多元數(shù)據(jù)融合的非干擾步態(tài)身份識別方法研究.pdf

1、隨著可穿戴智能移動終端的發(fā)展，智能終端的安全問題日益突出?；诓綉B(tài)的用戶身份識別方法利用可穿戴設(shè)備內(nèi)置的傳感器實現(xiàn)對用戶身份的識別，具有設(shè)備無關(guān)性、不受場景的限制和對用戶非干擾等特點，是一種有效的非干擾用戶身份識別方法。
　　傳統(tǒng)的非干擾步態(tài)識別方法在可穿戴智能終端設(shè)備風險控制領(lǐng)域的應(yīng)用還存在一些問題，大多數(shù)已有的方案是通過加速度傳感器、陀螺儀等多種傳感器對步態(tài)進行身份識別與驗證，從而進行手機的風險控制。由于識別的方法設(shè)置了許多限

2、制條件，造成該技術(shù)的推廣和使用具有一定的困難。例如:傳感器設(shè)備要固定在腳踝、膝蓋、腰部等位置同時需要將手機放在特定位置并保證特定朝向，用戶需要做特定的動作。其次，通過步態(tài)進行身份識別與驗證的技術(shù)應(yīng)用到風險控制領(lǐng)域需要一套完整可靠的系統(tǒng)架構(gòu)。因此，本文提出一種與位置、行為無關(guān)的非干擾的身份識別與驗證方法，通過用戶行為與設(shè)備位置的特征遷移提取有效的特征并構(gòu)建多元數(shù)據(jù)融合模型實現(xiàn)非干擾用戶身份的識別，并以此為核心建立了一套完整的系統(tǒng)實現(xiàn)架構(gòu)和

3、原型系統(tǒng)。該架構(gòu)方法的實現(xiàn)提高了用戶身份識別的準確度和魯棒性、改善人機交互體驗。實驗結(jié)果表明本文設(shè)計的系統(tǒng)架構(gòu)也有利于系統(tǒng)整體精度的提升且該方法具有較高的識別率和極低FPR（假陽率）的特點，從而在非干擾用戶的情況下提高了APP和智能手機等智能終端設(shè)備的安全性。本文主要貢獻如下:
　　(1)提出了一種面向用戶非干擾步態(tài)身份識別的有效特征提取方法。為了消除步態(tài)身份識別過程中用戶行為和設(shè)備位置的影響，除了提取用戶步態(tài)特征還分別提取用戶行

4、為特征和設(shè)備位置位置特征;同時，針對由于個體差異性和設(shè)備位置的差異導(dǎo)致的用戶行為模型和位置模型漂移問題，提出了一種基于行為位置相關(guān)的特征遷移學(xué)習方法，利用遷移成分分析將不同用戶行為和設(shè)備位置的源域和目標域變換到相同的重構(gòu)希爾波特空間，以消除特征的差異性、提高非干擾步態(tài)身份識別魯棒性。
　　(2)提出了一種多元數(shù)據(jù)融合的非干擾步態(tài)身份識別方法。為了解決用戶行為和可穿戴設(shè)備位置對步態(tài)身份識別的影響，利用加速度傳感器數(shù)據(jù)針對用戶行為和可

5、穿戴設(shè)備位置分別進行有效特征提取;利用隨機森林(RandomForest，RF)算法分別構(gòu)建用戶行為和可穿戴設(shè)備位置識別模型，構(gòu)建多元數(shù)據(jù)融合的非干擾步態(tài)身份識別模(Multi-model Data Fusion based Unobtrusive identification Method，MD-UIM)。實驗結(jié)果表明，在選取用戶行為習慣與智能設(shè)備位置關(guān)系的五種組合能進行有效的識別，測試精度較傳統(tǒng)方法提升了5％，同時驗證了有效特征提取