论文部分内容阅读
随着信息时代的飞速发展,智能手机已不再简单作为通讯工具,更作为社交媒介存储着大量的个人信息及隐私,安全性尤为重要。传统的手机身份认证方式如Pin码,数字字母密码,手绘网格,密码信息可能会被泄露;人脸识别,指纹解锁等生物生理特征信息也存在被入侵者模仿或仿造的风险。智能手机内置有丰富的传感器,如加速度计、陀螺仪等,它们采集到的数据隐含有手势、行为时频特征以及不同使用者的特定行为习惯信息。利用这些特征可以对手机使用者进行有效的身份认证,不容易被模仿。本论文利用智能手机内置加速度计、陀螺仪传感器采集到的特定手势、行为信息,实现基于手势识别的身份认证和基于行为识别的持续身份认证。在基于手势识别的身份认证中,首先对采集到的持握手机空中书写3D手势的陀螺仪数据进行预处理并提取其有效时域特征,提出使用孤立森林算法对特定手势数据的合法性进行认证。在此基础上,使用双向长短时记忆循环神经网络(Bi-directional Long Short-Term Memory,BiLSTM)来对手势进行有效识别,实现二次认证。在基于行为识别的身份认证中,对采集到的正常走、快走、慢走、跑、上下楼六类行为的加速度计和陀螺仪数据进行步态周期检测、划分等预处理。采用BiLSTM对行为进行有效识别。提出一种卷积神经网络(Convolutional Neural Networks,CNN)结合双向长短时记忆循环神经网络的网络模型,利用卷积神经网络进行特征提取,双向循环神经网络进行二分类,实现特定行为方式下的身份认证。实验结果表明,在基于手势识别的身份认证中,平均手势识别精度为94.3%,支持自定义手势识别,基于手势的身份认证的平均精度为88.3%,而手势综合认证的平均精度为83%。在基于行为识别的身份认证中,平均行为识别精度为92.5%,能识别相似行为,基于行为的认证的平均精确率为90.2%,而行为综合认证的平均精度为84.4%。实验中还比较了不同合法用户数量、不同手势书写方式以及不同行走方式等对身份认证精度的影响。实验证明本文提出的方法在解决智能手机身份认证上具有可行性,手势识别、行为识别以及基于手势或行为的身份认证均能达到较高的精度。