使用svm分类器识别智能终端用户身份的方法
【专利摘要】本发明公开了一种使用SVM分类器识别智能终端用户身份的方法。该方法包括：由触摸屏传感器和压力传感器分别采集多点触摸认证动作在执行过程中二维坐标数据和指端压力数据；处理所得的数据，提取分类特征；利用SVM分类器进行训练获取分类预测模型。经上述过程后，认证时用户只需按要求执行规定的多点触摸动作，使用已获取的SVM分类预测模型就可以准确的区分出用户的身份从而达到用户识别的目的。该方法在验证过程中使用方便，安全性高且能获得较好的身份认证效果。
【专利说明】
使用SVM分类器识别智能终端用户身份的方法
技术领域
[0001] 本发明涉及模式识别和信息安全技术领域，特别是涉及利用智能终端触摸屏和压 力传感器提取用户生理特征，并通过使用SVM(支持向量机，Support Vector Machines)进 行用户身份识别的方法。
【背景技术】
[0002] 身份识别是确认当前操作用户与系统设定用户身份是否匹配的过程，在智能终端 普遍使用的今天，确保智能终端用户身份真实性成为信息安全技术领域的一个重要部分。
[0003] 当今智能终端中身份认证方式主要分为三大类：第一类，利用密码（口令）判断 用户身份；第二类，利用用户所持有的信物进行身份认证；第三类，利用生物的特征进行身 份识别。第一种方式虽然最简单最容易实现，但是它的可靠性能最差，一旦密码（口令）外 泄，被保护系统基本没有抵御外界攻击的能力。第二种方式的可靠性虽然稍高，但是一般的 实现过程会很复杂，同时需要额外的设备来支持，在这种方式中，一旦信物丢失或被盗，所 保护的系统也基本上失去了抵抗外界攻击的能力，而且对于绑定信物也不能做到丢失后立 即更换。相对来说利用生物特征进行身份认证是根据对象（人）天生的生理特征或者在生 活中长期养成的一些习惯来进行身份识别，不会给对象带来额外的负担，也不存在因为外 泄或遗失所带来的安全问题，并且攻击者很难仿造，因此基于生物特征的身份认证可以作 为前两种认证方式的一个很好的替代方法。生物特征身份识别方法主要分为行为特征识别 和生理特征识别两类。生理特征为先天的特征，包括面相、指纹、掌形、声音、虹膜、视网膜等 静态特征；行为特征是通过后天的学习或发展而形成的，包括签名、击键、步态、动态手势等 动态特征。
[0004] 生物特征识别在当前的智能终端设备中并未能广泛使用的主要原因有以下两点： 首先限于智能终端的资源有限性，当前的智能终端多数没有配备相关生物特征识别的附加 硬件，如指纹识别、掌纹识别、虹膜识别和视网膜识别所需要的信息采集工具；其次是由于 某些生物特征易于被盗用和转移，如静态签名识别、声音识别、人脸识别等都可以使用不同 的方式仿造。
[0005] 多点触摸认证（Multi-Touch Verification)是一种利用生理特征进行身份识别 的认证方式，主要通过两个或两个以上的手指在触摸屏上滑动过程中人的行为特征和滑动 轨迹来进行身份认证，多点触摸认证设计到神经生理学、模式识别、信号处理、计算机科学 等知识，属于一种多学科交叉研究的领域。目前国内对于多点触摸的研究多集中在多点触 摸所代表的行为意义上，即根据不同的手势赋予其不同的行为意义，当不同的用户执行相 同的手势动作时，可以获得与该动作相对应的触发行为。这其实是对于多点触摸手势行为 意义的研究。
[0006] 因此，有必要设计一种利用智能终端多点触摸功能识别用户的身份认证方法。
【发明内容】
[0007] 为了克服上述现有技术的不足，本发明提供了一种使用SVM分类器识别智能终端 用户身份的方法。此方法在完成认证的过程中不需要使用到额外的硬件设备，对智能终端 的硬件性能要求相对较低，利用触摸屏传感器和压力传感器采集运动过程中各手指的坐标 数据序列和指端压力数据序列，认证方式简单易行，受外部因素影响较小，能取得较好的认 证效果。
[0008] 本发明提供了一种使用SVM分类器识别智能终端用户身份的方法，具体技术方法 如下：
[0009] ①利用智能终端触摸屏传感器和压力传感器设备采集用户在执行动作过程中各 手指坐标数据序列和指端压力数据序列；
[0010] ②重复完成预先规定的多指运动行为，需保持完成过程的规律性，即使得每次完 成的动作轨迹大致相同。每个用户共计采集50组以上数据以便用于分类器训练。
[0011] ③预处理上述采集到的原始坐标数据和压力数据，具体包含以下步骤：
[0012] 定义原始数据序列 4' <；、、Ky分别表示X、Y轴坐标数据和压力数据。上标t表示多点触摸动作执行次数； 下标i表示手指代码，i = 1，2,3,4,5分别表示拇指、食指、中指、无名指和小指；下标j表 示当前数据的为采集到的第j个点，n表示序列点总个数，且1彡j彡n，j，i，n，t G Z
[0013] 第一步：平滑去噪所采集的原始坐标数据序列和压力数据序列。
[0014] 方法如式（1)、（2)和（3):
[0016] 其中分别表示经平滑去噪后的X、Y坐标数据值和压力数据值，M为 计算过程中取平均值点的个数。
[0017] 第二步：对平滑去噪后的坐标数据序列进行位置归一化，具体方法如下：
[0018] 定义某一手指序列（以选取食指为例）的中点坐标为，只,J如式（4)和（5):
[0020] 将全部手指坐标序列以该中点坐标为坐标原点进行平移，可得位置归一化后的坐 标数据序列其中?和分别表示为式（6)和（7):
[0021 ] mxtij=x[j-x,2a (6)； myX厂f2a (7)
[0022] 第三步：将经过位置归一化后的坐标数据序列进行长度归一化，得到归一化后的 坐标数据序列表示为式（8)和（9):
[0024] ④将经过预处理后的数据进行分类特征提取，用于SVM分类器训练，选取的分类 特征包括：X、Y轴坐标序列轨迹；X、Y轴运动序列一阶、二阶导数序列；动作曲线的运动方向 序列；各手指指端压力数据序列。特征序列的获取方式如式（1〇) - (16):
[0025] X、Y 轴坐标轨迹序列：{(r<y+,7X;)}；；=1 ( 10)；
[0026] X轴序列一阶导数
[0027] Y轴序列一阶导数
[0028] X轴序列二阶导数
[0029] Y轴序列二阶导数
[0030] 曲线序列运动方向
[0031] 指端压力数据序列
[0032] 在式（11) - (14)中r表示计算式取相邻点的个数。在多点触摸动作执行过程中， 各手指均包括上述的8组分类特征序列，因此当使用多指进行触摸动作时，共可得m*8组特 征序列，m表示动作执行时涉及手指的数量。
[0033] ⑤将经过上述计算后所得m*8组分类特征序列作为SVM分类器的属性值输入训 练，获得训练模型用于用户身份识别分类。
[0034] ⑥用户进行认证时，根据预先设定完成多指滑动动作并采集相应的各手指坐标数 据和指端压力数据经处理后输入SVM分类器预测模型进行分类，得出用户身份分类结果。
[0035] 本发明提供了一种使用SVM分类器识别智能终端用户身份的方法，相对于现有技 术而言，本发明具有以下技术效果：
[0036] (1)提高了用户的安全性
[0037] 不同于传统的密码或生物生理特征识别，本发明采用生物行为特征作为用户身份 识别特征。解决了验证用户身份信息的问题，由于采用多指在触摸屏传感器上滑动时产生 的动态坐标数据和各指端在运动过程中动态压力数据经处理后提取出具有区分度的特征 信息作为识别的依据，能对当前智能终端的使用者身份进行分类识别，很好的避免了密码 遗失、仿造等弊端，提高了智能终端持有人判别的安全性。
[0038] (2)认证过程简单易行
[0039] 本发明中用户在认证过程中不需要额外使用其他硬件设备，只需要完成预先设定 的认证动作即可完成身份认证。用户不需要记忆知识类的复杂密码、不需要携带其他验证 信物也不需担心密码遗忘。本发明中认证过程对外部环境依赖性极小，适用于各种环境。因 此，本发明提高了认证过程中的用户体验度。
【附图说明】
[0040] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简要介绍；描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术 人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他附图。
[0041] 图1为本发明实例中使用SVM分类器识别智能终端用户身份的方法流程示意图。
[0042] 图2为本发明实例中对原始采集数据进行处理的流程示意图。
[0043] 图3为本发明实例中使用SVM分类器训练获得分类预测模型流程示意图。
[0044] 图4为本发明实例中使用SVM分类预测模型进行用户身份认证分类流程示意图。
【具体实施方式】
[0045] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一 步地详细描述，所描述实施例仅仅是本发明一部份实施例。基于本发明中的实施例，本领域 普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护 的范围。
[0046] 本发明的身份认证原理是基于生物个体之间存在行为特征上的差异来识别出不 同的生物个体。本发明实施例的方案中，用户需要在配置有触摸屏传感器和压力传感器的 智能终端中做出预定的多点触摸身份认证动作，即可判断出用户的真伪，并且多点触摸认 证手势可由用户自己选取。
[0047] 下面通过具体实施例对本发明方案进行详细描述，本发明并不限于以下实施例。
[0048] 如图1所示，为本发明提供的用户身份认证方法流程示意图，具体包括以下步骤：
[0049] 步骤101，采集执行多点触摸动作过程中的各根手指二维坐标序列数据和各指端 压力序列数据。
[0050] 动作执行过程中由智能终端的触摸屏传感器采集各手指的二维坐标序列数据，由 压力传感器采集各指端压力序列数据，采集时以屏幕左上方为坐标系原点，由左至右为x 轴正方向，由上至下为y轴正方向，数据采集可以同时采集二维坐标数据序列和压力数据 序列，也可单独采集二维坐标序列数据用来作为原始数据。
[0051 ] 步骤102，处理所得原始数据序列，包括对原始数据进行预处理和提取分类特征序 列，详细实施方案参考
【发明内容】
的技术方案③和④。
[0052] 步骤103,判断当前智能终端中是否已有训练完成的分类预测模板，即判断是否进 行模板训练。若当前智能终端中已经完成分类预测模型的训练，进行步骤106,直接判断当 前用户身份真实性；否则进行步骤104,进行SVM分类器模型训练。
[0053] 步骤104,获得分类特征序列输入至SVM分类器进行分类模型训练。
[0054] 步骤105,获得分类预测模型。
[0055] 步骤106,分类当前用户身份。
[0056] 步骤107,分类为真实用户，认证成功。
[0057] 步骤108,分类为非真实用户，认证失败。
[0058] 如图2所示，为本发明提供的用于对原始采集数据进行处理的流程示意图，具体 包括以下步骤：
[0059] 步骤201，设定多点触摸动作，包含触摸动作使用的手指数量及顺序，触摸动作完 成的方式等。具体完成方式可根据预定设置动作完成，也可由用户自行选取。应保证选取 后在完成认证前不再变更。
[0060] 步骤202,安装身份认证软件，并打开数据采集功能，准备采集数据。身份认证软件 可由各种不同的编程语言完成以适用于不同的应用平台。
[0061] 步骤203,完成步骤201中所设定的多点触摸动作，由数据采集软件分别获得执行 动作过程中的坐标数据序列和压力数据序列保存至指定目录。
[0062] 步骤204,从指定目录位置读取所采集的压力数据序列和坐标数据序列，对上述两 种数据序列进行平滑去噪处理，以去除原始数据中因各种原因导致的噪声信号。
[0063] 步骤205,取得步骤204中平滑去噪后的坐标数据序列，对其进行位置归一化处 理，减少因执行多点触摸动作起始位置不同带来的误差影响。
[0064] 步骤206,取得步骤205中处理后的坐标数据序列，对其进行序列长度归一化。
[0065] 步骤207,取得经步骤203处理后的压力数据序列和经步骤206处理后的坐标数据 序列，提取分类特征序列，包括X、Y轴坐标轨迹序列，X轴序列一阶、二阶导数，Y轴序列一 阶、二阶导数，动作曲线运动方向序列。
[0066] 步骤208,将经步骤207处理后的数据传输至后续环节，结束数据处理环节。
[0067] 如图3所示，为本发明提供的用于获取SVM分类预测模型的流程示意图，具体步骤 包括：
[0068] 步骤301，设定多点触摸动作。
[0069] 步骤302,安装认证软件并打开数据采集功能。
[0070] 步骤303,完成预定的多点触摸动作。
[0071 ] 步骤304,采集执行动作的原始数据。
[0072] 步骤305,判断当前用户采集的数据量是否满足预定要求，如果满足要求，进行步 骤306 ;如果不满足要求，进行步骤307,继续采集当前用户的多点触摸数据直至满足设定 要求。
[0073] 步骤306,判断当前已采集的原始数据是否满足设定的用户数量要求，如果满足要 求，进行步骤309 ;如果不满足要求，进行步骤308,更换当前用户，继续采集数据，直至满足 设定要求。
[0074] 步骤307,重复完成步骤303-305,直至满足要求。
[0075] 步骤308，重复完成步骤303-306，直至满足要求。
[0076] 步骤309,对采集的数据进行处理，过程可参照图2中对数据的处理流程示意图。
[0077] 步骤310,将经过步骤309处理后的数据输入至SVM分类器进行训练。
[0078] 步骤311，获得经步骤310训练后的SVM分类预测模板。
[0079] 步骤312,结束模板训练过程。
[0080] 如图4所示，为本发明提供的根据SVM分类预测模板进行用户身份分类的流程示 意图，具体步骤包括：
[0081 ] 步骤401，待认证用户打开认证软件，并打开数据采集功能。
[0082] 步骤402,此时用户可任意完成一次多点触摸动作。
[0083] 步骤403,对步骤402中完成动作时采集的数据进行数据处理。
[0084] 步骤404,将经过步骤403处理完成后的数据输入至已经训练完成的SVM分类预测 模型中。
[0085] 步骤405,在分类预测模板中对当前用户身份进行分类识别。
[0086] 步骤406,当前待认证用户被分类为真实用户，认证通过。
[0087] 步骤407,当前待认证用户被分类为非真实用户，认证失败。
【主权项】
1. 一种使用SVM分类器识别智能终端用户身份的方法，其特征在于，用户在智能终端 完成预先规定的多根手指触摸滑动动作，通过智能终端中配置的触摸屏传感器及压力传感 器采集用户各手指在运动过程中的二维坐标和压力数据；处理所采集的数据，提取分类特 征；要求用户重复多次在智能终端完成规定手指滑动动作，以便采集上述数据利用SVM分 类器进行分类训练。在用户身份识别阶段，要求用户在智能终端中做出规定手指滑动动作 完成数据采集，利用训练后所得分类预测模型即可对用户身份进行区分。2. 根据权利要求1所述的一种使用SVM分类器识别智能终端用户身份的方法，其特征 在于，对于所采集的原始坐标和压力数据进行预处理，包括： 平滑去噪所得各手指的坐标序列及压力序列数据； 对平滑去噪后的各坐标序列进行位置归一化； 对位置归一化后的各坐标序列进行长度归一化。3. 根据权利要求1所述的一种使用SVM分类器识别智能终端用户身份的方法，其特征 在于，要求用户在智能终端完成多手指滑动时应使得所完成的动作具有规律性，即所做动 作轨迹应大致相同。4. 根据权利要求1所述的一种使用SVM分类器识别智能终端用户身份的方法，其特征 在于，在利用SVM分类器进行分类训练时，以经过预处理后所得坐标数据序列和压力数据 序列所提取的特征序列作为SVM分类器的属性值进行输入训练。
【文档编号】G06F21/32GK105893809SQ201510011610
【公开日】2016年8月24日
【申请日】2015年1月6日
【发明人】孙子文, 庞永春
【申请人】江南大学