一种基于步态信息的用户身份认证方法技术

本发明专利技术提出了一种基于步态信息的用户身份认证方法，对用户走路产生的加速度数据序列进行切割，数据进行切割后输入到神经网络模型进行数据的训练提取用户走路的特征以做到对用户身份的识别，将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值，并采用极值统计的方法计算未授权的用户的特征空间与已授权用户的特征空间的距离，更做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患。本发明专利技术通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。

A Method of User Identity Authentication Based on Gait Information

【技术实现步骤摘要】
一种基于步态信息的用户身份认证方法
本专利技术属于生物认证与人工智能的
，尤其涉及一种基于步态信息的用户身份认证方法。
技术介绍
生物特征为用户身份认证提供了改进的可靠性和可用性，因为与传统方法不同，它不需要被记住。随着智能手机中专用硬件与生物识别信息的集成，出现了新的生物认证方式，这种生物认证方式利用运动传感器获取行为生物信息，并允许用户根据他们将执行的操作验证智能手机或服务，这种生物认证方式分别利用运动传感器获取生物运动信息，并允许用户根据他们将执行的操作实现身份的验证。用户可以通过运动传感器行为进行身份认证，运动传感器的数据用于分析智能手机认证，其中通常来自加速计，陀螺仪，定向，磁力仪或GPS进行分析以形成传感器特征，通过这些传感器特征验证用户身份。人体运动行为是一个重复的任务，通过使用手机运动传感器，用户运动状态可以不加掩饰地和连续地测量这将运动状态与其他生物特征模式区分开是更为用户友好的认证机制，但在用户登录后，传统认证方式没有进一步认证的过程，直到电话锁定或关闭，窃取者可以在没有人注意的情况下访问电话。为了克服这个问题，基于智能手机的生物识别提供了广泛的可能的解决方案，可以用于验证用户的身份，从而提供额外的安全级别和防盗。这样的解决方案之一是使用手机置传感器(如加速度计)识别人类步态(人的行走方式)的能力。考虑到每个人都有独特的行走方式，其中，包含了用户独特的模式，嵌入在智能手机中的惯性传感器可以应用于与安全相关的应用中的步态识别问题。人类步态已被研究者广泛认可为生物特征，可通过识别个体根据其行为或生理特征而用于认证目的。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于步态信息的身份认证的实现方法可以通过对人体行走产生的加速度数据，将用户与特有的行走方式进行匹配，并且拒绝不属于认证用户的异常数据。为了达到以上目的，本专利技术采用的技术方案为：本方案提供一种基于步态信息的用户身份认证方法，包括如下步骤：S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集；S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值；S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；S6、判断所述最大概率值是否小于所述正确授权的阈值，若是，则拒绝用户的身份认证，完成对用户的身份认证，反之，则进入步骤S7；S7、判断所述方差dk，dm，dn是否均大于所述正确授权用户的方差，若是，则用户为授权用户，反之，则拒绝用户的身份认证，从而完成对用户的身份认证。进一步地，所述步骤S2包括如下步骤：S201、将所述步态数据序列进行切割，得到步态子序列；S202、将所述步态子序列进行划分，从而分别得到训练数据集、测试数据集以及验证数据集。再进一步地，所述步骤S201其具体为：根据人体走路的特性，将所述步态数据序列进行步态周期划分得到步态子序列。再进一步地，所述步骤S4包括如下步骤：S401、利用所述训练数据集对所述神经网络模型进行训练，提取用户的步态特征，并对所提取用户的步态特征进行分类训练，更新所述神经网络模型的参数；S402、将所述验证数据集输入至更新后的神经网络模型，对用户的步态特征进行验证，提取正确分类的验证用户；S403、提取所述验证用户的步态特征的方差以及阈值，并根据所述步态特征的方差以及阈值确定正确授权用户的方差及阈值。再进一步地，所述步骤S5中最大概率值P的表达式如下：P＝max(s)其中，pi表示测试数据集的第i个概率值，si表示神经网络模型的输出值，表示神经网络模型的输出值的指数，s表示测试数据集中概率值的集合。再进一步地，所述步骤S5中概率值的方差的表达式如下：p[p1,p2...pi]＝max_i(s)其中，dj表示概率值的方差，且j＝k,m,n，pi表示测试数据集的第i个概率值，M为概率值的均值，s表示测试数据集中概率值的集合。本专利技术的有益效果：本专利技术提出了一种基于步态信息的用户身份认证方法，对用户走路产生的加速度数据序列进行切割，数据进行切割后输入到模型进行数据的训练提取用户走路的特征以做到对用户身份的识别，并采用极值统计的方法计算未授权的用户的特征空间与已授权用户的特征空间的距离，更做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患，本专利技术通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。附图说明图1为本专利技术的方法流程图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。实施例本专利技术提出了一种基于步态信息的用户身份认证方法，对用户走路产生的加速度数据序列进行切割，数据进行切割后输入到模型进行数据的训练提取用户走路的特征以做到对用户身份的识别，并采用极值统计的方法计算未授权的用户的特征空间与已授权用户的特征空间的距离，更做到对未授权用户的身份拒绝，可控制用户非法登陆的安全隐患，本专利技术通过预处理、学习、分析传感器的加速度数据，学习到用户走路的特征，可以识别用户，并且能够对非法的用户实现自动锁定的功能，实现了被动认证。如图1所示，本专利技术公开了一种基于步态信息的用户身份认证方法，其实现方法如下：S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集，其实现方法如下：S201、将所述步态数据序列进行切割，得到步态子序列，其具体为：根据人体走路的特性，将所述步态数据序列进行步态周期划分得到步态子序列；S202、将所述步态子序列进行划分，从而分别得到训练数据集、测试数据集以及验证数据集；S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值，其实现方法如下：S401、利用所述训练数据集对所述神经网络模型进行训练，提取用户的步态特征，并对所提取用户的步态特征进行分类训练，更新所述神经网络模型的参数；S402、将所述验证数据集输入至更新后的神经网络模型，对用户的步态特征进行验证，提取正确分类的验证用户；S403、提取所述验证用户的步态特征的方差以及阈值，并根据所述步态特征的方差以及阈值确定正确授权用户的方差及阈值；S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；S6、判断所述最大概率本文档来自技高网...

【技术保护点】
1.一种基于步态信息的用户身份认证方法，其特征在于，包括如下步骤：S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集；S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值；S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；S6、判断所述最大概率值是否小于所述正确授权的阈值，若是，则拒绝用户的身份认证，完成对用户的身份认证，反之，则进入步骤S7；S7、判断所述方差dk，dm，dn是否均大于所述正确授权用户的方差，若是，则用户为授权用户，反之，则拒绝用户的身份认证，从而完成对用户的身份认证。

【技术特征摘要】
1.一种基于步态信息的用户身份认证方法，其特征在于，包括如下步骤：S1、通过用户身上佩戴的传感器获取用户行走产生的步态信息，得到步态数据序列；S2、根据所述步态数据序列得到训练数据集、测试数据集以及验证数据集；S3、通过tensorflow模型优化工具以及利用循环神经网络的长短期记忆LSTM和卷积CONV构建神经网络模型；S4、利用所述训练数据集更新所述神经网络模型的参数，并将所述验证数据集输入至所述更新后的神经网络模型确定正确授权用户的方差及阈值；S5、利用极值统计算法计算测试数据集经更新后的神经网络模型输出的最大概率值P，以及前k，m，n个概率值的方差dk，dm，dn；S6、判断所述最大概率值是否小于所述正确授权的阈值，若是，则拒绝用户的身份认证，完成对用户的身份认证，反之，则进入步骤S7；S7、判断所述方差dk，dm，dn是否均大于所述正确授权用户的方差，若是，则用户为授权用户，反之，则拒绝用户的身份认证，从而完成对用户的身份认证。2.根据权利要求1所述的基于步态信息的用户身份认证方法，其特征在于，所述步骤S2包括如下步骤：S201、将所述步态数据序列进行切割，得到步态子序列；S202、将所述步态子序列进行划分，从而分别得到训练数据集、测试数据集以及验证数据集。3.根据权利要求2所述的基于步态信息的用户身份认证方法，...

【专利技术属性】
技术研发人员：秦臻，黄谷，丁熠，秦志光，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51