多元數據融合的非干擾步態(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備內置的傳感器實現(xiàn)對用戶身份的識別，具有設備無關性、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備風險控制領域的應用還存在一些問題，大多數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。由于識別的方法設置了許多限

2、制條件，造成該技術的推廣和使用具有一定的困難。例如:傳感器設備要固定在腳踝、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應用到風險控制領域需要一套完整可靠的系統(tǒng)架構。因此，本文提出一種與位置、行為無關的非干擾的身份識別與驗證方法，通過用戶行為與設備位置的特征遷移提取有效的特征并構建多元數據融合模型實現(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)架構和

3、原型系統(tǒng)。該架構方法的實現(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。實驗結果表明本文設計的系統(tǒng)架構也有利于系統(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、為特征和設備位置位置特征;同時，針對由于個體差異性和設備位置的差異導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的特征遷移學習方法，利用遷移成分分析將不同用戶行為和設備位置的源域和目標域變換到相同的重構希爾波特空間，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)提出了一種多元數據融合的非干擾步態(tài)身份識別方法。為了解決用戶行為和可穿戴設備位置對步態(tài)身份識別的影響，利用加速度傳感器數據針對用戶行為和可

5、穿戴設備位置分別進行有效特征提取;利用隨機森林(RandomForest，RF)算法分別構建用戶行為和可穿戴設備位置識別模型，構建多元數據融合的非干擾步態(tài)身份識別模(Multi-model Data Fusion based Unobtrusive identification Method，MD-UIM)。實驗結果表明，在選取用戶行為習慣與智能設備位置關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