一種基于手機加速度傳感器的三維手勢身份認證方法*

王 堯， 孫子文， 周治平

(江南大學 物聯網工程學院，江蘇 無錫 214122)

一種基于手機加速度傳感器的三維手勢身份認證方法*

王 堯， 孫子文， 周治平

(江南大學 物聯網工程學院，江蘇 無錫 214122)

針對手機用戶安全問題，提出一種基于手機加速度傳感器的手勢身份認證方法。采用均值—方差歸一化方式對三維手勢數據進行歸一化處理；采用門限值方法截取手勢動作，去除干擾數據；認證算法采用模板匹配的方式，通過設計的均值—動態時間歸整(A-DTW)算法對參考模板和測試模板進行比較，判斷用戶的真實性。仿真結果顯示：該算法方便可行，具有較高的識別率。

身份認證； 加速度傳感器； 手機安全； 手勢識別

0 引 言

智能手機為實現手機支付、手機優惠券、手機銀行、和移動VIP客戶服務等移動電子商務提供了移動終端平臺[1]。然而，手機的安全性問題阻礙了基于手機終端的移動交易業務的更深層次的應用研究和使用推廣，手機用戶身份認證問題是解決手機應用安全面臨的嚴峻挑戰。

基于智能手機傳感器的用戶身份認證為模式識別研究領域提供了新的研究空間。目前對于三維手勢特征的研究多集中在手勢識別領域[2]，類似于手寫識別[3]，即識別不同人的相同手勢動作。近期，少量的文獻開始了基于加速度傳感器的三維手勢用于身份認證的研究[4～7]：利用手機加速度傳感器采集得到用戶搖晃手機的三軸加速度序列，并求序列的均值、最大值等作為用戶的相關行為特征，通過支持向量機(support vector machine，SVM)對特征數據進行訓練歸類，以區分出不同用戶[4]；采用加速度傳感器與方向傳感器相結合采集得到三維手勢動作的三軸加速度和角度序列，并利用動態時間歸整(dynamic time warping，DTW)算法對不同序列進行匹配，求出序列之間的差異，根據差異值大小區分出不同用戶，實現身份認證[5]；采用加速度傳感器采集三維手勢動作的三軸加速度序列，通過序列對齊的方式，求出對齊后加速度序列之間的絕對值距離并采用模板更新的方式實現身份認證[6]；通過方向傳感器采集手腕轉動時的三軸角度序列，以序列的均值、最大、最小值等作為特征，通過k最鄰近(k-nearest neighbor，kNN)節點分類器訓練樣本，并根據訓練出的模型區分出不同用戶[7]。文獻[4～7]提出的手機用戶身份認證方式類似于傳統的二維簽名識別[8]，是一種入侵者知道怎么去做但很難模仿成功的身份認證方式，但是,三維手勢比二維手寫簽名更難被模仿[9]，基于SVM和kNN分類器的算法中對經過分類訓練的用戶具有很好的區分能力，但是,對未經訓練的用戶區分能力較差，而且在訓練時需要大量的樣本數據，過程較復雜；基于模板匹配的算法需要的樣本數據相對較少，但是,目前并沒有取得較高的識別率，有待于進一步改進。

本文提出一種基于加速度傳感器的三維手勢身份認證方法，通過手機內置的加速度傳感器采集得到三維手勢的三軸加速度數據，對數據進行預處理操作，提出了DTW的改進算法:A-DTW(average-DTW)算法，計算不同手勢序列之間的最小累積平均距離，并采用模板注冊和模板匹配的方法實現身份認證，仿真實驗表明算法具有較高的識別率。

1 手勢數據預處理

1.1 數據的獲取

三維手勢動作的數據通過手機內置的加速度傳感器獲取，單位是m/s2。

定義手勢的三軸加速度序列Ak，描述為

1.2 數據的歸一化

基于手勢動作的快慢會影響加速度數據的幅值大小，因此,采用均值—標準差歸一化方式對加速度數據進行歸一化處理，盡可能多地保留區分不同手勢的距離信息。其計算公式如式(1)

(1)

(2)

(σxk,σyk,σzk)=

(3)

原始手勢加速度數據經過歸一化處理后，三軸加速度序列NAk描述為

1.3 手勢動作數據的截取

為準確提取出手勢動作的加速度數據，采用基于門限值的方法對手勢動作的開始和結束進行判斷[10]，如果采集到的數據超過預先設定的門限值，則認為手勢開始；手勢開始之后如果在一段時間內數據都未超過門限值，則認為手勢結束。

同時，考慮加速度傳感器的三軸加速度值的開始和結束的不同步問題，為盡可能多地捕捉各軸加速度值對手勢特征識別的貢獻，分別對X,Y,Z軸進行手勢動作加速度數據的截取，三軸手勢動作數據的開始點定義為三軸手勢動作數據的最早開始點，三軸手勢動作數據的結束點定義為三軸手勢動作數據結束點的最后點。

手勢動作截取后的三軸加速度數據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為手勢動作開始和結束時刻。

2 手勢匹配算法

2.1A-DTW算法

DTW算法是在動態規劃的思想上，把時間規整和距離計算結合起來[11,12]，具有非線性時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，并沒有具體反映出序列對齊點之間的差異，而通過對齊點之間的差異能更好反映不同手勢序列之間的差異，因此在DTW算法的基礎上，本文提出對DTW算法中的最小累積距離進行改進的A-DTW算法，A-DTW具體描述如下

假設T(N)=(t1,t2,…,tn,…,tN),R(M)=(r1,r2,…,rm,…,rM),分別表示數據總個數為N的測試模板和數據總個數為M的參考模板。采用絕對值距離計算測試模板與參考模板數據之間的匹配距離

(5)

其中,tn為測試模板的第n個數據，rm為參考模板的第m個數據，d(tn,rm)為tn與rm的距離。

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

(6)

2.2 身份認證機制

2.2.1 模板注冊

1)用戶確定自己身份認證手勢后，重復身份認證手勢動作k次，采集得到k組加速度數據A1,A2,…,Ak,k取正整數。

2)通過手勢數據預處理后得到手勢動作的加速度數據CA1,CA2,…,CAk，分別以CAi為測試模板CAj為參考模板，其中,1≤i

3)運用式(5)、式(6)分別計算對應X軸、Y軸、Z軸的最小累積平均距離，如計算組合(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)。類似地計算以上 (k-1)！種組合并求得其平均值μ，將μ與CA1,CA2,…,CAk作為用戶身份認證手勢的模板存入系統。

用戶在選取身份認證手勢時應遵循以下原則：

a.選取自己較熟悉且易重復做出的手勢；

b.整個手勢動作的時間不宜太長或太短；

c.手勢開始和結束時手機應處于平穩狀態；

d.手勢應相對復雜，不易被他人立即學會。

2.2.2 模板匹配

1)用戶手持手機做身份認證手勢一次得到加速度數據At，經過手勢數據預處理后得到手勢動作加速度數據CAt。

2)以CAt為測試模板，CAt,CA2,…,CAk為參考模板，計算測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)，類似的計算其均值得到值ψ。

3)用戶身份認證決策規則如式(7)

(7)

其中,θ為閾值，θ的取值與識別精度相關，如果θ過大，則手機真實用戶通過身份認證的概率將會增大，同時入侵用戶通過身份認證的概率也會增大;如果θ過小,則相反。

4)模板更新:由于手勢的多義性和多樣性，即使是同一個用戶執行同一個手勢，每次采集的數據也存在差異[11]，因此,本文采用模板更新的策略達到降低用戶本人行為習慣對識別系統影響的目的，當測試模板通過身份認證且ψ與μ的比值小于α時，則用測試模板交替更新3個參考模板，當參考模板被更新產生變化時， 值也會改變。

3 仿真實驗與結果分析

3.1 數據采集與預處理

仿真設置：選用三星GT—I9001手機采集加速度數據，以Matlab7.11.0作為仿真平臺。加速度數據庫由6個不同用戶連續24天采集得到，每人每天采集10組數據，即總共采集得到1 440組數據，用戶身份認證手勢均為在空中畫出數字‘6’。選取錯誤拒絕率(falserejectionrate,FRR)和錯誤接受率(falseacceptancerate,FAR)2個參數評估算法的準確度，FRR表示真實用戶被拒絕通過身份認證的概率，FAR表示入侵用戶通過身份認證的概率，即FRR,FAR的值越小表示算法的識別精度越高。

選取用戶1采集的某一組數據為例，其波形圖如圖1所示。通過均值—標準差歸一化對三軸加速度數據進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據約束在一定范圍內，能在一定程度上減少手勢匹配算法的計算量，提高匹配精度及系統效率。通過門限值的方法分別對三軸加速度數據進行截取，得到的波形如圖3所示。

圖1 原始手勢數據Fig 1 Original gesture data

圖2 歸一化后手勢數據Fig 2 Gesture data after normalization

圖3 截取后手勢數據Fig 3 Gesture data after interception

3.2 參數設置與仿真結果分析

閾值的確定原則：選取用戶2的100組數據作為真實用戶的數據，其他用戶各取20組數據作為入侵用戶的數據，分別求出不同閾值θ下的FRR和FAR，結果如圖4所示，從圖中可以看出：FRR曲線與FAR曲線的交點在1.5～1.6之間，此交點即為模式識別中的等錯率點，為最優的分類點，因此，本文中閾值θ取1.56。

圖4 閾值θFig 4 Threshold value θ

確定θ后，以類似的方法計算不同模板更新閾值α對應的FRR和FAR，最終確定閾值α取1.18，選取參考模板k的個數為3。

以某一用戶作為真實用戶，其余用戶均作為入侵用戶進行仿真實驗，仿真時對全局序列對齊(global sequence alignment,GSA)[6],DTW和A-DTW算法的檢測準確性進行對比，仿真結果如表1所示。

表1 不同用戶的FRR和FARTab 1 FRR and FAR of different users

由表中數據可知,A-DTW算法中不同用戶的FRR最大為7.73 %且均值為4.40 %，FAR最大為0.76 %且均值為0.33 %，表明算法在身份認證中對真實用戶具有很高的識別率，同時對入侵用戶也有很高的FRR；GSA算法對不同用戶的FRR最大為57.92 %且均值達到30.94 %，FAR均為0，表明該算法在身份認證中對入侵用戶有100 %的拒絕率，但是對真實用戶的識別率卻不高，而且不同用戶的FRR差別也較大，為用戶的識別帶來不便；DTW算法中不同用戶的FRR均值為11.32 %，FAR均值為0.78 %，表明該算法對入侵用戶有不錯的拒絕率，但是對真實用戶的識別率效果不好；與GSA算法相比雖然A-DTW算法的FAR沒有達到0，但是也達到了1 %以下，基本滿足要求，且對真實用戶的識別率遠遠高于GSA算法；與DTW算法相比，A-DTW算法的FRR和FAR有所下降，提高了識別的準確性。綜上所述，本文的A-DTW算法能有效的實現手機用戶的身份認證，并且提高了身份認證的識別率。

4 結束語

本文提出了一種新的基于手機加速度傳感器的用戶身份認證算法，通過手機加速度采集三維手勢數據，經過數據預處理后，采用A-DTW算法和身份認證機制實現身份認證，仿真結果表明：本文的算法具有很高的識別率，并且擁有較高的用戶體驗度。

[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算法的規范手寫體數字離線識別[J].傳感器與微系統,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識別關鍵技術研究[D].長沙：國防科學技術大學,2011.

[12] 李 洋.基于改進DTW算法的嵌入式語音識別系統的實現[D].西安：西安理工大學,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—中國移動科研基金資助項目(MCM20122062)； 國家自然科學基金面上項目(61373126)； 江蘇省自然科學基金面上項目(BK20131107)

TP 391

A

1000—9787(2014)08—0037—04

王 堯(1990-)，男，江蘇豐縣人，碩士研究生，主要研究方向為模式識別與智能系統。