基于步態(tài)特征的移動(dòng)平臺(tái)持續(xù)認(rèn)證方案

楊力，馬卓茹，張程輝，裴慶祺

（1. 西安電子科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710071；2. 通信網(wǎng)信息傳輸與分發(fā)技術(shù)重點(diǎn)實(shí)驗(yàn)室，河北 石家莊 050002）

1 引言

作為人們生活中必不可少的工具，智能手機(jī)在匯集著機(jī)主重要信息的同時(shí)，也可能存在多個(gè)使用者。用戶對(duì)隱私保護(hù)和設(shè)備安全性的需求使用戶身份認(rèn)證成為手機(jī)使用過程中的重要環(huán)節(jié)。

身份認(rèn)證方式大致可分為基于非生物信息的身份認(rèn)證和基于生物信息的身份認(rèn)證?；诜巧镄畔⒌纳矸菡J(rèn)證方式，如密碼登錄和動(dòng)態(tài)短信碼登錄，受到用戶賬號(hào)數(shù)量增長與網(wǎng)絡(luò)信號(hào)時(shí)延的影響，已難以滿足用戶對(duì)智能手機(jī)的使用要求。目前，常用的基于生物信息的身份認(rèn)證方式，如指紋認(rèn)證、人臉認(rèn)證等，均需要附加設(shè)備來配合數(shù)據(jù)采集，對(duì)手機(jī)的硬件功能要求較高。以上身份認(rèn)證方案均屬于顯式的一次性認(rèn)證，即只在設(shè)備使用前進(jìn)行一次身份認(rèn)證，之后將不再進(jìn)行認(rèn)證操作，這將無法保證設(shè)備在使用期間或待機(jī)狀態(tài)時(shí)的安全。除此之外，以上方案在認(rèn)證時(shí)均需要用戶與設(shè)備進(jìn)行頻繁的交互，如輸入口令或按下指紋等，極大地影響了用戶的使用感受。而基于行為特征的認(rèn)證方式，如利用三維手勢、步態(tài)識(shí)別等，在具有難以改變、難以模仿等優(yōu)點(diǎn)的同時(shí)，還具有可在用戶無意識(shí)的情況下利用手機(jī)內(nèi)置傳感器持續(xù)獲取用戶數(shù)據(jù)的優(yōu)勢。肖玲等[1]通過對(duì)手機(jī)內(nèi)置加速度傳感器的原始數(shù)據(jù)進(jìn)行操作，在實(shí)現(xiàn)動(dòng)態(tài)手勢識(shí)別的同時(shí)，驗(yàn)證了手機(jī)內(nèi)置傳感器在行為特征識(shí)別領(lǐng)域的可用性。

在使用行為特征的移動(dòng)端身份認(rèn)證方案中，基于三維手勢的研究開展較早。Bailador等[2]使用iPhone內(nèi)置的加速度傳感器進(jìn)行三維手勢的數(shù)據(jù)采集，對(duì)貝葉斯分類器、隱馬爾可夫模型（HMM,hidden Markov model）、動(dòng)態(tài)時(shí)間規(guī)整（DTW, dynamic time warping）算法這3種分類方法進(jìn)行測試，平均用時(shí)4.17±1.2 s。Buthpitiya等[3]提出可根據(jù)機(jī)主使用手機(jī)某些功能的日常手勢特征進(jìn)行身份認(rèn)證，例如拍照、發(fā)送短信等。在上述采用三維手勢進(jìn)行身份認(rèn)證的研究中，仍要求用戶進(jìn)行某些特定動(dòng)作來配合數(shù)據(jù)采集，無法滿足在日常生活中進(jìn)行持續(xù)認(rèn)證的要求。

針對(duì)步態(tài)識(shí)別的研究多采用計(jì)算機(jī)視覺的方法。王修暉等[4]提出了基于連續(xù)密度隱馬爾可夫模型的人體步態(tài)識(shí)別算法，使用基于自然步態(tài)周期特征進(jìn)行個(gè)體識(shí)別。Batchuluun等[5]使用熱像儀傳感器捕獲人的前后視圖，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和分類，以解決黑暗環(huán)境下步態(tài)周期、節(jié)奏等難以捕捉的問題。針對(duì)隨身衣物變化對(duì)身形的影響，Aggarwal等[6]提出一種協(xié)變量識(shí)別框架來處理這種協(xié)變量的存在。El-Alfy[7]提出一種在遠(yuǎn)距離識(shí)別困難情況下適用的方案，將距離變換與局部輪廓的曲率相結(jié)合生成新的特征描述符，以獲得更頑健的步態(tài)特征。此后出現(xiàn)了利用傳感器設(shè)備的步態(tài)識(shí)別研究。M?ntyj?rvi等[8]將三軸加速度計(jì)佩戴在固定方向的帶子上，使用X軸和Z軸的數(shù)據(jù)進(jìn)行步態(tài)識(shí)別。通過峰值檢測方法進(jìn)行步態(tài)周期提取，為受試者建立模板。同時(shí)，利用傳感器設(shè)備進(jìn)行身份認(rèn)證的研究也逐漸出現(xiàn)。Li等[9]將加速度傳感器固定在被測試用戶的小腿處，讓用戶直線行走20 m，使用 DTW 算法測試，得到的等錯(cuò)誤率（EER,equal error rate）為3.27%。隨著手機(jī)相關(guān)硬件設(shè)備及應(yīng)用服務(wù)的發(fā)展，移動(dòng)端基于步態(tài)特征的身份認(rèn)證研究開始興起。Thang等[10]使用智能手機(jī)加速度傳感器進(jìn)行用戶認(rèn)證。隨后，Zhong等[11]利用從智能手機(jī)的加速度傳感器和陀螺儀傳感器捕獲的步態(tài)信息進(jìn)行用戶認(rèn)證。Nickel等[12]采用HMM對(duì)48個(gè)測試用戶的步態(tài)特征進(jìn)行分析，得到的EER為6%。蔣偉等[13]通過移動(dòng)設(shè)備自帶的加速度傳感器對(duì)用戶在日常生活中不同行為下的步態(tài)數(shù)據(jù)進(jìn)行收集，提取特征形成特征向量并建立步態(tài)模型，并采用基于神經(jīng)網(wǎng)絡(luò)的模型匹配算法進(jìn)行身份識(shí)別，得到了 78.13%平均認(rèn)證準(zhǔn)確率。

步態(tài)特征具有可在日常使用中持續(xù)采集，而不影響用戶正常生活的優(yōu)點(diǎn)。但目前基于步態(tài)特征的身份認(rèn)證研究，大多仍采用一次性認(rèn)證思路，未考慮步態(tài)特征可隱式獲取的特點(diǎn)。此外，上述研究的實(shí)驗(yàn)設(shè)置較單一，未綜合分析手機(jī)放置位置與行走場地變化對(duì)認(rèn)證結(jié)果的影響。

針對(duì)傳統(tǒng)一次性認(rèn)證方式的不足，本文基于步態(tài)特征可隱式采集的特點(diǎn)，提出一種移動(dòng)端持續(xù)身份認(rèn)證方案。本文方案利用手機(jī)內(nèi)置加速度傳感器監(jiān)測用戶步態(tài)特征變化，以實(shí)現(xiàn)對(duì)用戶身份的認(rèn)證，并在多種場地下，對(duì)不同手機(jī)放置位置進(jìn)行實(shí)驗(yàn)，綜合測試方案性能。實(shí)驗(yàn)表明，本文方案可在多種場景中保證穩(wěn)定的認(rèn)證效果，在平坦行走條件下能到達(dá)98%以上的認(rèn)證準(zhǔn)確率。

2 持續(xù)身份認(rèn)證方案的設(shè)計(jì)

個(gè)體的步態(tài)數(shù)據(jù)包含個(gè)人特征，具有不易模仿、難以隱藏、易于提取的優(yōu)點(diǎn)[14-16]。本文方案通過用戶步態(tài)加速度數(shù)據(jù)所提供的特征實(shí)現(xiàn)對(duì)用戶身份的辨別。方案可分為數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、特征提取、模板訓(xùn)練與身份認(rèn)證5個(gè)部分，方案模型如圖1所示。

圖1 本文方案模型

當(dāng)用戶進(jìn)入系統(tǒng)時(shí)，首先判斷是否需要進(jìn)行用戶注冊(cè)。注冊(cè)過程需要經(jīng)過數(shù)據(jù)信息采集、加速度數(shù)據(jù)預(yù)處理與特征提取操作得到用戶的身份信息模板，此模板將作為用戶的注冊(cè)信息存儲(chǔ)下來，完成注冊(cè)。之后，模板訓(xùn)練模塊將該設(shè)備的所有用戶的注冊(cè)信息送入分類器訓(xùn)練生成分類模型，最終的分類模型參數(shù)將被存儲(chǔ)下來，訓(xùn)練完成。每當(dāng)一個(gè)設(shè)備上有新用戶完成注冊(cè)時(shí)，模板訓(xùn)練模塊需要使用該設(shè)備最新的用戶注冊(cè)信息庫進(jìn)行再次訓(xùn)練得到分類模型，以更新模型參數(shù)。

在已有注冊(cè)信息用戶的日常使用中，設(shè)備會(huì)持續(xù)監(jiān)測用戶的步態(tài)行為特征變化，當(dāng)需要進(jìn)行身份認(rèn)證時(shí)只需要經(jīng)過數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理與特征提取操作得到步態(tài)特征，再將步態(tài)特征送入身份認(rèn)證模塊，得到認(rèn)證結(jié)果，手機(jī)就可根據(jù)使用者身份提供訪問權(quán)限。

2.1 數(shù)據(jù)采集

步態(tài)是指人行走時(shí)所表現(xiàn)出來的姿態(tài)。步態(tài)周期是指正常行走時(shí)一側(cè)的足跟落地到該側(cè)足跟再次落地的時(shí)間，一個(gè)成年人的步態(tài)周期大約為1～1.32 s[17]。成年人正常行走的加速度值會(huì)在一個(gè)步態(tài)周期內(nèi)隨著時(shí)間的變化而變化，且這種變化具有一定規(guī)律。文獻(xiàn)[17]對(duì)步態(tài)加速度特征進(jìn)行了檢測與分析，實(shí)驗(yàn)結(jié)果表明，步態(tài)加速度數(shù)據(jù)可在很大程度上反映個(gè)體的生理特征，不同個(gè)體的步態(tài)加速度數(shù)據(jù)表現(xiàn)出不同的特征，同一個(gè)體的步態(tài)加速度數(shù)據(jù)表現(xiàn)出一定的規(guī)律性。本文方案使用自行開發(fā)的手機(jī) APP采集用戶行走時(shí)手機(jī)內(nèi)置加速度傳感器的數(shù)據(jù)，采樣頻率設(shè)置為50 Hz[18]，每一時(shí)刻采集到的數(shù)據(jù)將以“時(shí)間-X軸加速度數(shù)據(jù)-Y軸加速度數(shù)據(jù)-Z軸加速度數(shù)據(jù)”的格式存儲(chǔ)在文件中。

2.2 數(shù)據(jù)預(yù)處理

在日常數(shù)據(jù)采集的過程中，因人體存在無意識(shí)動(dòng)作、手機(jī)傳感器性能影響等原因，數(shù)據(jù)會(huì)出現(xiàn)微小的上下波動(dòng)，這種與步態(tài)特征無關(guān)的波動(dòng)將對(duì)后期的特征提取操作造成影響。針對(duì)采集過程中的噪聲，本文方案采用移動(dòng)平均濾波方法對(duì)數(shù)據(jù)上的微小波動(dòng)進(jìn)行兩次平滑處理。經(jīng)實(shí)驗(yàn)測試，兩次平滑處理的窗口值分別設(shè)定為 7和 5，處理前后的對(duì)比如圖 2所示。同時(shí)使用 Z-score方法對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將加速度數(shù)據(jù)幅度限定在一定范圍內(nèi)。

圖2 平滑處理效果對(duì)比

在數(shù)據(jù)采集過程的初期與末期，用戶未處在穩(wěn)定步行狀態(tài)，此時(shí)采集到的數(shù)據(jù)是與步態(tài)特征無關(guān)的干擾數(shù)據(jù)。針對(duì)這部分干擾數(shù)據(jù)，本文方案使用基于閾值的數(shù)據(jù)截取操作進(jìn)行處理，選取X軸方向上數(shù)據(jù)的波峰值，計(jì)算所有波峰值的均值并將其設(shè)定為門限值，第一個(gè)大于該閾值的波峰位置被認(rèn)為是穩(wěn)定步行狀態(tài)的起始點(diǎn)，第一個(gè)小于該閾值的波峰位置被認(rèn)為是穩(wěn)定步行狀態(tài)的結(jié)束點(diǎn)，以此來判斷有效數(shù)據(jù)段的位置。Y軸和Z軸數(shù)據(jù)使用與X軸數(shù)據(jù)相同的有效值起始與結(jié)束位置信息進(jìn)行截取，以保證截取后的3組數(shù)據(jù)在時(shí)間上一一對(duì)應(yīng)。

為從一份加速度數(shù)據(jù)中獲取充足的用戶步態(tài)特征，本文方案將進(jìn)行步態(tài)模板截取操作。以8 s的行走數(shù)據(jù)作為一個(gè)步態(tài)模板，即一個(gè)步態(tài)模板包含 8個(gè)步態(tài)周期。實(shí)驗(yàn)使用的APP的采樣頻率為50 Hz，因此一個(gè)步態(tài)模板包含400個(gè)加速度數(shù)據(jù)。統(tǒng)計(jì)步態(tài)數(shù)據(jù)中X軸方向上加速度數(shù)據(jù)的波峰位置信息，從該組信息的首個(gè)波峰位置開始截取400個(gè)數(shù)據(jù)作為一個(gè)步態(tài)模板，從第二個(gè)波峰位置開始截取 400個(gè)數(shù)據(jù)作為第二個(gè)步態(tài)模板，并依次類推，如圖 3所示。為了實(shí)現(xiàn)對(duì)數(shù)據(jù)的充分利用，最大化統(tǒng)計(jì)每個(gè)用戶的步態(tài)特征，模板將從首個(gè)波峰位置開始進(jìn)行正向的截取，正向截取完成后，再從最后一個(gè)波峰位置開始逆向截取。其他軸均使用X軸的波峰位置信息進(jìn)行模板截取。

2.3 步態(tài)模板特征提取

特征提取工作以步態(tài)模板為單位，從時(shí)域與頻域兩方面進(jìn)行。本文方案將分別計(jì)算X軸、Y軸、Z軸以及三軸加速度合成標(biāo)量M的所有步態(tài)模板的時(shí)域特征，M的計(jì)算式為

其中，xi、yi、zi分別為某時(shí)刻傳感器測量的沿X軸、Y軸、Z軸的加速度分量數(shù)值。

選擇標(biāo)準(zhǔn)差（std）、最大值（max）、最小值（min）、直方圖（hist）作為時(shí)域特征值[19]。將數(shù)據(jù)取值區(qū)間平均分為10組，直方圖分布表示了數(shù)據(jù)在每個(gè)區(qū)間內(nèi)的分布概率。本文方案采用快速傅里葉變換對(duì)步態(tài)數(shù)據(jù)進(jìn)行頻域分析[19]。為得到理想的傅里葉變換結(jié)果，首先對(duì)步態(tài)模板進(jìn)行延拓，然后進(jìn)行快速傅里葉變換，得到波形在不同頻率下的幅度特征，最后對(duì)幅度特征數(shù)據(jù)進(jìn)行分解與重組，得到該組數(shù)據(jù)的幅度譜?？焖俑道锶~變換后的幅度譜有256組數(shù)據(jù)，特征維數(shù)較大，且多是相關(guān)性較大的冗余特征，本文方案使用主成分分析（PCA, principle components analysis）法找到頻譜信息中最主要的特征和結(jié)構(gòu)，將原有256維幅度數(shù)據(jù)降維到二維。

因時(shí)域特征數(shù)量較多，3個(gè)坐標(biāo)軸及其合成分量的每一個(gè)步態(tài)模板將產(chǎn)生 13個(gè)時(shí)域特征數(shù)據(jù)，為獲得更具代表性的時(shí)域特征，需要對(duì)特征進(jìn)行選擇。采取逐一測試的思路，使用支持向量機(jī)（SVM,support vector machine）計(jì)算3個(gè)坐標(biāo)軸及合成分量各特征值的分類準(zhǔn)確率，在每種時(shí)域特征中選擇準(zhǔn)確率最高的特征，聯(lián)合作為最終的時(shí)域特征組合。對(duì)頻域特征使用與時(shí)域特征選擇相同的思路，得到頻域特征組合。最終選擇的時(shí)域特征為合成標(biāo)量M的最大值、Z軸數(shù)據(jù)的最小值、Y軸數(shù)據(jù)的標(biāo)準(zhǔn)差和X軸數(shù)據(jù)的直方圖，而選擇的頻域特征為X軸、Y軸及合成標(biāo)量M的幅度譜數(shù)據(jù)。聯(lián)合選擇得到的時(shí)域特征與頻域特征作為最終的用戶特征組合，最終的特征組合方式為

2.4 模板訓(xùn)練

方案使用SVM來進(jìn)行模板訓(xùn)練。具體步態(tài)模板訓(xùn)練流程如下。

Step1 采集待注冊(cè)用戶的步態(tài)信息。

Step2 對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理操作。

Step3 截取加速度數(shù)據(jù)得到步態(tài)模板。

Step4 對(duì)步態(tài)模板進(jìn)行特征提取，將所有用戶的時(shí)域特征與頻域特征整理并存儲(chǔ)，完成用戶注冊(cè)。

Step5 使用支持向量機(jī)對(duì)該設(shè)備所有用戶注冊(cè)信息進(jìn)行訓(xùn)練，得到最優(yōu)分類平面，即身份信息分類模型，將該模型參數(shù)存儲(chǔ)下來用于后續(xù)身份認(rèn)證，模板訓(xùn)練完成。

每當(dāng)有新用戶注冊(cè)時(shí)，分類模型重新訓(xùn)練以實(shí)現(xiàn)更新。模板訓(xùn)練流程如圖4所示。

圖3 步態(tài)模板截取

圖4 模板訓(xùn)練流程

2.5 身份認(rèn)證

對(duì)于第一次進(jìn)入系統(tǒng)的用戶，首先要進(jìn)行模板注冊(cè)。對(duì)于已注冊(cè)的用戶，身份認(rèn)證具體流程如下。

Step1 采集使用者的步態(tài)信息。

Step2 對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理操作。

Step3 截取加速度數(shù)據(jù)得到步態(tài)模板。

Step4 對(duì)步態(tài)模板進(jìn)行特征提取。

Step5將步態(tài)特征送入身份認(rèn)證模型，得到分類結(jié)果。

Step6將分類結(jié)果與設(shè)定的閾值進(jìn)行比較，當(dāng)分類結(jié)果大于閾值時(shí)，確定用戶的身份，完成認(rèn)證；當(dāng)分類結(jié)果相同結(jié)果小于閾值時(shí)，通知用戶再次進(jìn)行身份認(rèn)證。

本文方案的閾值設(shè)定為 0.9，即有 90%的模板都被認(rèn)為是用戶A，則確定該用戶的身份為用戶A；若分類結(jié)果相同的模板數(shù)低于90%，則重新進(jìn)行身份認(rèn)證。身份認(rèn)證流程如圖5所示。

圖5 身份認(rèn)證流程

2.6 持續(xù)認(rèn)證

基于行為特征持續(xù)身份認(rèn)證機(jī)制是指通過采集移動(dòng)終端傳感器以及用戶行為等信息，通過算法識(shí)別出當(dāng)前使用者的身份，可以避免頻繁使用口令等顯式認(rèn)證方式，且能夠?qū)τ脩暨M(jìn)行持續(xù)不間斷的身份認(rèn)證[20]。本文方案通過如下思路實(shí)現(xiàn)持續(xù)認(rèn)證：系統(tǒng)在后臺(tái)持續(xù)監(jiān)測加速度傳感器數(shù)據(jù)的變化，當(dāng)加速度數(shù)據(jù)滿足條件后，則認(rèn)定用戶進(jìn)入步行狀態(tài)，開始進(jìn)行數(shù)據(jù)采集工作，否則進(jìn)入監(jiān)測狀態(tài)；當(dāng)系統(tǒng)獲得充足的數(shù)據(jù)后，進(jìn)入數(shù)據(jù)處理模塊并進(jìn)行身份認(rèn)證操作，若數(shù)據(jù)集的大小不滿足認(rèn)證需要?jiǎng)t再次進(jìn)入監(jiān)測狀態(tài)；身份認(rèn)證完成后，返回認(rèn)證結(jié)果給設(shè)備，系統(tǒng)進(jìn)入監(jiān)測狀態(tài)。

在監(jiān)測狀態(tài)下，若X軸數(shù)值連續(xù)兩次超過閾值的時(shí)間間隔小于3 s，則認(rèn)為行走開始。若在一段時(shí)間內(nèi)X軸加速度值均小于設(shè)定的閾值，則認(rèn)為行走結(jié)束。通過實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)加速度傳感器提供的數(shù)據(jù)個(gè)數(shù)大于800個(gè)，即用戶處于行走狀態(tài)的時(shí)間超過16 s時(shí)，該份步態(tài)數(shù)據(jù)可為系統(tǒng)提供充足的步態(tài)特征。因此，當(dāng)獲取的數(shù)據(jù)個(gè)數(shù)大于800個(gè)時(shí)，將此份數(shù)據(jù)送入數(shù)據(jù)處理模塊進(jìn)入后續(xù)操作并用于用戶的身份認(rèn)證；當(dāng)獲取的數(shù)據(jù)個(gè)數(shù)不足800個(gè)時(shí)，則重新進(jìn)入監(jiān)測狀態(tài)，直至獲得充足的數(shù)據(jù)量。考慮到用戶可能有長時(shí)間處于行走狀態(tài)的情況，為防止短時(shí)間內(nèi)進(jìn)行重復(fù)認(rèn)證浪費(fèi)系統(tǒng)資源，設(shè)定加速度數(shù)據(jù)集的數(shù)量上限為2 500個(gè)，當(dāng)獲取的數(shù)據(jù)集已達(dá)到2 500個(gè)但用戶仍未退出行走狀態(tài)時(shí)，系統(tǒng)將停止采集，將此2 500個(gè)加速度數(shù)據(jù)送入后續(xù)處理，并且設(shè)定系統(tǒng)每次進(jìn)行身份認(rèn)證的時(shí)間間隔需大于3 min。持續(xù)認(rèn)證的流程如算法1～算法3所示。

算法1 閾值監(jiān)測

輸入X軸數(shù)據(jù)

輸出步態(tài)加速度數(shù)據(jù)

1) whileX軸數(shù)值超過閾值 do

2) 記錄該數(shù)據(jù)對(duì)應(yīng)時(shí)間

3) ifX軸數(shù)值連續(xù)兩次超過閾值的時(shí)間間隔小于3 s then

4) 采集步態(tài)加速度數(shù)據(jù)

5) else

6) 重新進(jìn)入閾值監(jiān)測狀態(tài)

7) end if

8) end while

算法2 數(shù)據(jù)集檢測

輸入步態(tài)加速度數(shù)據(jù)

輸出 無返回值

1) if 采集數(shù)據(jù)個(gè)數(shù)不足800個(gè) then

2) 重新進(jìn)入閾值檢測狀態(tài)

3) else if 采集數(shù)據(jù)長度小于2 500個(gè) then

4) 進(jìn)行身份認(rèn)證

5) else

6) 使用前2 500個(gè)數(shù)據(jù)用于身份認(rèn)證

7) end if

8) end if

算法3 身份認(rèn)證

輸入步態(tài)加速度數(shù)據(jù)

輸出身份認(rèn)證結(jié)果

1) 身份認(rèn)證

2) if 認(rèn)證通過then

3) return用戶身份

4) else

5) 再次進(jìn)行身份認(rèn)證

6) end if

7) 進(jìn)入閾值監(jiān)測狀態(tài)

3 實(shí)驗(yàn)測試

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)將在不同行走場地與不同天氣情況下，使用不同手機(jī)擺放位置測試方案的性能。實(shí)驗(yàn)共測試了3種行走場地，分別是室內(nèi)光滑地面、室外粗糙地面和室內(nèi)樓梯，如圖6所示。用戶分別使用2種常見的手機(jī)放置位置并在不同的場地進(jìn)行行走測試，分別是手持手機(jī)行走、手機(jī)放在褲子右后側(cè)口袋內(nèi)行走，如圖7所示。同時(shí)，實(shí)驗(yàn)分別在雨天與晴天2種天氣情況下進(jìn)行測試，以探究天氣因素對(duì)方案認(rèn)證準(zhǔn)確率的影響。

3.2 實(shí)驗(yàn)數(shù)據(jù)

在本文所知范圍內(nèi)，目前沒有已公開的基于多種場地測試的步態(tài)加速度數(shù)據(jù)集，因此本文將使用自主采集的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)測試。實(shí)驗(yàn)使用基于Android 4.4版本手機(jī)，手機(jī)硬件參數(shù)如表1所示，設(shè)計(jì)并開發(fā)加速度傳感器數(shù)據(jù)采集 APP進(jìn)行實(shí)驗(yàn)數(shù)據(jù)采集。

圖6 3種行走場地

圖7 2種常見的手機(jī)放置位置

表1 測試手機(jī)硬件參數(shù)

數(shù)據(jù)來自20位平均年齡為20～24周歲的志愿者，志愿者的身高為155～185 cm，其中8名志愿者為女性，12名志愿者為男性。每位志愿者按照其日常行走習(xí)慣，分別測試在8種場景下行走的數(shù)據(jù)，測試場景如表2所示。

以上場景基本涵蓋了人們?nèi)粘Ｉ钪械闹饕榫?，為保證實(shí)驗(yàn)數(shù)據(jù)能夠更客觀地反映用戶的行走習(xí)慣，數(shù)據(jù)采集工作分別在兩周的時(shí)間內(nèi)，任選3個(gè)晴天與一個(gè)雨天進(jìn)行，即實(shí)驗(yàn)在16個(gè)場景進(jìn)行測試。

表2 實(shí)驗(yàn)測試場景

3.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)將每位志愿者的數(shù)據(jù)分為 70%的訓(xùn)練集與30%的測試集。訓(xùn)練集按照模板訓(xùn)練流程使用支持向量機(jī)進(jìn)行訓(xùn)練得到分類模型，測試集按照身份認(rèn)證流程用于測試分類模型的認(rèn)證成功率。為了獲得更具代表性的結(jié)果，實(shí)驗(yàn)使用 5輪-交叉檢驗(yàn)的方法，在不同天氣與不同行走場景下得到的認(rèn)證準(zhǔn)確率如表3和表4所示。

表3 晴天認(rèn)證準(zhǔn)確率

表4 雨天認(rèn)證準(zhǔn)確率

綜合表3和表4的實(shí)驗(yàn)結(jié)果可以看出，不論是在室外行走還是室內(nèi)行走，雨天的認(rèn)證結(jié)果比晴天的認(rèn)證結(jié)果略有降低，這可能是因?yàn)檩^濕滑的地面和鞋底情況影響了志愿者的步態(tài)。同時(shí)可以看到，手持手機(jī)行走的認(rèn)證結(jié)果要略高于手機(jī)放在褲子右后側(cè)口袋內(nèi)的認(rèn)證結(jié)果。通過查閱相關(guān)資料可知，三軸加速度傳感器對(duì)平行于重力加速度方向的數(shù)據(jù)感知會(huì)更明顯，手持手機(jī)行走時(shí)加速度傳感器的X軸平行于重力加速度方向，而手機(jī)放在褲子右后側(cè)口袋內(nèi)行走時(shí)加速度傳感器的Y軸平行于加速度方向。本文方案中的模板分割操作是以X軸數(shù)據(jù)為基準(zhǔn)進(jìn)行的，所以手持手機(jī)行走的數(shù)據(jù)獲得了更好的模板分割效果，從而得到了更高的認(rèn)證準(zhǔn)確率。相對(duì)于在平緩地面行走的認(rèn)證結(jié)果，上下樓梯時(shí)的準(zhǔn)確率要低一些，通過繪制數(shù)據(jù)圖像可以看到，上下樓梯時(shí)的數(shù)據(jù)波形相對(duì)于在平緩地面行走的數(shù)據(jù)波形波動(dòng)幅度更大，同時(shí)也存在更多毛刺與異常值，因此影響了后續(xù)特征提取的結(jié)果，造成了認(rèn)證準(zhǔn)確率的下降。

從實(shí)驗(yàn)結(jié)果可知，地面粗糙情況相比于天氣因素引起的地面濕滑問題對(duì)方案的認(rèn)證結(jié)果會(huì)產(chǎn)生更大的影響。在平坦地面行走時(shí)，本文方案可達(dá)到90%以上的認(rèn)證準(zhǔn)確率；在上下樓梯等動(dòng)作幅度較大的日?；顒?dòng)中，有認(rèn)證準(zhǔn)確率略低于90%的情況出現(xiàn)，但仍能保持一定的認(rèn)證性能。綜合以上分析，本文方案具有一定的抗干擾能力，能應(yīng)對(duì)日常使用的大部分生活場景。

4 方案性能分析

4.1 認(rèn)證時(shí)延

因?yàn)楸疚姆桨甘窃谌粘Ｊ褂弥谐掷m(xù)地對(duì)用戶身份進(jìn)行監(jiān)測，所以每次認(rèn)證的耗時(shí)是否在用戶可接受的范圍內(nèi)將十分重要。

表5為實(shí)驗(yàn)過程中某3次測試的步態(tài)模板個(gè)數(shù)及模板訓(xùn)練與分類認(rèn)證的耗時(shí)。從表5中可以看出，模型訓(xùn)練與分類的耗時(shí)隨著模板數(shù)量的增加而增加。普通人的反應(yīng)時(shí)間一般集中在0.2～0.3 s，即使是訓(xùn)練良好的專業(yè)人員，反應(yīng)時(shí)間也只能達(dá)到0.1～0.2 s[21]。而本文方案的訓(xùn)練與認(rèn)證耗時(shí)遠(yuǎn)低于普通大眾的反應(yīng)時(shí)間，并且不論是實(shí)驗(yàn)測試的人數(shù)或是行走距離都遠(yuǎn)大于日常使用時(shí)產(chǎn)生的數(shù)據(jù)量，因此在耗時(shí)方面本文方案不會(huì)對(duì)用戶體驗(yàn)造成影響。

表5 某3次測試耗時(shí)統(tǒng)計(jì)

4.2 認(rèn)證準(zhǔn)確率

在認(rèn)證準(zhǔn)確率方面，表6中列出了本文方案與文獻(xiàn)[13]方案在不同實(shí)驗(yàn)場景下的平均認(rèn)證準(zhǔn)確率對(duì)比。從表6中數(shù)據(jù)可以看出，本文方案在不同實(shí)驗(yàn)場景下的表現(xiàn)均優(yōu)于文獻(xiàn)[13]方案。除此之外，本文方案還測試了在不同天氣環(huán)境下的表現(xiàn)，而文獻(xiàn)[13]方案未考慮天氣因素產(chǎn)生的影響，因此本文方案具有更好的適應(yīng)性。

表6 本文方案與文獻(xiàn)[13]方案的認(rèn)證準(zhǔn)確率對(duì)比

4.3 存儲(chǔ)開銷

移動(dòng)端應(yīng)用的發(fā)展應(yīng)考慮到移動(dòng)設(shè)備存儲(chǔ)空間限制問題。圖8展示了一部設(shè)備中的數(shù)據(jù)存儲(chǔ)開銷隨用戶數(shù)量增長的變化情況?？梢钥吹?，數(shù)據(jù)存儲(chǔ)開銷隨著用戶數(shù)量的增長而增長，但使用本文方案提出的特征整合方式得到的用戶注冊(cè)信息，其存儲(chǔ)開銷增長趨勢明顯低于原始數(shù)據(jù)的增長趨勢。相比于12位用戶的原始數(shù)據(jù)，本文方案所使用注冊(cè)信息占用的空間遠(yuǎn)小于1 MB，可有效降低對(duì)存儲(chǔ)空間的需求。日常持續(xù)認(rèn)證過程中采集的數(shù)據(jù)在使用過后將會(huì)刪除，不會(huì)對(duì)設(shè)備造成額外的存儲(chǔ)負(fù)擔(dān)。因此本文方案能更好地應(yīng)用在移動(dòng)設(shè)備中。

圖8 數(shù)據(jù)存儲(chǔ)開銷隨用戶人數(shù)增長變化情況

5 結(jié)束語

針對(duì)傳統(tǒng)一次性認(rèn)證方式無法完全滿足智能手機(jī)對(duì)安全性要求的問題，本文提出了一種基于步態(tài)特征的移動(dòng)端持續(xù)認(rèn)證方案。本文方案在多種場景下均能保證穩(wěn)定的認(rèn)證性能，并且能夠在日常生活中實(shí)現(xiàn)對(duì)不同用戶身份的持續(xù)認(rèn)證。同時(shí)，本文方案所提出的特征組合方式能夠有效降低用戶數(shù)據(jù)對(duì)存儲(chǔ)空間的需要，更適合在小內(nèi)存的移動(dòng)端使用。在未來工作中，將針對(duì)豐富的應(yīng)用場景進(jìn)行更加細(xì)化的實(shí)驗(yàn)測試與分析，同時(shí)改良預(yù)處理與特征提取操作來提高方案的抗干擾能力，并且使用遷移學(xué)習(xí)方法解決步態(tài)特征的領(lǐng)域自適應(yīng)問題。