一种无穷类别身份检测方法、系统及电子设备技术方案

本发明专利技术公开一种无穷类别身份检测方法、系统及电子设备，涉及身份检测领域，该方法包括：对两个具有身份信息的运动数据流分别进行多分辨率语义判别的运动分割，提取出第一和第二语义动作数据，运动数据流为惯性传感器采集的数据；将第一语义动作数据和第二语义动作数据输入身份识别模型，得到身份识别结果；身份识别结果为身份相同，或者身份不相同；身份识别模型用于分别提取两个语义动作数据的隐性特征、可解释性特征和先验类别特征，并对每个语义动作数据提取后的特征进行优化后聚合，得到第一聚合特征和第二聚合特征，对第一聚合特征和第二聚合特征进行判别得到身份识别结果。本发明专利技术实现了无穷类别身份检测。发明专利技术实现了无穷类别身份检测。发明专利技术实现了无穷类别身份检测。

【技术实现步骤摘要】
一种无穷类别身份检测方法、系统及电子设备


[0001]本专利技术涉及身份检测
，特别是涉及一种无穷类别身份检测方法、系统及电子设备。

技术介绍

[0002]人类的运动过程，特别是书写过程中，包含着大量的语义信息。这些语义信息可以分成两个方面，一方面是书写内容信息，另一方面是由书写者的运动特点所反映出的身份信息。事实上，书写身份信息与书写内容信息相互独立，无论书写内容是英文字母，中文字符，又或是任意一种语言，书写者的身份信息都可以通过其运动习惯特性被反映出来，这也是笔迹鉴定的基本原理。笔迹鉴定可以看成是一种特殊的身份检测技术，然而这种技术的适用范围十分有限。传统笔迹的书写依赖于配对的书写工具与书写面板，例如笔与纸。此外，笔迹的书写依赖于充足的光线，稳定的运动状态等苛刻的书写条件，显然，人们很难在行走或奔跑中完成准确的书写。因此，基于笔迹的身份检测只适用于文件的签署这种极其有限的场景。对于电子设备解锁、重要设备控制、特殊软件登录等多样化身份检测场景，基于笔迹的身份检测技术显然无法满足多样化场景下复杂的书写环境与书写条件。

技术实现思路

[0003]本专利技术的目的是提供一种无穷类别身份检测方法、系统及电子设备，实现了无穷类别身份检测，提高了身份检测的准确性。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种无穷类别身份检测方法，包括：
[0006]对第一待检测目标的运动数据流进行多分辨率语义判别的运动分割，提取出第一语义动作数据；所述第一待检测目标的运动数据流是通过第一待检测目标携带的惯性传感器采集的；
[0007]对第二待检测目标的运动数据流进行多分辨率语义判别的运动分割，提取出第二语义动作数据；所述第二待检测目标的运动数据流是通过第二待检测目标携带的惯性传感器采集的；
[0008]将所述第一语义动作数据和所述第二语义动作数据输入身份识别模型，得到身份识别结果；所述身份识别结果为所述第一待检测目标和所述第二待检测目标身份相同，或者所述第一待检测目标和所述第二待检测目标身份不相同；
[0009]所述身份识别模型包括残差神经网络、可解释性特征提取模块、先验类别特征提取模块、转换器、特征聚合模块和判别器；
[0010]所述残差神经网络用于对所述第一语义动作数据进行特征提取得到第一隐性特征，对所述第二语义动作数据进行特征提取得到第二隐性特征；所述可解释性特征提取模块用于提取所述第一语义动作数据中预设的可解释性特征得到第一可解释性特征，提取所述第二语义动作数据中预设的可解释性特征得到第二可解释性特征；所述先验类别特征提
取模块用于基于所述第一语义动作数据与设定类别数量个已知身份类别的匹配度得到第一先验类别特征，基于所述第二语义动作数据与设定类别数量个已知身份类别的匹配度得到第二先验类别特征；所述转换器用于分别对所述第一隐性特征、所述第一可解释性特征、所述第一先验类别特征、所述第二隐性特征、所述第二可解释性特征和所述第二先验类别特征进行特征优化；所述特征聚合模块用于对特征优化后的所述第一隐性特征、所述第一可解释性特征和所述第一先验类别特征进行聚合，得到第一聚合特征，对特征优化后的所述第二隐性特征、所述第二可解释性特征和所述第二先验类别特征进行聚合，得到第二聚合特征；所述判别器用于根据所述第一聚合特征和所述第二聚合特征，得到身份识别结果。
[0011]可选地，对第一待检测目标的运动数据流进行多分辨率语义判别的运动分割，提取出第一语义动作数据，具体包括：
[0012]设置α个不同长度的窗口，依次将每个窗口在所述第一待检测目标的运动数据流上进行滑动，将当前窗口每次滑动的窗口数据输入第一随机森林模型，进行语义动作数据和非语义动作数据的二分类任务，得到每个窗口每次滑动的窗口数据是语义动作数据的概率值；所述第一随机森林模型为训练好的随机森林模型；
[0013]采用三次样条插值将每个窗口对应的概率值转换为一条概率曲线；
[0014]将每条所述概率曲线中概率值等于0.5的点定义为潜在分割点；
[0015]对α组潜在分割点进行整合，得到最终分割点的位置；
[0016]根据最终分割点的位置从待检测目标的运动数据流中提取出语义动作数据。
[0017]可选地，所述对α组潜在分割点进行整合，得到最终分割点的位置，具体包括：
[0018]对α组潜在分割点中每组潜在分割点，按照时间顺序进行排序，若当前组潜在分割点存在连续多个潜在分割点，满足所述连续多个潜在分割点中每两个连续潜在分割点之间的时间小于时间阈值，当所述连续多个潜在分割点的数量为偶数，则删除所述连续多个潜在分割点，当所述连续多个潜在分割点的数量为奇数，则将所述连续多个潜在分割点的平均坐标作为一个分割点；当前组中剩余潜在分割点保留为分割点，最终得到α组分割点；
[0019]将α组分割点个数的众数作为最终分割点个数；
[0020]从α组分割点中选择出分割点个数与所述最终分割点个数相同的β组分割点；
[0021]对于β组分割点，将β个第i个分割点的时间平均值，作为第i个最终分割点的位置，i的取值范围为1到最终分割点个数，得到一组最终分割点。
[0022]可选地，预设的可解释性特征的确定过程包括：
[0023]获得样本语义动作数据集合；所述样本语义动作数据集合中各样本语义动作数据是根据多种身份进行不同类型动作时采集的运动数据流进行多分辨率语义判别的运动分割确定的；
[0024]随机从所述样本语义动作数据集合中抽取第一设定数量个样本，获得每个样本的多个特征数据；所述特征数据包括时域数据和频域数据，所述时域数据和所述频域数据均包括均值、方差、斜度、峰值数目和相关系数；
[0025]每个特征数据在第一设定数量个样本下的取值构成一个特征向量；
[0026]采用k均值聚类算法对多个特征向量进行聚类，得到第二设定数量个特征簇；
[0027]对于每个特征簇：
[0028]初始化重要特征集合为空；
[0029]初始化特征簇身份识别精度；
[0030]依次从当前特征簇中遍历剩余特征向量，采用当前获取的特征向量与当前重要特征集合中特征向量训练当前第二随机森林模型，并获取训练过的当前第二随机森林模型的身份识别精度；第二随机森林模型用于对输入特征进行身份识别；
[0031]若当前特征簇中剩余特征向量遍历结束，则得到当前特征簇中每个特征向量对应的身份识别精度；
[0032]若当前特征簇中各特征向量的身份识别精度最高值大于当前特征簇身份识别精度，则将当前特征簇身份识别精度更新为当前身份识别精度最高值，并将当前特征簇中身份识别精度最高的特征向量提取出来并放入所述重要特征集合，返回依次从当前特征簇中遍历剩余特征向量，采用当前获取的特征向量与当前重要特征集合中特征向量训练当前第二随机森林模型，并获取训练过的当前第二随机森林模型的身份识别精度的步骤，直到当前特征簇中对应的身份识别精度最高值小于或者等于当前特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无穷类别身份检测方法，其特征在于，包括：对第一待检测目标的运动数据流进行多分辨率语义判别的运动分割，提取出第一语义动作数据；所述第一待检测目标的运动数据流是通过第一待检测目标携带的惯性传感器采集的；对第二待检测目标的运动数据流进行多分辨率语义判别的运动分割，提取出第二语义动作数据；所述第二待检测目标的运动数据流是通过第二待检测目标携带的惯性传感器采集的；将所述第一语义动作数据和所述第二语义动作数据输入身份识别模型，得到身份识别结果；所述身份识别结果为所述第一待检测目标和所述第二待检测目标身份相同，或者所述第一待检测目标和所述第二待检测目标身份不相同；所述身份识别模型包括残差神经网络、可解释性特征提取模块、先验类别特征提取模块、转换器、特征聚合模块和判别器；所述残差神经网络用于对所述第一语义动作数据进行特征提取得到第一隐性特征，对所述第二语义动作数据进行特征提取得到第二隐性特征；所述可解释性特征提取模块用于提取所述第一语义动作数据中预设的可解释性特征得到第一可解释性特征，提取所述第二语义动作数据中预设的可解释性特征得到第二可解释性特征；所述先验类别特征提取模块用于基于所述第一语义动作数据与设定类别数量个已知身份类别的匹配度得到第一先验类别特征，基于所述第二语义动作数据与设定类别数量个已知身份类别的匹配度得到第二先验类别特征；所述转换器用于分别对所述第一隐性特征、所述第一可解释性特征、所述第一先验类别特征、所述第二隐性特征、所述第二可解释性特征和所述第二先验类别特征进行特征优化；所述特征聚合模块用于对特征优化后的所述第一隐性特征、所述第一可解释性特征和所述第一先验类别特征进行聚合，得到第一聚合特征，对特征优化后的所述第二隐性特征、所述第二可解释性特征和所述第二先验类别特征进行聚合，得到第二聚合特征；所述判别器用于根据所述第一聚合特征和所述第二聚合特征，得到身份识别结果。2.根据权利要求1所述的无穷类别身份检测方法，其特征在于，对第一待检测目标的运动数据流进行多分辨率语义判别的运动分割，提取出第一语义动作数据，具体包括：设置α个不同长度的窗口，依次将每个窗口在所述第一待检测目标的运动数据流上进行滑动，将当前窗口每次滑动的窗口数据输入第一随机森林模型，进行语义动作数据和非语义动作数据的二分类任务，得到每个窗口每次滑动的窗口数据是语义动作数据的概率值；所述第一随机森林模型为训练好的随机森林模型；采用三次样条插值将每个窗口对应的概率值转换为一条概率曲线；将每条所述概率曲线中概率值等于0.5的点定义为潜在分割点；对α组潜在分割点进行整合，得到最终分割点的位置；根据最终分割点的位置从待检测目标的运动数据流中提取出语义动作数据。3.根据权利要求2所述的无穷类别身份检测方法，其特征在于，所述对α组潜在分割点进行整合，得到最终分割点的位置，具体包括：对α组潜在分割点中每组潜在分割点，按照时间顺序进行排序，若当前组潜在分割点存在连续多个潜在分割点，满足所述连续多个潜在分割点中每两个连续潜在分割点之间的时间小于时间阈值，当所述连续多个潜在分割点的数量为偶数，则删除所述连续多个潜在分
割点，当所述连续多个潜在分割点的数量为奇数，则将所述连续多个潜在分割点的平均坐标作为一个分割点；当前组中剩余潜在分割点保留为分割点，最终得到α组分割点；将α组分割点个数的众数作为最终分割点个数；从α组分割点中选择出分割点个数与所述最终分割点个数相同的β组分割点；对于β组分割点，将β个第i个分割点的时间平均值，作为第i个最终分割点的位置，i的取值范围为1到最终分割点个数，得到一组最终分割点。4.根据权利要求1所述的无穷类别身份检测方法，其特征在于，预设的可解释性特征的确定过程包括：获得样本语义动作数据集合；所述样本语义动作数据集合中各样本语义动作数据是根据多种身份进行不同类型动作时采集的运动数据流进行多分辨率语义判别的运动分割确定的；随机从所述样本语义动作数据集合中抽取第一设定数量个样本，获得每个样本的多个特征数据；所述特征数据包括时域数据和频域数据，所述时域数据和所述频域数据均包括均值、方差、斜度、峰值数目和相关系数；每个特征数据在第一设定数量个样本下的取值构成一个特征向量；采用k均值聚类算法对多个特征向量进行聚类，得到第二设定数量个特征簇；对于每个特征簇：初始化重要特征集合为空；初始化特征簇身份识别精度；依次从当前特征簇中遍历剩余特征向量，采用当前获取的特征向量与当前重要特征集合中特征向量训练当前第二随机森林模型，并获取训练过的当前第二随机森林模型的身份识别精度；第二随机森林模型用于对输入特征进行身份识别；若当前特征簇中剩余特征向量遍历结束，则得到当前特征簇中每个特征向量对应的身份识别精度；若当前特征簇中各特征向量的身份识别精度最高值大于当前特征簇身份识别精度，则将当前特征簇身份识别精度更新为当前身份识别精度最高值，并将当前特征簇中身份识别精度最高的特征向量提取出来并放入所述重要特征集合，返回依次从当前特征簇中遍历剩余特征向量，采用当前获取的特征向量与当前重要特征集合中特征向量训练当前第二随机森林模型，并获取训练过的当前第二随机森林模型的身份识别精度的步骤，直到当前特征簇中对应的身份识别精度最高值小于或者等于当前特征簇身份识别精度；将每个特征簇的重要特征集合合并，得到合并后的重要特征，将合并后的重要特征记为合并重要特征；返回随机从所述样本语义动作数据集合中抽取第一设定数量个样本，获得每个样本的多个特征数据的步骤，直到获取m个合并重要特征；将m个合并重要特征的交集作为最有价值特征集合；将所述最有价值特征集合输入第一多层感知器，得到与所述第一隐性特征相同维度的第一可解释性特征...

【专利技术属性】
技术研发人员：赵毅，王一峰，许江涛，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：