身份認證系統(tǒng)，所述身份認證系統(tǒng)包括：
[0037] S參數(shù)獲取單元，用于向待識別對象發(fā)射不同頻率的電磁波，并獲取所述電磁波透 過所述待識別對象的至少一個身體部位產(chǎn)生的多個S參數(shù)；
[0038] 測試集生成單元，用于對所述S參數(shù)進行濾波并進行特征提取，獲取所述S參數(shù)中 的幅值信息、頻率信息及相位信息中的至少一種，形成一測試集；
[0039] 識別模型生成單元，用于利用包含η個已知對象的S參數(shù)信息的訓練樣本集對支 持向量機分類器進行訓練，生成包含η個類別的識別模型，每個所述類別中包含一個已知 對象的所有S參數(shù)信息，其中η為正整數(shù)；
[0040] 識別結果判斷單元，用于利用所述識別模型對所述測試集進行識別，如果所述識 別模型的輸出結果為所述η個類別中的一個，則所述待識別對象通過認證。
[0041] 在一實施例中，所述身份認證系統(tǒng)還包括一預分類單元，用于根據(jù)所述訓練樣本 集，采用K-近鄰算法對所述測試集中的數(shù)據(jù)進行預分類。
[0042] 在一實施例中，所述識別結果判斷單元還用于利用所述識別模型對經(jīng)過預分類的 所述測試集進行識別。
[0043] 在一實施例中，所述身份認證系統(tǒng)還包括：一降維處理單元，用于利用主成分分析 法對所述訓練樣本集及測試集進行降維處理。
[0044] 在一實施例中，所述識別模型生成單元包括：
[0045] 懲罰參數(shù)選取模塊，用于通過格點尋優(yōu)法在懲罰參數(shù)區(qū)間內(nèi)選取多個懲罰參數(shù) C;
[0046] 差錯率生成模塊，用于利用所述訓練樣本集，分別對選取的每個懲罰參數(shù)C對應 的支持向量機分類器進行a折交叉驗證，得到每個所述懲罰參數(shù)C對應的a個差錯率，其中 a為大于或等于2的正整數(shù)；
[0047] 最佳懲罰參數(shù)獲取模塊，用于計算每個所述懲罰參數(shù)C對應的a個差錯率的平均 差錯率，從所述平均差錯率中選取最小平均差錯率，以所述最小平均差錯率對應的懲罰參 數(shù)C作為最佳懲罰參數(shù)；
[0048] 識別模型獲取模塊，用于結合所述最佳懲罰參數(shù)，利用所述訓練樣本集對支持向 量機分類器進行訓練，獲取所述識別模型，其中η為正整數(shù)。