孔菁 郭淵博 劉春輝 王一豐

摘 要：利用行為特征進(jìn)行身份驗(yàn)證是生物識(shí)別的前沿技術(shù)。為優(yōu)化基于步態(tài)特征的身份識(shí)別研究中對(duì)數(shù)據(jù)的處理并改進(jìn)識(shí)別的方式，提出利用智能手機(jī)運(yùn)動(dòng)傳感器數(shù)據(jù)提取步態(tài)特征用于身份識(shí)別的方法。首先，應(yīng)用空間轉(zhuǎn)換算法解決傳感器坐標(biāo)系漂移問題，使數(shù)據(jù)可以完整準(zhǔn)確地刻畫行為特征;然后，利用支持向量機(jī)（SVM）算法對(duì)用戶切換所導(dǎo)致的步態(tài)特征變化進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，經(jīng)過歐拉角法處理后，所提方法識(shí)別準(zhǔn)確率達(dá)到95.5%，在有效識(shí)別用戶變換的同時(shí)降低了空間開銷和實(shí)現(xiàn)難度。

關(guān)鍵詞：空間坐標(biāo)轉(zhuǎn)換;步態(tài)特征;加速度傳感器;歐拉角法;支持向量機(jī)

中圖分類號(hào)： TP393.08

文獻(xiàn)標(biāo)志碼：A

Abstract： The identification based on behavior features is a leading technology of biometric recognition. In order to optimize the process of data processing and the way of recognition in the existing studies of identification based on gait feature， a method of extracting gait features from the data of smart phone motion sensors for identification was proposed. Firstly， a spatial transformation algorithm was used to solve the problem of sensor coordinate system drift， making the data to describe the behavior features completely and accurately. Then， Support Vector Machine （SVM） algorithm was used to classify and identify gait features change caused by user transformation. The experimental results show that， the identification accuracy of the proposed method is 95.5%. It can be used to effectively identify user transformation with reduction of space cost and implementation difficulty.

Key words： spatial coordinate transformation; gait feature; acceleration sensor; Euler angle method; Support Vector Machine （SVM）

0 引言

生物識(shí)別是通過計(jì)算機(jī)視覺、人體生物學(xué)、生物統(tǒng)計(jì)學(xué)等高科技理論與手段結(jié)合，利用人體固有的生理特性或表現(xiàn)出的行為特征進(jìn)行身份識(shí)別與認(rèn)證的過程。生物識(shí)別技術(shù)主要利用的是人類生物特征，生物特征通常具有普遍性和唯一性。普遍性即所有用戶都擁有此特征;唯一性即不同用戶擁有不同但同類的特征。由于其具有與生俱來的遺傳性和終身不變等特點(diǎn)，目前生物識(shí)別技術(shù)較傳統(tǒng)識(shí)別技術(shù)而言存在較大優(yōu)勢。

如今全球信息化迅速發(fā)展，網(wǎng)絡(luò)化所引發(fā)的身份數(shù)字化與模糊化導(dǎo)致了普遍的個(gè)人隱私信息泄露問題，這對(duì)身份識(shí)別與安全驗(yàn)證提出了更高的標(biāo)準(zhǔn)和要求。常見的傳統(tǒng)安全認(rèn)證方法包括用戶名密碼組合驗(yàn)證、特有物件驗(yàn)證（如通行證、二維碼、口令等）、PIN（Personal Identification Number）碼驗(yàn)證等，這些驗(yàn)證方式過程中人為參與因素過多而易被盜取或模仿，無法實(shí)現(xiàn)高級(jí)別和高精度的安全防控?？陀^因素帶來的危險(xiǎn)難以避免，但利用生物特征的認(rèn)證方式即可將其解除，因?yàn)橛脩舻纳锾卣麟y以更改，不容易被模仿，被盜用可能性小，在政府軍隊(duì)、銀行、福利保障、電子商務(wù)等領(lǐng)域均有廣泛應(yīng)用[1]。現(xiàn)有成果中較高端的生物識(shí)別技術(shù)中將兩種特征結(jié)合，利用聲音和人體頭骨建立圖譜進(jìn)行高精度身份識(shí)別認(rèn)證的流程示意圖如圖1所示。

根據(jù)國際生物識(shí)別小組（International Biometric Group， IBG）目前的統(tǒng)計(jì)結(jié)果，已有生物識(shí)別技術(shù)主要分為針對(duì)生理特征和行為特征的兩種應(yīng)用，利用人體生理特性的身份識(shí)別應(yīng)用較多，如指紋識(shí)別、掌紋識(shí)別、人臉識(shí)別、虹膜識(shí)別等[2];基于用戶行為特征的生物識(shí)別技術(shù)種類也有部分應(yīng)用，如筆跡識(shí)別、聲音識(shí)別、步態(tài)識(shí)別等，這些技術(shù)指標(biāo)對(duì)比如表1所示?？梢娀谛袨樘卣鞯纳镒R(shí)別在相同設(shè)備成本等級(jí)中擁有最高的安全等級(jí)和準(zhǔn)確性，同時(shí)擁有較高的便利性和穩(wěn)定性，是該研究領(lǐng)域的新潮流。

目前利用生物特征進(jìn)行身份識(shí)別的工作原理如圖2所示，主要利用細(xì)節(jié)匹配的方法來識(shí)別用戶身份。其中指紋識(shí)別是利用手指的皮膚紋理進(jìn)行認(rèn)證，目前結(jié)合深度學(xué)習(xí)的相關(guān)知識(shí)廣泛應(yīng)用[3]，缺點(diǎn)在于日常生活中手指動(dòng)作頻繁易造成皮膚紋理改變，且已出現(xiàn)大量針對(duì)指紋竊取和更改的成熟技術(shù)出現(xiàn);人臉識(shí)別利用計(jì)算機(jī)分析圖像并從中提取有效個(gè)人識(shí)別信息，最終判別出對(duì)象的身份[4]。人臉識(shí)別雖目前已有較為成熟的應(yīng)用但其運(yùn)行的穩(wěn)定性較差，如拍攝角度、背景光線等均會(huì)對(duì)識(shí)別結(jié)果造成影響，導(dǎo)致誤報(bào)率極高，應(yīng)用性較差;虹膜識(shí)別[5]目前在全世界范圍內(nèi)被公認(rèn)為是已有身份識(shí)別技術(shù)中最為精確的一種，虹膜即人體眼睛內(nèi)鞏膜和瞳孔之間的環(huán)狀區(qū)域包含了豐富的紋理特征，其結(jié)構(gòu)由遺傳基因決定后天不能更改，且不易竊取或偽造。但虹膜識(shí)別需要配備高端的儀器進(jìn)行虹膜圖像采集和專業(yè)人員提供科學(xué)技術(shù)支撐，不適合日常工作中推廣與使用。

根據(jù)生物學(xué)常識(shí)可知，用戶除受傷等意外發(fā)生的正常情況下步行時(shí)的步幅、步速、擺臂幅度與頻率等表現(xiàn)出很明顯且較為固定的生物特性，為基于行為特征的身份識(shí)別技術(shù)研究提供了新思路。2005年，Ailisto等[6]首次提出利用獨(dú)立加速度傳感器采集用戶行走時(shí)的數(shù)據(jù)進(jìn)行步態(tài)特征提取用于身份識(shí)別，驗(yàn)證了基于加速度傳感器進(jìn)行基于步態(tài)特征的身份識(shí)別的可行性。隨著智能手機(jī)的發(fā)展與使用的推廣，其內(nèi)置加速度傳感器被用于步態(tài)識(shí)別更加普遍[7]，用戶在正常行走時(shí)可同時(shí)實(shí)現(xiàn)對(duì)身份的實(shí)時(shí)識(shí)別，從而達(dá)到了對(duì)貴重便攜式電子產(chǎn)品的保護(hù)[8]。Nicel等[9]利用動(dòng)態(tài)時(shí)間歸整（Dynamic Time Warping， DTW）算法，比較訓(xùn)練集和測試集的最小規(guī)整路徑，以步態(tài)周期為單一特征值，得到的能量效率比達(dá)到20%。Hoang等[10]將兩個(gè)手機(jī)分別放置在14個(gè)不同實(shí)驗(yàn)參與者的大腿上，在相同地板上進(jìn)行往返走12次，利用支持向量機(jī)來測試數(shù)據(jù)來源的準(zhǔn)確性，該方法展現(xiàn)了支持向量機(jī)分類器在處理該類數(shù)據(jù)方面的優(yōu)勢。

近些年來基于步態(tài)特征的身份識(shí)別技術(shù)主要有3個(gè)數(shù)據(jù)來源：計(jì)算機(jī)視覺、壓力傳感器和加速度傳感器。計(jì)算機(jī)視覺的方法首先利用視頻錄制或圖片拍攝等手段采集用戶行走時(shí)的圖像信息建立個(gè)人數(shù)據(jù)信息庫，再通過圖像識(shí)別技術(shù)進(jìn)行比對(duì)從而辨別不同的用戶[11]，但存在視覺范圍、障礙物遮擋、拍攝角度、光線不足等問題，繼續(xù)發(fā)展和推廣應(yīng)用的局限性較大;基于壓力傳感器的方法通常將特制的壓力傳感器事先在水平的地面上設(shè)置好，然后采集用戶步行通過時(shí)足底壓力的分布情況[12]，但該過程需要在特定設(shè)備上行走才能進(jìn)行有效的身份驗(yàn)證，實(shí)際中應(yīng)用較少;加速度傳感器具有可隨時(shí)置于人體特定部位進(jìn)行步行數(shù)據(jù)采集的優(yōu)勢，不受視覺影響和場地限制，因此基于步態(tài)特征的身份識(shí)別依賴更多是傳感器采集數(shù)據(jù)。智能手機(jī)使用的普及和加速度傳感器硬件的更新?lián)Q代使得數(shù)據(jù)采集過程更加方便快捷，且可更有效地保護(hù)用戶的隱私信息。

與獨(dú)立可傳感器相比，手機(jī)內(nèi)置加速度傳感器與設(shè)備自身固定[13]，使用自定義坐標(biāo)系，在數(shù)據(jù)采集時(shí)手機(jī)姿態(tài)的改變會(huì)導(dǎo)致坐標(biāo)系不斷發(fā)生漂移，此情況下即使同一用戶進(jìn)行相同運(yùn)動(dòng)過程時(shí)加速度傳感器的數(shù)據(jù)也難以表現(xiàn)出固定的數(shù)據(jù)特征。為解決該問題，實(shí)驗(yàn)在對(duì)步態(tài)特征進(jìn)行識(shí)別前增加了坐標(biāo)系方向轉(zhuǎn)換的數(shù)據(jù)處理步驟，使得采集的數(shù)據(jù)對(duì)用戶個(gè)人特征的描述更加準(zhǔn)確。

綜上所述，本文提出基于智能手機(jī)運(yùn)動(dòng)傳感器數(shù)據(jù)步態(tài)特征身份識(shí)別的方法主要由兩大部分組成：空間坐標(biāo)系的轉(zhuǎn)換和行為特征的識(shí)別分類，基本思路如圖3所示。首先，利用空間轉(zhuǎn)換算法對(duì)加速度傳感器所在坐標(biāo)軸進(jìn)行轉(zhuǎn)換，提高數(shù)據(jù)對(duì)運(yùn)動(dòng)情況描述的準(zhǔn)確性;再利用支持向量機(jī)分類算法對(duì)步態(tài)特征進(jìn)行識(shí)別。該算法在人類行為識(shí)別領(lǐng)域公認(rèn)效果較好，本文將其推廣至步態(tài)特征身份識(shí)別領(lǐng)域，并通過實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

1 數(shù)據(jù)處理

在采集和收集數(shù)據(jù)的過程中手機(jī)的位置和姿態(tài)會(huì)引起傳感器所在坐標(biāo)系在慣性空間中發(fā)生旋轉(zhuǎn)，從而產(chǎn)生嚴(yán)重的位置漂移，導(dǎo)致數(shù)據(jù)之間映射關(guān)系發(fā)生變化，無法準(zhǔn)確反映運(yùn)動(dòng)的實(shí)際狀態(tài)。為解決該問題，在進(jìn)行特征識(shí)別之前首先利用空間坐標(biāo)轉(zhuǎn)換算法對(duì)加速度傳感器數(shù)據(jù)進(jìn)行處理，將其從手機(jī)坐標(biāo)系映射至常用慣性坐標(biāo)系，不破壞原始數(shù)據(jù)特征的情況下確保訓(xùn)練和測試數(shù)據(jù)可以反映出用戶實(shí)際的運(yùn)動(dòng)特征和運(yùn)動(dòng)狀態(tài)。

1.1 空間坐標(biāo)系統(tǒng)

物理空間常用坐標(biāo)系有三種：自基準(zhǔn)坐標(biāo)系（即自定義坐標(biāo)系）、慣性坐標(biāo)系和世界坐標(biāo)系。智能手機(jī)加速度傳感器所在的坐標(biāo)系是自基準(zhǔn)的相對(duì)坐標(biāo)系[14]，該坐標(biāo)系以手機(jī)屏幕的中心點(diǎn)為坐標(biāo)原點(diǎn)，平行于屏幕短邊向右為該X軸正方向，平行于屏幕長邊向前為Y軸正方向，垂直于屏幕向上為Z軸正方向。世界坐標(biāo)系是絕對(duì)坐標(biāo)系，通過地球表面經(jīng)緯度和海拔高度對(duì)世界每個(gè)點(diǎn)進(jìn)行詳細(xì)準(zhǔn)確的方位信息描述。常用慣性坐標(biāo)系原點(diǎn)與手機(jī)自基準(zhǔn)坐標(biāo)系原點(diǎn)重合，坐標(biāo)軸與世界坐標(biāo)系的坐標(biāo)軸平行。因此，從加速度傳感器自基準(zhǔn)坐標(biāo)系到慣性坐標(biāo)系的轉(zhuǎn)換需旋轉(zhuǎn)操作，從慣性坐標(biāo)系到世界坐標(biāo)系的轉(zhuǎn)換較為簡單只需平移操作即可。手機(jī)坐標(biāo)系與世界坐標(biāo)系之間的關(guān)系如圖4所示。

從智能手機(jī)內(nèi)置加速度傳感器采集到的原始數(shù)據(jù)反映的是加速度傳感器在自基準(zhǔn)坐標(biāo)系空間中的數(shù)據(jù)信息，而不是在慣性坐標(biāo)系中感知的用戶真實(shí)運(yùn)動(dòng)信息;加速度傳感器所在的自基準(zhǔn)坐標(biāo)系與慣性空間正南正北方向的夾角可由手機(jī)中其他傳感器測量給出，因此采集到的加速度傳感器原始數(shù)據(jù)在進(jìn)行高精度的身份識(shí)別前要利用已知角度和空間坐標(biāo)轉(zhuǎn)換算法將數(shù)據(jù)從手機(jī)自基準(zhǔn)的坐標(biāo)系轉(zhuǎn)換到慣性坐標(biāo)系上。

1.2 歐拉角法

歐拉角法常用于處理在數(shù)學(xué)定義的三維空間中坐標(biāo)系旋轉(zhuǎn)問題，是由L.歐拉提出的一種常用的描述方位的方法，廣泛應(yīng)用于經(jīng)典力學(xué)與量子力學(xué)等研究中，其基本思想是將兩個(gè)坐標(biāo)系的變換分解為繞不同坐標(biāo)軸的三次連續(xù)轉(zhuǎn)動(dòng)組成的序列，從而使兩坐標(biāo)系重合。

歐拉角旋轉(zhuǎn)順序規(guī)定連續(xù)兩次旋轉(zhuǎn)必須繞著不同的轉(zhuǎn)動(dòng)軸。對(duì)于加速度傳感器而言，在空間中共有12種不同旋轉(zhuǎn)順序。本實(shí)驗(yàn)選用最常見的Z-Y-X旋轉(zhuǎn)順序來描述加速度傳感器所在坐標(biāo)系與慣性坐標(biāo)系之間的關(guān)系，坐標(biāo)分解旋轉(zhuǎn)如圖5所示，三種不同的虛線分別代表不同次數(shù)加速度傳感器自基準(zhǔn)坐標(biāo)系旋轉(zhuǎn)后得到的結(jié)果。

加速度傳感器原始數(shù)據(jù)在空間中的角度數(shù)據(jù)處理的過程具體如下。

2 基于支持向量機(jī)的身份識(shí)別

支持向量機(jī)是機(jī)器學(xué)習(xí)領(lǐng)域有監(jiān)督學(xué)習(xí)模型的常見分類算法，常用來進(jìn)行模式識(shí)別、數(shù)據(jù)分類以及回歸分析，通過一個(gè)非線性映射把樣本空間映射到一個(gè)高維乃至無窮維的特征空間中，使得在原來的樣本空間中線性不可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題。該算法可用于解決的現(xiàn)實(shí)問題有很多：

1）對(duì)文本和超文本的分類效果較好，支持向量機(jī)分類器在其中可以為應(yīng)用程序顯著減少對(duì)標(biāo)準(zhǔn)感應(yīng)和轉(zhuǎn)換設(shè)置中標(biāo)記的訓(xùn)練實(shí)例的需求;

2）視頻中的圖像分類使用支持向量機(jī)分類器搜索精度要比傳統(tǒng)的查詢優(yōu)化方案高得多，包括使用特權(quán)方法的修改版的支持向量機(jī)系統(tǒng);

3）支持向量機(jī)分類器可對(duì)手寫的字符進(jìn)行高精度的識(shí)別，目前在國內(nèi)的研究中在自然語言處理與語義消歧等領(lǐng)域已有廣泛應(yīng)用;

4）在生物科學(xué)領(lǐng)域中支持向量機(jī)分類器的引入有效提高了高分子蛋白等復(fù)雜模型的分類結(jié)果。

該分類器的主要思想可概括為以下兩點(diǎn)：

1） 針對(duì)線性可分情況進(jìn)行分析，對(duì)于線性不可分的情況常通過使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間使其線性可分，從而使得高維特征空間采用線性算法對(duì)樣本的非線性特征進(jìn)行線性分析成為可能。

2） 在基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論之上在特征空間中構(gòu)建最優(yōu)超平面，對(duì)空間中的數(shù)據(jù)點(diǎn)進(jìn)行分類，保證在數(shù)據(jù)訓(xùn)練階段學(xué)習(xí)器可以得到全局最優(yōu)化的分類結(jié)果，且在整個(gè)樣本空間的期望以某個(gè)概率滿足預(yù)測的一定上界。

傳統(tǒng)可穿戴式的傳感器產(chǎn)生數(shù)據(jù)后需要特殊媒介或可靠無線網(wǎng)絡(luò)數(shù)據(jù)傳輸后離線進(jìn)行分析和預(yù)測，無法做到實(shí)時(shí)性的身份識(shí)別;使用智能手機(jī)內(nèi)置加速度傳感器進(jìn)行身份認(rèn)證時(shí)該識(shí)別程序可直接在手機(jī)內(nèi)存空間上運(yùn)行，降低了數(shù)據(jù)傳輸?shù)馁Y源開銷同時(shí)節(jié)省了識(shí)別過程總用時(shí)，還可以有效實(shí)現(xiàn)對(duì)身份的實(shí)時(shí)識(shí)別。而在利用加速度傳感器數(shù)據(jù)進(jìn)行身份識(shí)別的傳統(tǒng)方法中為提高結(jié)果的準(zhǔn)確率多采用復(fù)雜度和實(shí)現(xiàn)難度高的算法（如隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等）對(duì)數(shù)據(jù)進(jìn)行分類處理，由于忽略了分析數(shù)據(jù)特征的重要性導(dǎo)致實(shí)現(xiàn)難度高造成不必要的資源浪費(fèi)。身份識(shí)別研究的本質(zhì)可歸結(jié)為二分類問題，目前支持向量機(jī)算法在處理該類問題的算法中性能最為突出，適合用于識(shí)別由用戶切換導(dǎo)致的步態(tài)特征變化。

由于加速度傳感器數(shù)據(jù)是線性不可分的，首先利用核函數(shù)將其映射到高維空間，在高維空間非線性的問題轉(zhuǎn)化為線性可分的問題。本實(shí)驗(yàn)選用的是線性核函數(shù)K（x，y）=xTy。設(shè)x為輸入向量，即樣本集合中的向量;w為可調(diào)權(quán)值向量，是每個(gè)向量可調(diào)權(quán)值;b為偏置，即超平面相對(duì)原點(diǎn)的偏移。使用U+1、U-1分別表示兩個(gè)類+1和-1，則有需求的決策曲面方程如下：

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)采集

在實(shí)驗(yàn)數(shù)據(jù)采集階段利用Android系統(tǒng)研發(fā)工具Android Studio集成一個(gè)小型應(yīng)用程序進(jìn)行數(shù)據(jù)的采集，根據(jù)數(shù)據(jù)特征對(duì)采樣頻率、記錄數(shù)據(jù)對(duì)象和寫入存儲(chǔ)卡方式等進(jìn)行調(diào)整。目前Android、IOS或黑莓等常見系統(tǒng)上均沒有對(duì)無需許可的傳感器進(jìn)行特殊管理或保護(hù)其數(shù)據(jù)信息流的管理控制機(jī)制，即任意應(yīng)用程序都可通過訪問傳感器應(yīng)用程序接口從而訪問所有無需許可的傳感器并獲取其數(shù)據(jù)，這亦是本實(shí)驗(yàn)數(shù)據(jù)采集框架的理論基礎(chǔ)。

傳感器應(yīng)用程序接口是一組定義程序及協(xié)議的集合，通過該接口實(shí)現(xiàn)應(yīng)用程序之間、應(yīng)用程序與傳感器硬件、傳感器硬件之間的相互通信;其主要功能是提供通用功能集，為應(yīng)用程序開發(fā)人員提供可以訪問的一組例程，而又無需訪問源碼或理解其內(nèi)部工作機(jī)制的細(xì)節(jié)，這樣程序開發(fā)人員在開發(fā)應(yīng)用程序時(shí)可通過調(diào)用應(yīng)用程序接口提供的函數(shù)直接對(duì)應(yīng)用程序進(jìn)行開發(fā)，減輕了研發(fā)過程中的人工編程任務(wù)。應(yīng)用程序接口同時(shí)也可視為一種中間件，為不同平臺(tái)的工作提供各種數(shù)據(jù)來源，即達(dá)到資源高度利用與共享的功能。

本文實(shí)驗(yàn)在Android系統(tǒng)智能手機(jī)上完成，數(shù)據(jù)采集和處理方法經(jīng)適當(dāng)調(diào)整可推廣到其他系統(tǒng)的智能手機(jī)上。在數(shù)據(jù)采集階段首先利用Android智能手機(jī)內(nèi)部傳感器組織框架集成了一個(gè)小型應(yīng)用程序用于獲取實(shí)驗(yàn)所需的無許可傳感器數(shù)據(jù)。為方便數(shù)據(jù)導(dǎo)出，首先將存儲(chǔ)卡的數(shù)據(jù)讀寫權(quán)限授予該應(yīng)用程序，然后導(dǎo)入可處理監(jiān)聽事件的硬件監(jiān)聽，同時(shí)對(duì)實(shí)驗(yàn)用到的傳感器逐一注冊監(jiān)聽器，最后利用Android調(diào)試工具生成Android應(yīng)用程序安裝包（Android PacKage， APK），導(dǎo)入手機(jī)安裝成功后在開啟狀態(tài)下即可監(jiān)聽傳感器產(chǎn)生的數(shù)據(jù)并寫入指定列表。圖6展示了Android系統(tǒng)如何通過由用戶安裝的應(yīng)用程序和由生產(chǎn)商自動(dòng)安裝的系統(tǒng)應(yīng)用程序來處理來自不同的傳感器訪問。

系統(tǒng)應(yīng)用程序在手機(jī)出廠時(shí)已完成安裝，通常情況下用戶購買后使用時(shí)無法卸載或修改權(quán)限。而非系統(tǒng)應(yīng)用程序在安裝時(shí)首先通過開發(fā)工具包向應(yīng)用程序接口平臺(tái)發(fā)送訪問傳感器請求，然后將應(yīng)用程序注冊到相應(yīng)的傳感器;如果多個(gè)應(yīng)用程序同時(shí)嘗試注冊相同的傳感器，應(yīng)用程序接口平臺(tái)會(huì)運(yùn)行多路復(fù)用程序，使不同的應(yīng)用程序可在同一個(gè)傳感器中同時(shí)注冊。硬件抽象層（Hardware Abstract Layer， HAL）是系統(tǒng)內(nèi)的一個(gè)接口，將傳感器硬件與系統(tǒng)的設(shè)備驅(qū)動(dòng)程序相互綁定。硬件抽象層具體由Sensors.h和Sensors.cpp兩部分組成，Sensors.h是硬件抽象層的接口，Sensors.cpp為硬件抽象層實(shí)現(xiàn)具體指令的工作。

通過硬件抽象層的本機(jī)庫，不同的應(yīng)用程序可以與底層的Linux內(nèi)核通信，讀取和寫入與制定的傳感器相關(guān)的文件。目前對(duì)于大多數(shù)無需許可的傳感器而言訪問這些文件是不需要任何權(quán)限的。而對(duì)于需許可的傳感器則首先需要用戶一個(gè)明確的授權(quán)指令，以確保應(yīng)用程序可以正確地訪問一個(gè)特定文件。用戶授權(quán)信息會(huì)在系統(tǒng)清單中具體聲明，一旦用戶在安裝程序之初選擇接受，后期即使在沒有其他明確許可的情況下該應(yīng)用程序也可以直接訪問其他無許可傳感器。同時(shí)Android系統(tǒng)傳感器框架可用來訪問設(shè)備的內(nèi)置傳感器，并提供了有助于完成數(shù)據(jù)采集工作的大量接口，這些接口可用于在采集中確定內(nèi)置傳感器種類，并在注冊和注銷傳感器權(quán)限時(shí)執(zhí)行監(jiān)聽。

圖7為采集的三個(gè)用戶手持手機(jī)步行時(shí)Y軸的數(shù)據(jù)信息，可見存在極強(qiáng)的個(gè)體差異性，身份表示性明顯。由于該應(yīng)用程序未通過專業(yè)評(píng)估系統(tǒng)的應(yīng)用安全認(rèn)證與重點(diǎn)病毒排查等檢測，不適合于廣泛的安裝與使用，故實(shí)驗(yàn)數(shù)據(jù)采集的過程均在同一部三星Note 3智能手機(jī)上進(jìn)行。

3.2 實(shí)驗(yàn)特征選取

正常成年人的步行過程是按照規(guī)律性動(dòng)作進(jìn)行的，左腳和右腳各向前一步稱為一個(gè)完整的步態(tài)周期。在本文中，通過加速度傳感器Y軸極小值將數(shù)據(jù)劃分成多個(gè)小周期，即可方便定位出數(shù)據(jù)所對(duì)應(yīng)的每個(gè)步態(tài)周期。根據(jù)統(tǒng)計(jì)顯示，一個(gè)步態(tài)周期的平均時(shí)間約為1s，為實(shí)驗(yàn)計(jì)算方便起見將加速度傳感器的采樣設(shè)置頻率為50Hz，即1s取數(shù)值50次。對(duì)步態(tài)特征的選取包括時(shí)域特征、頻域特征和數(shù)據(jù)統(tǒng)計(jì)特征，這些特征都是以一個(gè)完整的步態(tài)周期為單位的。

其中，均方根（Root Mean Square， RMS）在電力學(xué)中較常見，是交流電波的有效電壓或電流的一種普遍的數(shù)學(xué)表示方法;標(biāo)準(zhǔn)偏差即標(biāo)準(zhǔn)差，在概率統(tǒng)計(jì)論中常作統(tǒng)計(jì)分布程度（statistical dispersion）上的測量，定義為方差的算術(shù)平方根，反映組內(nèi)個(gè)體間的離散程度，該概念是由卡爾·皮爾遜（Karl Pearson）引入到統(tǒng)計(jì)學(xué)中的。標(biāo)準(zhǔn)差和方差都可反映出一個(gè)數(shù)據(jù)集的離散程度，當(dāng)樣本的平均數(shù)相同時(shí)標(biāo)準(zhǔn)差卻未必相同。

根據(jù)研究本文引入了一個(gè)在身份識(shí)別領(lǐng)域不常用的特征：梅爾頻率倒譜系數(shù)（Mel-Frequency Cepstral Coefficients，MFCCs）。梅爾頻率倒譜系數(shù)（MFCCs）即組成梅爾頻率倒譜的系數(shù)。梅爾頻率是基于人耳聽覺特性提出的，與赫茲頻率成非線性對(duì)應(yīng)關(guān)系，主要用于語音數(shù)據(jù)特征的提取和降低運(yùn)算維度。在本文中梅爾頻率倒譜系數(shù)用于表示離散的余弦變換相關(guān)參數(shù)組，通過對(duì)計(jì)算輸出能量的變換后再次進(jìn)行計(jì)算而得到的，這些能量是計(jì)算機(jī)系統(tǒng)經(jīng)過自動(dòng)的特殊處理通過集合的形式導(dǎo)出的。與時(shí)域特征相同的是，梅爾頻率倒譜系數(shù)需要對(duì)每個(gè)方向上的梅爾頻率分別進(jìn)行計(jì)算。

為得到理想的識(shí)別效果，本文利用不同特征組合進(jìn)行多次實(shí)驗(yàn)，利用平均準(zhǔn)確率來測評(píng)不同特征組合通過支持向量機(jī)訓(xùn)練后對(duì)用戶步態(tài)特征變化的識(shí)別情況，測試的實(shí)驗(yàn)過程及具體結(jié)果將在下面具體描述。

3.3 實(shí)驗(yàn)過程與分析

數(shù)據(jù)采集階段共有20名不同年齡、不同身高、不同性別、不同職業(yè)的志愿者參與，每名志愿者手持手機(jī)步行的時(shí)間大約為15min（去除步行起始與結(jié)束導(dǎo)致的不平穩(wěn)段數(shù)據(jù)），統(tǒng)一在光線、摩擦系數(shù)等客觀因素均相同的光滑大理石走廊進(jìn)行手持手機(jī)步行的行為。每個(gè)志愿者的步行數(shù)據(jù)前70%用于訓(xùn)練，形成個(gè)人獨(dú)有的步態(tài)特征數(shù)據(jù)畫像，后30%用于后續(xù)的實(shí)驗(yàn)測試部分。

為保護(hù)這些志愿者的個(gè)人隱私，將他們的個(gè)人信息隱去，在實(shí)驗(yàn)中進(jìn)行1～20的編號(hào)，故在數(shù)據(jù)訓(xùn)練階段結(jié)束后將得到20個(gè)獨(dú)立的用戶步行數(shù)據(jù)特征畫像。在實(shí)驗(yàn)測試的準(zhǔn)備階段，將1號(hào)畫像數(shù)據(jù)取2s分別與2～20號(hào)畫像的2s數(shù)據(jù)進(jìn)行拼接作為輸入（以此類推至最后一組19號(hào)與20號(hào)），完成一次測試后將兩組拼接的數(shù)據(jù)進(jìn)行位置互換然后再重復(fù)實(shí)驗(yàn)，用于檢測支持向量機(jī)是否能準(zhǔn)確檢測出用戶的切換。故實(shí)驗(yàn)的測試階段共有（19+18+…+2+1）×2=380小組的實(shí)驗(yàn)。

根據(jù)對(duì)特征的分析，將7個(gè)特征首先由少至多組合，然后分別對(duì)支持向量機(jī)分類器進(jìn)行訓(xùn)練和測試，所選用的特征數(shù)量與識(shí)別準(zhǔn)確率關(guān)系如表3所示?？梢姕y試實(shí)驗(yàn)從“Y軸極小值+Z軸極大值+Z軸能量”3個(gè)特征組合逐個(gè)增加，至“Y軸極小值+Z軸極大值+Z軸能量+Z軸均方根+步頻+Z軸梅爾頻率倒譜系數(shù)+X軸梅爾頻率倒譜系數(shù)”7個(gè)特征的組合。根據(jù)表3所示，實(shí)驗(yàn)結(jié)果顯示增加步頻后識(shí)別準(zhǔn)確率大幅度提升，表明步頻對(duì)用戶步態(tài)特征具有很強(qiáng)的代表性。

從測試結(jié)果看，本文利用數(shù)據(jù)特征對(duì)個(gè)人步態(tài)進(jìn)行的描述越具體，最后的識(shí)別準(zhǔn)確率越高，7個(gè)特征的組合可達(dá)到95.53%的識(shí)別準(zhǔn)確率，驗(yàn)證了該方法的有效性。由于數(shù)據(jù)集規(guī)模的限制，增加特征后識(shí)別時(shí)間隨之遞增但空間占用增加不大，后續(xù)可適當(dāng)增加特征的數(shù)量，擴(kuò)展訓(xùn)練樣本數(shù)據(jù)集，尋找對(duì)用戶步態(tài)特征描述更加準(zhǔn)確的數(shù)據(jù)特征。

對(duì)比國內(nèi)外相似的研究，文獻(xiàn)[15]沒有對(duì)手機(jī)自定義坐標(biāo)軸的數(shù)據(jù)進(jìn)行處理，得到92%左右的識(shí)別準(zhǔn)確率，過程中數(shù)據(jù)處理難度高且空間開銷大;文獻(xiàn)[16]集成的客戶端加入了計(jì)步功能，其中識(shí)別部分利用了四元數(shù)的空間轉(zhuǎn)換方法，其實(shí)現(xiàn)復(fù)雜程度大于歐拉角法，但效果上無明顯改善。

4 結(jié)語

本文提出了基于智能手機(jī)加速度傳感器數(shù)據(jù)的步態(tài)身份識(shí)別方法，并通過實(shí)驗(yàn)驗(yàn)證了其有效性，在用戶發(fā)生變換時(shí)可準(zhǔn)確識(shí)別出特征值的變化，達(dá)到了身份識(shí)別的自動(dòng)預(yù)警功能，可在改進(jìn)優(yōu)化后在其他型號(hào)的智能手機(jī)上推廣使用。在資源條件允許的情況下應(yīng)適當(dāng)增加訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)量，可更準(zhǔn)確地對(duì)用戶進(jìn)行行為特征畫像，進(jìn)一步提高了識(shí)別的準(zhǔn)確率。目前個(gè)人手機(jī)內(nèi)存儲(chǔ)了大量隱私相關(guān)的信息與數(shù)據(jù)，一旦遺失不僅會(huì)對(duì)生活與工作造成麻煩，還有可能泄露個(gè)人隱私甚至是商業(yè)機(jī)密?；诓綉B(tài)特征識(shí)別技術(shù)的發(fā)展與推廣使用還可促進(jìn)智能手機(jī)防盜功能的發(fā)展，如為用戶建立個(gè)人傳感器行為數(shù)據(jù)畫像，當(dāng)識(shí)別出當(dāng)前時(shí)間段的運(yùn)動(dòng)或使用行為與正常模式下的特性發(fā)生變化時(shí)，系統(tǒng)可自動(dòng)預(yù)告與預(yù)警（如通知緊急聯(lián)系人），或開啟數(shù)據(jù)保護(hù)功能（如長久鎖屏、禁用USB接口等）。

目前指紋識(shí)別、人臉識(shí)別等基于生物特征的生物識(shí)別技術(shù)在日常生活的多領(lǐng)域已有廣泛應(yīng)用，虹膜識(shí)別、DNA識(shí)別等需要高端科技配合的手段仍處于實(shí)驗(yàn)階段;隨著研究成果的出現(xiàn)和數(shù)據(jù)來源的豐富，基于行為特征的身份識(shí)別技術(shù)正蓬勃發(fā)展，將成為該領(lǐng)域的新熱點(diǎn)。

參考文獻(xiàn) （References）

[1] 李鵬飛，淡美俊，姚宇顫.生物識(shí)別技術(shù)綜述[J].電子制作，2018（10）：89-90.（LI P F， DAN M J， YAO Y Z. Overview of biometric identification technology [J]. Practical Electronics， 2018（10）： 89-90.）

[2] 王俊山，張文明.生物識(shí)別技術(shù)的類別及其在身份識(shí)別中的應(yīng)用[J].河南科技，2017（15）：34-35.（WANG J S， ZHANG W M. The category of biometric chip and its application in identity [J]. Journal of Henan Science and Technology， 2017（15）： 34-35.）

[3] 陳虹旭，李曉坤，鄭永亮，等.基于深度學(xué)習(xí)的指紋識(shí)別方法研究[J].智能計(jì)算機(jī)與應(yīng)用，2018，8（3）：64-69.（CHEN H X， LI X K， ZHENG Y L， et al. Research on fingerprint recognition method based on deep learning [J]. Intelligent Computer and Applications， 2008， 8（3）： 64-69.）

[4] 張笛.人臉識(shí)別現(xiàn)狀與發(fā)展趨勢研究[J].廣東通信技術(shù)，2018，38（6）：43-48.（ZHANG D. Research on the status quo and development trend of face recognition [J]. Guangdong Communication Technology， 2008， 38（06）： 43-48.）

[5] 馬璐璐，朱雪珍.虹膜識(shí)別專利技術(shù)綜述[J].河南科技，2017（16）：55-57.（MA L L， ZHU X Z. Review on the patent technology of iris recognition [J]. Journal of Henan Science and Technology， 2017（16）： 55-57.）

[6] AILISTO H J ， LINDHOLM M， MANTYJARVI J， et al. Identifying people from gait pattern with accelerometers [C]// Proceedings of SPIE 5779 — the International Society for Optical Engineering， Biometric Technology for Human Identification II. Bellingham： SPIE， 2005： 7-14.

[7] DERAWI M O， NICKEL C， BOURS P， et al. Unobtrusive user-authentication on mobile phones using biometric gait recognition [C]// Proceedings of the 2010 Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing. Washington， DC： IEEE Computer Society， 2010： 474-479.

[8] THANG H M， VIET V Q， THUC N D， et al. Gait identification using accelerometer on mobile phone [C]// Proceedings of the 2012 International Conference on Control， Automation and Information Sciences. Piscataway， NJ： IEEE， 2012： 344 -348.

[9] NICKEL C， DERAWI M O， BOURS P， et al. Scenario test of accelerometer-based biometric gait recognition [C]// Proceedings of the 2014 Third International Workshop on Security & Communication Networks. Piscataway， NJ： IEEE， 2014： 167-174.

[10] HOANG T， NGUYEN T， LUONG C， et al. Adaptive cross-device gait recognition using a mobile accelerometer [J]. Journal of Information Processing Systems， 2013， 9（2）： 333-348.

[11] 劉冠群，羅桂瓊，譚平.基于類Haar特征模板匹配的多鏡頭步態(tài)識(shí)別算法[J].計(jì)算機(jī)工程，2017，43（12）：231-236.（LIU G Q， LUO G Q， TAN P. Multiple Lens gait recognition algorithm based on category Haar feature template matching [J]. Computer Engineering， 2017， 43（12）： 231-236.）

[12] 佟蘇洋，和煥胤，湯澄清.基于足底壓力分析系統(tǒng)對(duì)青年人行走步態(tài)特征穩(wěn)定性的研究[J].四川警察學(xué)院學(xué)報(bào)，2017，29（6）：77-83.（TONG S Y， HE H Y， TANG C Q. Stability of the youths gait characteristics in walking based on the plantar pressure analysis system [J]. Journal of Sichuan Police College， 2017， 29（6）： 77-83.）

[13] KOMARINENI S，MACLEAN D，HASHIMI S.精通Android 3[M].楊越，譯.北京：人民郵電出版社，2011：728-733.（KOMARINENI S， MACLEAN D. Pro Android 3 [M]. YANG Y， translated. Beijing： Post & Telecom Press， 2011： 728-733.）

[14] 張勇，夏家莉，陳濱，等.Google Android開發(fā)技術(shù)[M].西安：西安電子科技大學(xué)出版社，2011：124-127.（ZHANG Y， XIA J L， CHEN B， et al.Google Android Development Technology [M]. Xian： Xidian University Press， 2011： 124-127.）

[15] PHAN D-T， DAM N N-T， NGUYEN M-P， et al. Smart kiosk with gait-based continuous authentication [C]//Proceedings of the 2015 International Conference on Distributed， Ambient， and Pervasive Interactions， LNCS 9189. Cham： Springer， 2015：110-115.

[16] 侯東谷.基于智能手機(jī)的人體步態(tài)識(shí)別及其應(yīng)用[D].成都：電子科技大學(xué)，2018：58-71.（HOU D G. Human gait recognition and its application based on smart phones [D]. Chengdu： University of Electronic Science and Technology of China，2018： 58-71.）