高煥芝，劉志丹，郭云鏑,2，鄒北驥,2，陳再良,2

(1. 中南大學(xué) 信息科學(xué)與工程學(xué)院，湖南 長(zhǎng)沙，410083；2.“移動(dòng)醫(yī)療”教育部-中國(guó)移動(dòng)聯(lián)合實(shí)驗(yàn)室，湖南 長(zhǎng)沙，410083)

身份認(rèn)證是保障信息安全和合理分配資源的關(guān)鍵。隨著社會(huì)信息化的不斷發(fā)展及智能手機(jī)的普遍使用，手機(jī)端的網(wǎng)絡(luò)購(gòu)物支付、電子商務(wù)及網(wǎng)上銀行等業(yè)務(wù)越來(lái)越多，很多信息資源的存儲(chǔ)訪問(wèn)及保護(hù)都通過(guò)手機(jī)端進(jìn)行，因此，利用手機(jī)端的傳感器[1]認(rèn)證身份日趨重要。傳統(tǒng)的身份認(rèn)證主要分為2 種類(lèi)型：一種是用已知的信息對(duì)用戶(hù)進(jìn)行身份驗(yàn)證，常用的有用戶(hù)名和密碼、PIN 等；另外一種是用所擁有的實(shí)物對(duì)用戶(hù)進(jìn)行身份驗(yàn)證[2]，常用的有鑰匙、身份證、護(hù)照、銀行信用卡等。但這2 種認(rèn)證類(lèi)型中，用來(lái)認(rèn)證的信息容易被竊取、偽造或遺忘，而擁有的實(shí)物也容易丟失、盜用或損壞，因此，它們往往達(dá)不到很好的安全性能。生物特征認(rèn)證技術(shù)的出現(xiàn)對(duì)傳統(tǒng)的身份認(rèn)證起到了很好的補(bǔ)充和完善作用。每個(gè)人都擁有人臉[3]、指紋[4]、虹膜[5]和人體內(nèi)的DNA 等先天獨(dú)特的身體特征，以及筆跡簽名、語(yǔ)音和行為姿勢(shì)等后天形成的行為特征。這些生物特征是區(qū)分不同人的有效手段，將這些生物特征用作身份認(rèn)證可以有效地克服記憶麻煩和密碼丟失等缺點(diǎn)；另一方面，生物體的特征都是自身攜帶且這種生物特征模板難以模仿，因此，保證了信息的隱私和安全，不易被竊取和仿用。筆跡鑒定[6]在身份認(rèn)證中具有重要的實(shí)用價(jià)值。常用的筆跡特征主要有字體的大小、形狀、筆跡壓力、熟練程度、各個(gè)字符的搭配比例和筆跡軌跡的平均曲率等。目前，進(jìn)行筆跡鑒定認(rèn)證比較流行的算法有K 最近鄰算法[7]、隱馬爾可夫模型[8]、神經(jīng)網(wǎng)絡(luò)[9]、模版匹配[10]和支持向量機(jī)(support vector machines,SVM)等算法。Weiss 等[11]提出記錄設(shè)備橫向移動(dòng)和縱向移動(dòng)的筆畫(huà)構(gòu)成密碼的認(rèn)證方法。Chong 等[12]提出設(shè)計(jì)10 種手機(jī)運(yùn)動(dòng)軌跡，剛好對(duì)應(yīng)數(shù)字0～9，進(jìn)行密碼輸入的認(rèn)證方法。Farella 等[13]受到步態(tài)識(shí)別的啟發(fā)，從生物特征的角度進(jìn)行了可行性分析，利用加速度傳感器采集手勢(shì)數(shù)據(jù)，并采用監(jiān)督和非監(jiān)督降維進(jìn)行分類(lèi)，通過(guò)數(shù)據(jù)分析，提出手勢(shì)運(yùn)動(dòng)可作為人體行為特征并可應(yīng)用于小群體的身份認(rèn)證的結(jié)論。文獻(xiàn)[14]結(jié)合[15]中基于手勢(shì)識(shí)別的認(rèn)證方法取得了良好實(shí)驗(yàn)效果，認(rèn)為基于加速度傳感器采集手勢(shì)特征的身份認(rèn)證方法前景廣闊。在一般情況下，不同的人在揮動(dòng)手機(jī)書(shū)寫(xiě)特定的軌跡時(shí)，其軌跡的大小、形狀和力度會(huì)不同，而同一個(gè)人在書(shū)寫(xiě)同一個(gè)手勢(shì)軌跡時(shí)，其軌跡的大小、形狀和力度在一段時(shí)間內(nèi)是相對(duì)穩(wěn)定的，這一點(diǎn)跟每個(gè)人的簽名類(lèi)似，因此，手勢(shì)軌跡可以看作是筆跡在手機(jī)上的另外一種體現(xiàn)形式。手機(jī)加速傳感器是目前市場(chǎng)上智能手機(jī)普遍配備的能夠測(cè)量加速力的電子元件，加速力就是物體在加速過(guò)程中作用在物體上的力。手機(jī)加速度傳感器采集的數(shù)據(jù)為x，y 和z 3 條軸方向上承受加速度/重力加速度的浮點(diǎn)數(shù)時(shí)間序列，通常為-3～3。本文作者對(duì)基于手機(jī)加速度傳感器的身份認(rèn)證方法進(jìn)行研究，針對(duì)手機(jī)端設(shè)備本身的特點(diǎn)，利用手機(jī)自帶加速度傳感器采集用戶(hù)書(shū)寫(xiě)的手勢(shì)軌跡數(shù)據(jù)[16]，視為筆跡簽名在手機(jī)中的另外一種體現(xiàn)形式，對(duì)該原始數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，以此作為生物的行為特征；并結(jié)合支持向量機(jī)，進(jìn)而達(dá)到實(shí)現(xiàn)用戶(hù)身份認(rèn)證的目的。

1 算法流程

圖1 身份認(rèn)證流程圖Fig.1 Flowchart of identity authentication

圖1 所示為本文所提算法的流程圖：1) 用戶(hù)使用手機(jī)根據(jù)自己的習(xí)慣多次書(shū)寫(xiě)得到相應(yīng)的軌跡數(shù)據(jù)；2) 手機(jī)加速度傳感器采集手勢(shì)軌跡的加速度；3)對(duì)采集到的原始加速度進(jìn)行預(yù)處理；4) 基于小波分解進(jìn)行特征提??；5) 使用特征向量集訓(xùn)練SVM 模型；6) 在認(rèn)證階段，同樣用戶(hù)使用手機(jī)書(shū)寫(xiě)軌跡，進(jìn)行上面步驟2)～4)的處理之后得到該軌跡的特征向量；7) 將特征向量放入到步驟5)得到的SVM 模型中進(jìn)行鑒定認(rèn)證，從而得到身份認(rèn)證結(jié)果。

2 身份認(rèn)證數(shù)據(jù)的采集與預(yù)處理

2.1 身份認(rèn)證數(shù)據(jù)的采集

用戶(hù)手勢(shì)軌跡的大小、形狀和力度可以通過(guò)手機(jī)的加速度來(lái)體現(xiàn)。用戶(hù)在利用手機(jī)書(shū)寫(xiě)手勢(shì)軌跡時(shí)，手機(jī)在空間中的加速度也會(huì)發(fā)生相應(yīng)變化，利用手機(jī)自帶的加速度傳感器來(lái)采集手機(jī)在空間中每個(gè)時(shí)刻上x(chóng)，y 和z 3 個(gè)方向的加速度作為最原始的手勢(shì)軌跡數(shù)據(jù)。

每一次采集數(shù)據(jù)時(shí)，用戶(hù)使用手機(jī)根據(jù)自己的習(xí)慣書(shū)寫(xiě)手勢(shì)軌跡，此時(shí)，通過(guò)手機(jī)的加速度傳感器采集到該手勢(shì)軌跡從開(kāi)始到結(jié)束過(guò)程中每個(gè)時(shí)刻(即每一幀)手機(jī)在三維空間中x，y 和z 3 個(gè)方向的加速度，將這些數(shù)據(jù)保存為1 個(gè)n 行3 列的矩陣形式。其中時(shí)間為t1,t2, …,tn；n 表示該時(shí)段內(nèi)采集到的手勢(shì)軌跡幀數(shù)；每一列均表示1 個(gè)方向上的加速度隨時(shí)間的變化，因此，每個(gè)矩陣可以表示1 個(gè)手勢(shì)軌跡。該加速度的矩陣形式A 為

式(1)中3 列分別表示x，y 和z 3 個(gè)方向的加速度。

2.2 數(shù)據(jù)預(yù)處理

為便于特征提取和SVM 模型訓(xùn)練，需對(duì)采集到的原始加速度曲線進(jìn)行預(yù)處理，包括平滑去噪、邊界檢測(cè)和長(zhǎng)度歸一化，以消除采集時(shí)手抖動(dòng)和傳感器本身帶來(lái)的噪聲，提取出有用的手勢(shì)軌跡并將每個(gè)手勢(shì)軌跡長(zhǎng)度變?yōu)橐恢隆?/p>

首先使用簡(jiǎn)單移動(dòng)平均線(simple moving average，SMA)方法進(jìn)行處理，從而使得曲線更加光滑，其表達(dá)式為

其中：m 表示數(shù)據(jù)段的窗口大小，本文中設(shè)置的m 為7。使用當(dāng)前幀i 及它之前m-1 幀的加速度之和的平均值aSMAnow來(lái)替代表示當(dāng)前幀的加速度ai。同時(shí)，為了處理方便，將曲線進(jìn)行平移變換，通過(guò)取第1 幀和最后1 幀位置的和求均值作為平移量，把曲線的開(kāi)始點(diǎn)平移到坐標(biāo)軸原點(diǎn)附近，從而得到新的矩陣ASMA。

當(dāng)手機(jī)處于平穩(wěn)狀態(tài)時(shí)，采集到的加速度在一段時(shí)間內(nèi)變化也是比較平穩(wěn)的，故可采用改進(jìn)的加窗口的門(mén)限值方法對(duì)手勢(shì)軌跡的邊界進(jìn)行判定。設(shè)置窗口大小為7，門(mén)限值為0.5 m/s2。從加速度矩陣ASMA的第1 幀開(kāi)始逐幀向后檢測(cè)，在窗口段內(nèi)的平均加速度變化不超過(guò)門(mén)限值，則對(duì)下一個(gè)窗口段內(nèi)的數(shù)據(jù)進(jìn)行檢測(cè)。若某一個(gè)窗口段內(nèi)的平均加速度變化超過(guò)門(mén)限值，則判定該窗口段對(duì)應(yīng)時(shí)刻為手勢(shì)軌跡的開(kāi)始時(shí)刻，此窗口段的第1 幀作為手勢(shì)軌跡開(kāi)始的首幀，記為t1。同時(shí)，從加速度矩陣ASMA的最后1 幀開(kāi)始逐幀向前檢測(cè)，在窗口段內(nèi)的平均加速度變化不超過(guò)門(mén)限值，則對(duì)前1 個(gè)窗口段內(nèi)的數(shù)據(jù)進(jìn)行檢測(cè)。若某一個(gè)窗口段內(nèi)的平均加速度變化超過(guò)門(mén)限值，則判定此時(shí)手勢(shì)軌跡結(jié)束，此窗口段的最后1 幀作為手勢(shì)軌跡結(jié)束的尾幀，記為ts。最后，將t1幀和ts幀及它們之間的幀提取出來(lái)，即獲得一個(gè)完整的手勢(shì)軌跡加速度AS，長(zhǎng)度記為S(S≤n)。該加速度數(shù)據(jù)矩陣形式記為AS。

每一次采集手勢(shì)軌跡時(shí)所用的時(shí)間不同，導(dǎo)致加速度曲線長(zhǎng)度也不相等。為便于特征提取，需對(duì)AS長(zhǎng)度歸一化。設(shè)置長(zhǎng)度歸一化閾值為L(zhǎng)=200 幀，得到歸一化之后的加速度矩陣為AL。具體處理如下：

1) 當(dāng)其長(zhǎng)度S 等于閾值L 時(shí)，AS不需要進(jìn)行處理，即AL=AS；

2) 當(dāng)其長(zhǎng)度S 小于閾值L 時(shí)，需要對(duì)數(shù)據(jù)AS進(jìn)行插值處理。按如下方法處理：首先計(jì)算j=[(L ×i)/ S ],i=1,2, …,S(其中，[ ]表示對(duì)結(jié)果取整運(yùn)算)。把對(duì)應(yīng)i 下的xi依次賦值給對(duì)應(yīng)j 的yj，將所有的 yj按下標(biāo) j 遞增規(guī)則依次排列為yj1,yj2, …,yjh，顯然有jh=L；然后，令j=1，依次遞增至L，若j 滿(mǎn)足j＜j1，則yj=yj1；若j 滿(mǎn)足jk＜j＜jk+1(k=1,2, …,h-1)，則采用線性插值法來(lái)計(jì)算AL中的第j 個(gè)分量yj，計(jì)算式為

3) 當(dāng)長(zhǎng)度S 大于閾值L 時(shí)，需對(duì)數(shù)據(jù)AS降采樣，若滿(mǎn)足計(jì)算式j(luò)=[(L ×i)/ S](i=1,2, … ,S)的i 只有1個(gè)，則令yj=xi；若滿(mǎn)足式子j=[(L ×i)/ S]的i 有多個(gè)，則計(jì)算這些i 對(duì)應(yīng)的分量均值作為第j 幀的結(jié)果。

3 手勢(shì)軌跡特征提取和SVM 分類(lèi)器

3.1 基于小波變換的手勢(shì)軌跡特征提取

本文針對(duì)手機(jī)端采集到的數(shù)據(jù)，結(jié)合小波多分辨率理論和Mallat 算法，提出基于小波變換的手勢(shì)軌跡特征提取算法對(duì)AL特征提取，最后得到1 次手勢(shì)軌跡的特征向量FFFF。

輸入：預(yù)處理后的手勢(shì)軌跡加速度矩陣AL，包括x，y 和z 3 個(gè)方向數(shù)據(jù)。

第3 步：求取所選擇的各層信號(hào)的能量。小波變換中信號(hào)的能量求解公式為

圖2 小波多層分解結(jié)構(gòu)圖Fig.2 Structure diagram of multiwavelet decomposition

第4 步：提取特征向量。根據(jù)式(4)可知從x，y和z 這3 個(gè)方向的加速度信號(hào)都可以提取到1 個(gè)低頻逼近信號(hào)和N 個(gè)高頻細(xì)節(jié)信號(hào)的能量，進(jìn)行組合并分別記為Ex，Ey和Ez。

將式(5)中Ex，Ey和Ez再進(jìn)行組合，構(gòu)成手勢(shì)軌跡的特征向量FFFF：

根據(jù)上述基于小波變換多層分解的特征提取，1次手勢(shì)軌跡最終可以使用特征向量FFFF 表示。

3.2 2 類(lèi)SVM 分類(lèi)器

2 類(lèi)問(wèn)題中，1 個(gè)訓(xùn)練集Dk表示成

式中：yi為樣本xi的標(biāo)簽；d 為樣本維數(shù)；N 為樣本個(gè)數(shù)。xi若為正樣本，則yi標(biāo)記為+1；若特征向量xi為負(fù)樣本，則yi標(biāo)記為-1。因此，支持向量機(jī)分類(lèi)器fk定義為

其中： wTx +b 為邊界函數(shù)，它可以通過(guò)式(9)求得。

K(xi,x)為核函數(shù)；DSV為支持向量集合，即 αi為非零所對(duì)應(yīng)的訓(xùn)練樣本。

4 實(shí)驗(yàn)結(jié)果及分析

本文中采集數(shù)據(jù)所用的手機(jī)為2011-05 上市的三星I9001，CPU 為比較常見(jiàn)的高通驍龍Snapdragon MSM8255，最低頻率為122 MHz，最高頻率可達(dá)1.4 GHz；RAM 容量為512 M，實(shí)際運(yùn)行內(nèi)存為357 M；ROM 為8 G。手機(jī)的操作系統(tǒng)為Android OS 2.3.6，電池容量為1 650 mA·h，自帶有方向傳感器、加速度傳感器和距離傳感器等。采集的數(shù)據(jù)規(guī)格為60 幀/s，即采樣頻率為60 Hz，這與人的一般手勢(shì)運(yùn)動(dòng)頻率高6倍左右[17]。在實(shí)驗(yàn)過(guò)程中，采集了18 個(gè)人的手勢(shì)軌跡，其中13 名男性，5 名女性。預(yù)設(shè)2 個(gè)特定的手勢(shì)，分別為小寫(xiě)字母“a”和漢字“中”，這2 個(gè)類(lèi)型的手勢(shì)軌跡不是很復(fù)雜，且人們普遍比較熟悉，易于執(zhí)行。

4.1 訓(xùn)練樣本集實(shí)驗(yàn)結(jié)果及分析

每天分別對(duì)每個(gè)人2 個(gè)類(lèi)型的手勢(shì)軌跡采集15次以上數(shù)據(jù)，共采集10 d。最后，手勢(shì)軌跡的數(shù)據(jù)均有3 000 多個(gè)樣本，組成2 個(gè)實(shí)驗(yàn)數(shù)據(jù)集，記為“數(shù)據(jù)集一”和“數(shù)據(jù)集二”。采用拒真率和識(shí)假率這2個(gè)鑒定認(rèn)證的性能指標(biāo)來(lái)進(jìn)行評(píng)價(jià)。拒真率(false rejection rate，用符號(hào)FFRR表示)指的是將原本正確合法的用戶(hù)錯(cuò)誤識(shí)別為非法用戶(hù)而拒絕接受的情況所占的百分比，識(shí)假率(false acceptance rate，用符號(hào)FFAR表示)即把原本非法的用戶(hù)錯(cuò)誤識(shí)別為合法用戶(hù)而接受的情況所占的百分比。在認(rèn)證中，應(yīng)該盡量降低識(shí)假率以達(dá)到較好的安全性能。在實(shí)驗(yàn)分析中，為了定性分析幾個(gè)方面的因素對(duì)最終結(jié)果的影響，在采用不同的小波基函數(shù)、訓(xùn)練樣本數(shù)量、數(shù)據(jù)曲線的單調(diào)性和支持向量機(jī)中的參數(shù)這4 個(gè)方面分析其對(duì)識(shí)假率FFAR和拒真率FFRR的影響。

1) 對(duì)“數(shù)據(jù)集一”進(jìn)行比較分析結(jié)果如表1 所示。比較分析時(shí)，分別選擇正、負(fù)樣本數(shù)10 個(gè)來(lái)構(gòu)建訓(xùn)練樣本集，剩下的樣本隨機(jī)選擇一部分作為測(cè)試集，選擇不同小波基函數(shù)在不同層數(shù)分解下對(duì)身份認(rèn)證性能的影響，其中得到的結(jié)果FFAR和FFRR是依次使用18個(gè)采集者用作合法用戶(hù)進(jìn)行18 次實(shí)驗(yàn)求得結(jié)果的平均值。同樣，對(duì)“數(shù)據(jù)集二”進(jìn)行實(shí)驗(yàn)分析得到的實(shí)驗(yàn)結(jié)果如表2 所示。

表1 由“數(shù)據(jù)集一”在不同小波基函數(shù)和不同分解層數(shù)時(shí)得到的FFRR 和FFARTable 1 FFRR and FFAR from Dataset 1 with different wavelet functions and different levels of decomposition

表2 由“數(shù)據(jù)集二”在不同小波基函數(shù)和不同分解層數(shù)時(shí)得到的FFRR 和FFARTable 2 FFRR and FFAR from Dataset 2 with different wavelet functions and different levels of decomposition

由表1 和表2 可知：使用dmey 小波基函數(shù)進(jìn)行小波5 層分解提取特征時(shí)，得到的FFAR和FFRR要比其他小波基函數(shù)的效果好，尤其是其中FFAR相對(duì)較低，這在身份認(rèn)證中是比較重要的1 個(gè)因素?？芍纸鈱訑?shù)對(duì)認(rèn)證的影響是：分解層數(shù)較低可能包含冗余點(diǎn)而影響認(rèn)證；分解層數(shù)太高，就會(huì)丟失一些關(guān)鍵點(diǎn)。

2) 針對(duì)手機(jī)端數(shù)據(jù)采集的有限性，應(yīng)用中若采集過(guò)多的訓(xùn)練數(shù)據(jù)，則會(huì)加重?cái)?shù)據(jù)計(jì)算處理負(fù)擔(dān)，為此進(jìn)行了訓(xùn)練樣本集規(guī)模對(duì)身份認(rèn)證結(jié)果影響的研究。分析“數(shù)據(jù)集一”的結(jié)果如表3 所示。分析時(shí)，對(duì)預(yù)處理后的數(shù)據(jù)使用dmey 小波基函數(shù)在小波5 層分解下提取特征向量組成不同規(guī)模的訓(xùn)練樣本集，然后用于支持向量機(jī)模型訓(xùn)練；進(jìn)行身份認(rèn)證得到的FFAR和FFRR也是依次使用18 個(gè)采集者作為合法用戶(hù)時(shí)求得結(jié)果的平均值。表3 中訓(xùn)練樣本個(gè)數(shù)中正、負(fù)樣本數(shù)量各占訓(xùn)練集總數(shù)的1/2。同樣，對(duì)“數(shù)據(jù)集二”進(jìn)行實(shí)驗(yàn)分析，最后得到的實(shí)驗(yàn)結(jié)果如表4 所示。

表3 由“數(shù)據(jù)集一”在不同規(guī)模訓(xùn)練樣本集下得到的FFRR和FFARTable 3 FFRR and FFAR from Dataset 1 with different sizes of training samples

表4 由“數(shù)據(jù)集二”在不同規(guī)模訓(xùn)練樣本集下得到的FFRR和FFARTable 4 FFRR and FFAR from Dataset 2 with different sizes of training samples

從表3 和表4 可知：訓(xùn)練樣本集規(guī)模對(duì)身份認(rèn)證的性能有一定影響，本文選擇正負(fù)訓(xùn)練樣本的模板數(shù)分別為12 個(gè)時(shí)得到的FFAR和FFRR要比其他規(guī)模的訓(xùn)練樣本集效果好，其中FFAR也相對(duì)較低。

3) 支持向量機(jī)中參數(shù)C 和γ對(duì)核函數(shù)有一定影響，從而影響身份認(rèn)證的結(jié)果。在支持向量機(jī)模型訓(xùn)練前，選用的是4 折交叉驗(yàn)證，通過(guò)實(shí)驗(yàn)對(duì)其得到的C 和γ是否為最優(yōu)的參數(shù)進(jìn)行論證分析。當(dāng)C 和γ均在區(qū)間(2-10,210)范圍內(nèi)變化時(shí)，每對(duì)C 和γ均可以求得1個(gè)準(zhǔn)確率。當(dāng)采集者為合法用戶(hù)時(shí)，訓(xùn)練樣本集為24個(gè)(其中正、負(fù)樣本各12 個(gè))，采用dmey 小波基函數(shù)進(jìn)行5 層分解提取特征向量，使用并行格點(diǎn)搜索的4折交叉驗(yàn)證得到不同C 和γ下的準(zhǔn)確率，如圖3 所示。

圖3 不同C 和γ下交叉驗(yàn)證得到的準(zhǔn)確率Fig.3 Accuracy of cross-validation with different C and γ

根據(jù)圖3 中最高的準(zhǔn)確率可以得到最優(yōu)的C 和γ，分別為1.0 和0.5。然后，將這2 個(gè)參數(shù)用在整個(gè)訓(xùn)練集上，訓(xùn)練支持向量機(jī)模型使用測(cè)試集進(jìn)行驗(yàn)證，得到的認(rèn)證率為97.55%。進(jìn)一步選擇其他C 和γ進(jìn)行實(shí)驗(yàn)，在測(cè)試集上求認(rèn)證率，結(jié)果如圖4 所示。圖4 中橫坐標(biāo)為C，縱坐標(biāo)為測(cè)試集的認(rèn)證率，不同的曲線表示不同的γ對(duì)應(yīng)的認(rèn)證率。

從圖4 可以看出：當(dāng)C=1，γ=0.5 時(shí)，測(cè)試樣本集能得到的認(rèn)證率最高。因此，本文根據(jù)交叉驗(yàn)證得到的C 和γ對(duì)使用整個(gè)訓(xùn)練樣本集訓(xùn)練的支持向量機(jī)模型具有較好效果，得到的分類(lèi)器模型具有很高的認(rèn)證率。

圖4 不同C 和γ下訓(xùn)練的SVM 對(duì)測(cè)試樣本求得的認(rèn)證率Fig.4 Authentication rate of SVM to test samples with different C and γ

4.2 曲線單調(diào)性和小波特征對(duì)比實(shí)驗(yàn)

預(yù)處理后的數(shù)據(jù)曲線在波峰、波谷和曲線的單調(diào)性上表現(xiàn)出一定的原始特征，對(duì)其性能進(jìn)行分析，并與基于小波多層分解提取的特征進(jìn)行的認(rèn)證結(jié)果進(jìn)行比較。其中，小波多層分解采用dmey 小波基函數(shù)進(jìn)行5 層分解，訓(xùn)練樣本集中正、負(fù)樣本分別為12 個(gè)，依次使用18 個(gè)采集者用作合法用戶(hù)求得FFAR和FFRR，統(tǒng)計(jì)兩者的均值作為最終結(jié)果，對(duì)“數(shù)據(jù)集一”進(jìn)行實(shí)驗(yàn)，得到的FFAR和FFRR對(duì)比結(jié)果如表5 所示。同樣，對(duì)“數(shù)據(jù)集二”進(jìn)行實(shí)驗(yàn)分析，得到的實(shí)驗(yàn)結(jié)果如表6 所示。

從表5 和表6 可知：基于小波多層分解提取到的手勢(shì)軌跡特征向量能更好地表現(xiàn)同類(lèi)手勢(shì)軌跡之間的相似性，也能很好地表現(xiàn)不同類(lèi)手勢(shì)軌跡之間的差異性。同時(shí)，該特征向量的維數(shù)比原始數(shù)據(jù)的維數(shù)要低，從而能有效地提高支持向量機(jī)的訓(xùn)練和測(cè)試樣本的匹配效率。

表5 “數(shù)據(jù)集一”下2 種不同特征的FFRR 和FFARTable 5 FFRR and FFAR of two different characteristics from Dataset 1

表6 “數(shù)據(jù)集二”下2 種不同特征的FFRR 和FFARTable 6 FFRR and FFAR of two different characteristics from Dataset 2

5 結(jié)論

1) 提出了基于小波變換的特征提取，利用SVM思想，對(duì)用戶(hù)手勢(shì)軌跡的加速度數(shù)據(jù)進(jìn)行鑒定認(rèn)證，判定該用戶(hù)是否為合法用戶(hù)，進(jìn)而控制用戶(hù)能否訪問(wèn)手機(jī)上的資源，從而達(dá)到一個(gè)更自由方便、安全性高和體驗(yàn)性好的手機(jī)用戶(hù)身份認(rèn)證的目的。

2) 所提出的基于手機(jī)加速度傳感器的身份認(rèn)證方法準(zhǔn)確率達(dá)96%以上，這表明基于小波變換提取的特征結(jié)合支持向量機(jī)分類(lèi)器實(shí)現(xiàn)的手機(jī)端的身份認(rèn)證算法具有很好的效果和推廣價(jià)值。

[1] Khan W, Xiang Y, Aalsalem M, et al. Mobile phone sensing systems: A survey[J]. IEEE Communications Surveys &Tutorials,2013,15(1):402-427.

[2] Selimis G, Fournaris A, Kostopoulos G, et al. Software and hardware issues in smart card technology[J]. Communications Surveys and Tutorials,2009,11(3):143-152.

[3] Chakraborty G, Chakraborty B, Patra J, et al. An MLP-based face authentication technique robust to orientation[C]// IEEE International Conference on Neural Networks. Atlanta: IEEE Computer Society,2009:481-488.

[4] Zhang J, Liu X, Chen B. The design and implementation of ID authentication system based on fingerprint identification[C]//IEEE International Conference on Intelligent Computation Technology and Automation.Shenzhen: IEEE Computer Society,2011:1217-1220.

[5] Kang B, Park K. A new multi-unit iris authentication based on quality assessment and score level fusion for mobile phones[J].Machine Vision and Applications,2010,21(4):541-553.

[6] Chapran J. Biometric writer identification: feature analysis and classification[J]. International Journal of Pattern Recognition and Artificial Intelligence,2006,20(4):483-503.

[7] Tan S. Neighbor-weighted k-nearest neighbor for unbalanced text corpus[J]. Expert Systems with Applications, 2005, 28(4):667-671.

[8] Sim K. Training HMM structure and parameters with genetic algorithm and harmony search algorithm[J]. Journal of Electrical Engineering and Technology,2012,7(1):109-114.

[9] Neaupane K, Achet S. Some applications of a backpropagation neural network in geo-engineering[J]. Environmental Geology,2004,45(4):567-575.

[10] Stefano L, Mattoccia S, Tombari F. ZNCC-based template matching using bounded partial correlation[J]. Pattern Recognition Letters,2005,26(14):2129-2134.

[11] Weiss R, De Luca A. PassShapes: Utilizing stroke based authentication to increase password memorability[C]//Proceedings of the 5th Nordic Conference on Human-computer Interaction: Building Bridges. New York: ACM Press, 2008:383-392.

[12] Chong M K, Marsden G. Exploring the use of discrete gestures for authentication[C]// Human-Computer Interaction-INTERACT 2009.Heidelberg,Berlin:Springer,2009:205-213.

[13] Farella E, O’Modhrain S, Benini L, et al. Gesture signature for ambient intelligence applications: A feasibility study[C]//Pervasive Computing. Heidelberg, Berlin: Springer, 2006:288-304.

[14] Liu J, Zhong L, Wickramasuriya J, et al. User evaluation of lightweight user authentication with a single tri-axis accelerometer[C]// Proceedings of the 11th International Conference on Human-computer Interaction with Mobile Devices and Services.New York:ACM,2009:15.

[15] Liu J,Zhong L,Wickramasuriya J, et al. uWave:Accelerometerbased personalized gesture recognition and its applications[J].Pervasive and Mobile Computing,2009,5(6):657-675.

[16] Ruiz J, Li Y, Lank E. User-defined motion gestures for mobile interaction[C]// CHI'11 of the SIGCHI Conference on Human Factors in Computing Systems. New York: ACM, 2011:197-206.

[17] 陳文. 基于加速度傳感器的智能終端手勢(shì)識(shí)別關(guān)鍵技術(shù)研究[D]. 長(zhǎng)沙: 國(guó)防科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系,2011:1-30.CHEN Wen. Gesture recognition based on the accelerometer of the intelligent terminals[D]. Changsha: School of National University of Defence Technology. Department of Computer Science and Technology,2011:1-30.