王 堯， 孫子文， 周治平

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122)

一種基于手機(jī)加速度傳感器的三維手勢(shì)身份認(rèn)證方法*

王 堯， 孫子文， 周治平

(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214122)

針對(duì)手機(jī)用戶(hù)安全問(wèn)題，提出一種基于手機(jī)加速度傳感器的手勢(shì)身份認(rèn)證方法。采用均值—方差歸一化方式對(duì)三維手勢(shì)數(shù)據(jù)進(jìn)行歸一化處理；采用門(mén)限值方法截取手勢(shì)動(dòng)作，去除干擾數(shù)據(jù)；認(rèn)證算法采用模板匹配的方式，通過(guò)設(shè)計(jì)的均值—?jiǎng)討B(tài)時(shí)間歸整(A-DTW)算法對(duì)參考模板和測(cè)試模板進(jìn)行比較，判斷用戶(hù)的真實(shí)性。仿真結(jié)果顯示：該算法方便可行，具有較高的識(shí)別率。

身份認(rèn)證； 加速度傳感器； 手機(jī)安全； 手勢(shì)識(shí)別

0 引 言

智能手機(jī)為實(shí)現(xiàn)手機(jī)支付、手機(jī)優(yōu)惠券、手機(jī)銀行、和移動(dòng)VIP客戶(hù)服務(wù)等移動(dòng)電子商務(wù)提供了移動(dòng)終端平臺(tái)[1]。然而，手機(jī)的安全性問(wèn)題阻礙了基于手機(jī)終端的移動(dòng)交易業(yè)務(wù)的更深層次的應(yīng)用研究和使用推廣，手機(jī)用戶(hù)身份認(rèn)證問(wèn)題是解決手機(jī)應(yīng)用安全面臨的嚴(yán)峻挑戰(zhàn)。

基于智能手機(jī)傳感器的用戶(hù)身份認(rèn)證為模式識(shí)別研究領(lǐng)域提供了新的研究空間。目前對(duì)于三維手勢(shì)特征的研究多集中在手勢(shì)識(shí)別領(lǐng)域[2]，類(lèi)似于手寫(xiě)識(shí)別[3]，即識(shí)別不同人的相同手勢(shì)動(dòng)作。近期，少量的文獻(xiàn)開(kāi)始了基于加速度傳感器的三維手勢(shì)用于身份認(rèn)證的研究[4～7]：利用手機(jī)加速度傳感器采集得到用戶(hù)搖晃手機(jī)的三軸加速度序列，并求序列的均值、最大值等作為用戶(hù)的相關(guān)行為特征，通過(guò)支持向量機(jī)(support vector machine，SVM)對(duì)特征數(shù)據(jù)進(jìn)行訓(xùn)練歸類(lèi)，以區(qū)分出不同用戶(hù)[4]；采用加速度傳感器與方向傳感器相結(jié)合采集得到三維手勢(shì)動(dòng)作的三軸加速度和角度序列，并利用動(dòng)態(tài)時(shí)間歸整(dynamic time warping，DTW)算法對(duì)不同序列進(jìn)行匹配，求出序列之間的差異，根據(jù)差異值大小區(qū)分出不同用戶(hù)，實(shí)現(xiàn)身份認(rèn)證[5]；采用加速度傳感器采集三維手勢(shì)動(dòng)作的三軸加速度序列，通過(guò)序列對(duì)齊的方式，求出對(duì)齊后加速度序列之間的絕對(duì)值距離并采用模板更新的方式實(shí)現(xiàn)身份認(rèn)證[6]；通過(guò)方向傳感器采集手腕轉(zhuǎn)動(dòng)時(shí)的三軸角度序列，以序列的均值、最大、最小值等作為特征，通過(guò)k最鄰近(k-nearest neighbor，kNN)節(jié)點(diǎn)分類(lèi)器訓(xùn)練樣本，并根據(jù)訓(xùn)練出的模型區(qū)分出不同用戶(hù)[7]。文獻(xiàn)[4～7]提出的手機(jī)用戶(hù)身份認(rèn)證方式類(lèi)似于傳統(tǒng)的二維簽名識(shí)別[8]，是一種入侵者知道怎么去做但很難模仿成功的身份認(rèn)證方式，但是,三維手勢(shì)比二維手寫(xiě)簽名更難被模仿[9]，基于SVM和kNN分類(lèi)器的算法中對(duì)經(jīng)過(guò)分類(lèi)訓(xùn)練的用戶(hù)具有很好的區(qū)分能力，但是,對(duì)未經(jīng)訓(xùn)練的用戶(hù)區(qū)分能力較差，而且在訓(xùn)練時(shí)需要大量的樣本數(shù)據(jù)，過(guò)程較復(fù)雜；基于模板匹配的算法需要的樣本數(shù)據(jù)相對(duì)較少，但是,目前并沒(méi)有取得較高的識(shí)別率，有待于進(jìn)一步改進(jìn)。

本文提出一種基于加速度傳感器的三維手勢(shì)身份認(rèn)證方法，通過(guò)手機(jī)內(nèi)置的加速度傳感器采集得到三維手勢(shì)的三軸加速度數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理操作，提出了DTW的改進(jìn)算法:A-DTW(average-DTW)算法，計(jì)算不同手勢(shì)序列之間的最小累積平均距離，并采用模板注冊(cè)和模板匹配的方法實(shí)現(xiàn)身份認(rèn)證，仿真實(shí)驗(yàn)表明算法具有較高的識(shí)別率。

1 手勢(shì)數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)的獲取

三維手勢(shì)動(dòng)作的數(shù)據(jù)通過(guò)手機(jī)內(nèi)置的加速度傳感器獲取，單位是m/s2。

定義手勢(shì)的三軸加速度序列Ak，描述為

1.2 數(shù)據(jù)的歸一化

基于手勢(shì)動(dòng)作的快慢會(huì)影響加速度數(shù)據(jù)的幅值大小，因此,采用均值—標(biāo)準(zhǔn)差歸一化方式對(duì)加速度數(shù)據(jù)進(jìn)行歸一化處理，盡可能多地保留區(qū)分不同手勢(shì)的距離信息。其計(jì)算公式如式(1)

(1)

(2)

(σxk,σyk,σzk)=

(3)

原始手勢(shì)加速度數(shù)據(jù)經(jīng)過(guò)歸一化處理后，三軸加速度序列NAk描述為

1.3 手勢(shì)動(dòng)作數(shù)據(jù)的截取

為準(zhǔn)確提取出手勢(shì)動(dòng)作的加速度數(shù)據(jù)，采用基于門(mén)限值的方法對(duì)手勢(shì)動(dòng)作的開(kāi)始和結(jié)束進(jìn)行判斷[10]，如果采集到的數(shù)據(jù)超過(guò)預(yù)先設(shè)定的門(mén)限值，則認(rèn)為手勢(shì)開(kāi)始；手勢(shì)開(kāi)始之后如果在一段時(shí)間內(nèi)數(shù)據(jù)都未超過(guò)門(mén)限值，則認(rèn)為手勢(shì)結(jié)束。

同時(shí)，考慮加速度傳感器的三軸加速度值的開(kāi)始和結(jié)束的不同步問(wèn)題，為盡可能多地捕捉各軸加速度值對(duì)手勢(shì)特征識(shí)別的貢獻(xiàn)，分別對(duì)X,Y,Z軸進(jìn)行手勢(shì)動(dòng)作加速度數(shù)據(jù)的截取，三軸手勢(shì)動(dòng)作數(shù)據(jù)的開(kāi)始點(diǎn)定義為三軸手勢(shì)動(dòng)作數(shù)據(jù)的最早開(kāi)始點(diǎn)，三軸手勢(shì)動(dòng)作數(shù)據(jù)的結(jié)束點(diǎn)定義為三軸手勢(shì)動(dòng)作數(shù)據(jù)結(jié)束點(diǎn)的最后點(diǎn)。

手勢(shì)動(dòng)作截取后的三軸加速度數(shù)據(jù)CAk描述為

(4)

其中,CXk,CYk,CZk分別為X,Y,Z軸截取后的加速度序列，p1,q1為手勢(shì)動(dòng)作開(kāi)始和結(jié)束時(shí)刻。

2 手勢(shì)匹配算法

2.1A-DTW算法

DTW算法是在動(dòng)態(tài)規(guī)劃的思想上，把時(shí)間規(guī)整和距離計(jì)算結(jié)合起來(lái)[11,12]，具有非線性時(shí)間歸一化效果的模式匹配算法。

DTW算法反映的是兩序列之間的總體差異，并沒(méi)有具體反映出序列對(duì)齊點(diǎn)之間的差異，而通過(guò)對(duì)齊點(diǎn)之間的差異能更好反映不同手勢(shì)序列之間的差異，因此在DTW算法的基礎(chǔ)上，本文提出對(duì)DTW算法中的最小累積距離進(jìn)行改進(jìn)的A-DTW算法，A-DTW具體描述如下

假設(shè)T(N)=(t1,t2,…,tn,…,tN),R(M)=(r1,r2,…,rm,…,rM),分別表示數(shù)據(jù)總個(gè)數(shù)為N的測(cè)試模板和數(shù)據(jù)總個(gè)數(shù)為M的參考模板。采用絕對(duì)值距離計(jì)算測(cè)試模板與參考模板數(shù)據(jù)之間的匹配距離

(5)

其中,tn為測(cè)試模板的第n個(gè)數(shù)據(jù)，rm為參考模板的第m個(gè)數(shù)據(jù)，d(tn,rm)為tn與rm的距離。

為避免匹配路徑過(guò)于傾斜，本文將斜率限定在0～2范圍內(nèi)，路徑的最小累積平均距離計(jì)算公式為

(6)

2.2 身份認(rèn)證機(jī)制

2.2.1 模板注冊(cè)

1)用戶(hù)確定自己身份認(rèn)證手勢(shì)后，重復(fù)身份認(rèn)證手勢(shì)動(dòng)作k次，采集得到k組加速度數(shù)據(jù)A1,A2,…,Ak,k取正整數(shù)。

2)通過(guò)手勢(shì)數(shù)據(jù)預(yù)處理后得到手勢(shì)動(dòng)作的加速度數(shù)據(jù)CA1,CA2,…,CAk，分別以CAi為測(cè)試模板CAj為參考模板，其中,1≤i

3)運(yùn)用式(5)、式(6)分別計(jì)算對(duì)應(yīng)X軸、Y軸、Z軸的最小累積平均距離，如計(jì)算組合(CAi,CAj)可分別得到D(CXi,CXj),D(CYi,CYj),D(CZi,CZj)，并求average(D(CXi,CXj),D(CYi,CYj),D(CZi,CZj))得到三軸最小平均累積距離的平均值ω(CAi,CAj)。類(lèi)似地計(jì)算以上 (k-1)！種組合并求得其平均值μ，將μ與CA1,CA2,…,CAk作為用戶(hù)身份認(rèn)證手勢(shì)的模板存入系統(tǒng)。

用戶(hù)在選取身份認(rèn)證手勢(shì)時(shí)應(yīng)遵循以下原則：

a.選取自己較熟悉且易重復(fù)做出的手勢(shì)；

b.整個(gè)手勢(shì)動(dòng)作的時(shí)間不宜太長(zhǎng)或太短；

c.手勢(shì)開(kāi)始和結(jié)束時(shí)手機(jī)應(yīng)處于平穩(wěn)狀態(tài)；

d.手勢(shì)應(yīng)相對(duì)復(fù)雜，不易被他人立即學(xué)會(huì)。

2.2.2 模板匹配

1)用戶(hù)手持手機(jī)做身份認(rèn)證手勢(shì)一次得到加速度數(shù)據(jù)At，經(jīng)過(guò)手勢(shì)數(shù)據(jù)預(yù)處理后得到手勢(shì)動(dòng)作加速度數(shù)據(jù)CAt。

2)以CAt為測(cè)試模板，CAt,CA2,…,CAk為參考模板，計(jì)算測(cè)試模板與參考模板的三軸最小累積平均距離的平均值分別得到： ω(CAt,CA1),ω(CAt,CA2),…,ω(CAt,CAk)，類(lèi)似的計(jì)算其均值得到值ψ。

3)用戶(hù)身份認(rèn)證決策規(guī)則如式(7)

(7)

其中,θ為閾值，θ的取值與識(shí)別精度相關(guān)，如果θ過(guò)大，則手機(jī)真實(shí)用戶(hù)通過(guò)身份認(rèn)證的概率將會(huì)增大，同時(shí)入侵用戶(hù)通過(guò)身份認(rèn)證的概率也會(huì)增大;如果θ過(guò)小,則相反。

4)模板更新:由于手勢(shì)的多義性和多樣性，即使是同一個(gè)用戶(hù)執(zhí)行同一個(gè)手勢(shì)，每次采集的數(shù)據(jù)也存在差異[11]，因此,本文采用模板更新的策略達(dá)到降低用戶(hù)本人行為習(xí)慣對(duì)識(shí)別系統(tǒng)影響的目的，當(dāng)測(cè)試模板通過(guò)身份認(rèn)證且ψ與μ的比值小于α?xí)r，則用測(cè)試模板交替更新3個(gè)參考模板，當(dāng)參考模板被更新產(chǎn)生變化時(shí)， 值也會(huì)改變。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)采集與預(yù)處理

仿真設(shè)置：選用三星GT—I9001手機(jī)采集加速度數(shù)據(jù)，以Matlab7.11.0作為仿真平臺(tái)。加速度數(shù)據(jù)庫(kù)由6個(gè)不同用戶(hù)連續(xù)24天采集得到，每人每天采集10組數(shù)據(jù)，即總共采集得到1 440組數(shù)據(jù)，用戶(hù)身份認(rèn)證手勢(shì)均為在空中畫(huà)出數(shù)字‘6’。選取錯(cuò)誤拒絕率(falserejectionrate,FRR)和錯(cuò)誤接受率(falseacceptancerate,FAR)2個(gè)參數(shù)評(píng)估算法的準(zhǔn)確度，F(xiàn)RR表示真實(shí)用戶(hù)被拒絕通過(guò)身份認(rèn)證的概率，F(xiàn)AR表示入侵用戶(hù)通過(guò)身份認(rèn)證的概率，即FRR,FAR的值越小表示算法的識(shí)別精度越高。

選取用戶(hù)1采集的某一組數(shù)據(jù)為例，其波形圖如圖1所示。通過(guò)均值—標(biāo)準(zhǔn)差歸一化對(duì)三軸加速度數(shù)據(jù)進(jìn)行歸一化處理后得到的波形如圖2所示，歸一化使得三軸加速度數(shù)據(jù)約束在一定范圍內(nèi)，能在一定程度上減少手勢(shì)匹配算法的計(jì)算量，提高匹配精度及系統(tǒng)效率。通過(guò)門(mén)限值的方法分別對(duì)三軸加速度數(shù)據(jù)進(jìn)行截取，得到的波形如圖3所示。

圖1 原始手勢(shì)數(shù)據(jù)Fig 1 Original gesture data

圖2 歸一化后手勢(shì)數(shù)據(jù)Fig 2 Gesture data after normalization

圖3 截取后手勢(shì)數(shù)據(jù)Fig 3 Gesture data after interception

3.2 參數(shù)設(shè)置與仿真結(jié)果分析

閾值的確定原則：選取用戶(hù)2的100組數(shù)據(jù)作為真實(shí)用戶(hù)的數(shù)據(jù)，其他用戶(hù)各取20組數(shù)據(jù)作為入侵用戶(hù)的數(shù)據(jù)，分別求出不同閾值θ下的FRR和FAR，結(jié)果如圖4所示，從圖中可以看出：FRR曲線與FAR曲線的交點(diǎn)在1.5～1.6之間，此交點(diǎn)即為模式識(shí)別中的等錯(cuò)率點(diǎn)，為最優(yōu)的分類(lèi)點(diǎn)，因此，本文中閾值θ取1.56。

圖4 閾值θFig 4 Threshold value θ

確定θ后，以類(lèi)似的方法計(jì)算不同模板更新閾值α對(duì)應(yīng)的FRR和FAR，最終確定閾值α取1.18，選取參考模板k的個(gè)數(shù)為3。

以某一用戶(hù)作為真實(shí)用戶(hù)，其余用戶(hù)均作為入侵用戶(hù)進(jìn)行仿真實(shí)驗(yàn)，仿真時(shí)對(duì)全局序列對(duì)齊(global sequence alignment,GSA)[6],DTW和A-DTW算法的檢測(cè)準(zhǔn)確性進(jìn)行對(duì)比，仿真結(jié)果如表1所示。

表1 不同用戶(hù)的FRR和FARTab 1 FRR and FAR of different users

由表中數(shù)據(jù)可知,A-DTW算法中不同用戶(hù)的FRR最大為7.73 %且均值為4.40 %，F(xiàn)AR最大為0.76 %且均值為0.33 %，表明算法在身份認(rèn)證中對(duì)真實(shí)用戶(hù)具有很高的識(shí)別率，同時(shí)對(duì)入侵用戶(hù)也有很高的FRR；GSA算法對(duì)不同用戶(hù)的FRR最大為57.92 %且均值達(dá)到30.94 %，F(xiàn)AR均為0，表明該算法在身份認(rèn)證中對(duì)入侵用戶(hù)有100 %的拒絕率，但是對(duì)真實(shí)用戶(hù)的識(shí)別率卻不高，而且不同用戶(hù)的FRR差別也較大，為用戶(hù)的識(shí)別帶來(lái)不便；DTW算法中不同用戶(hù)的FRR均值為11.32 %，F(xiàn)AR均值為0.78 %，表明該算法對(duì)入侵用戶(hù)有不錯(cuò)的拒絕率，但是對(duì)真實(shí)用戶(hù)的識(shí)別率效果不好；與GSA算法相比雖然A-DTW算法的FAR沒(méi)有達(dá)到0，但是也達(dá)到了1 %以下，基本滿(mǎn)足要求，且對(duì)真實(shí)用戶(hù)的識(shí)別率遠(yuǎn)遠(yuǎn)高于GSA算法；與DTW算法相比，A-DTW算法的FRR和FAR有所下降，提高了識(shí)別的準(zhǔn)確性。綜上所述，本文的A-DTW算法能有效的實(shí)現(xiàn)手機(jī)用戶(hù)的身份認(rèn)證，并且提高了身份認(rèn)證的識(shí)別率。

4 結(jié)束語(yǔ)

本文提出了一種新的基于手機(jī)加速度傳感器的用戶(hù)身份認(rèn)證算法，通過(guò)手機(jī)加速度采集三維手勢(shì)數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，采用A-DTW算法和身份認(rèn)證機(jī)制實(shí)現(xiàn)身份認(rèn)證，仿真結(jié)果表明：本文的算法具有很高的識(shí)別率，并且擁有較高的用戶(hù)體驗(yàn)度。

[1] Wiengarten F,Humphreys P,McKittrick A,et al.Investigating the impact of e-business applications on supply chain collaboration in the German automotive industry[J].International Journal of Operations & Production Management,2013,33(1):25-48.

[2] Ramakrishnan A S,Neff M.Segmentation of hand gestures using motion capture data[C]∥Proceedings of the 2013 International Conference on Autonomous Agents and Multi-agent Systems,International Foundation for Autonomous Agents and Multiagent Systems,2013:1249-1250.

[3] 徐 鵬.基于PSO-BP算法的規(guī)范手寫(xiě)體數(shù)字離線識(shí)別[J].傳感器與微系統(tǒng),2009,28(9):9-11.

[4] Guo Y,Yang L,Ding X,et al.OpenSesame:Unlocking smart phone through handshaking biometrics[C]∥2013 Proceedings IEEE INFOCOM,2013:365-369.

[5] Conti M,Zachia-Zlatea I,Crispo B.Mind how you answer me!:Transparently authenticating the user of a smartphone when answering or placing a call[C]∥Proceedings of the 6th ACM Symposium on Information,Computer and Communications Security:ACM,2011:249-259.

[6] Guerra-Casanova J,Sánchez-vila C,de Santos Sierra A,et al.Score optimization and template updating in a biometric technique for authentication in mobiles based on gestures[J].Journal of Systems and Software,2011,84(11):2013-2021.

[7] Lin C C,Liang D,Chang C C,et al.A new non-intrusive authentication method based on the orientation sensor for smartphone users[C]∥2012 IEEE Sixth International Conference on Software Security and Reliability(SERE):IEEE,2012:245-252.

[8] Liu D,Ge Y J,Zhang X Y.On-line signature verification utilizing 3-axis force features extraction based on DTW[J].Applied Mechanics and Materials,2013,241:2990-2995.

[9] Guo J K,Doermann D,Rosenfeld A.Local correspondence for detecting random forgeries[C]∥1997 Proceedings of the Fourth International Conference on Document Analysis and Recognition:IEEE,1997:319-323.

[10] Hofmann F G,Heyer P,Hommel G.Velocity profile based recognition of dynamic gestures with discrete hidden markov models[M]∥Gesture and Sign Language in Human-Computer Interaction.Berlin Heidelberg:Springer,1998:81-95.

[11] 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)防科學(xué)技術(shù)大學(xué),2011.

[12] 李 洋.基于改進(jìn)DTW算法的嵌入式語(yǔ)音識(shí)別系統(tǒng)的實(shí)現(xiàn)[D].西安：西安理工大學(xué),2011.

A method of 3D gesture identity authentication based on mobile-phone acceleration sensor*

WANG Yao， SUN Zi-wen， ZHOU Zhi-ping

(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China)

Aiming at mobile-phone users’security issues,a gesture identity authentication method based on acceleration sensor is proposed.3D gesture data are processed by the mean-variance normalization;and the data of the moving gesture are intercepted by using a threshold value to remove interference data;authentication algorithm adopts template matching method.The authenticity of the user can be determined by the average-dynamic time warping(A-DTW)algorithm through comparing reference template with test template.The simulation results show that the proposed algorithm is convenient,feasible and has a good recognition rate.

identity authentication； acceleration sensor； mobile-phone security； gesture recognition

10.13873/J.1000—9787(2014)08—0037—04

2014—01—15

教育部—中國(guó)移動(dòng)科研基金資助項(xiàng)目(MCM20122062)； 國(guó)家自然科學(xué)基金面上項(xiàng)目(61373126)； 江蘇省自然科學(xué)基金面上項(xiàng)目(BK20131107)

TP 391

A

1000—9787(2014)08—0037—04

王 堯(1990-)，男，江蘇豐縣人，碩士研究生，主要研究方向?yàn)槟Ｊ阶R(shí)別與智能系統(tǒng)。