一种身份识别方法及其系统

本申请涉及计算机技术领域，尤其涉及一种身份识别方法及其系统。

背景技术：

随着社会信息化水平的不断提高，人们产生越来越多的隐私数据。保护这些信息的安全是日益增长的需求。然而，传统的身份认证方法，例如钥匙、pin、组合密码等，由于易被攻击者获取和易被用户忘记等问题，已经越来越不适合于数据保护的应用场景了。因此，近年来生物特征识别在安全领域扮演着越来越重要的角色，从早先在银行等特殊场所内应用的指纹识别、静脉识别等技术，逐步发展到今天广泛应用在个人设备中相对自然无感的人脸识别技术，生物特征识别技术得到了长足的发展。所谓生物特征，指的是可以唯一确定某一个体的可测量的生理特征或行为特征。生物特征识别摆脱了密码和介质，把人本身作为密码，不仅天然解决了密码忘记或介质丢失的问题，还大大增加了认证信息获取的难度，使得易用性和安全性显著上升，而人工智能技术的引入，又大大增强了其识别的准确性和鲁棒性。其中，指纹识别和人脸识别目前最为常见。指纹识别广泛应用在个人设备、银行和海关等对安全性和识别率要求极高的场景下，此种方法识别效果卓越，安全可靠，误识率和拒识率都小于千分之一。人脸识别系统由于其鲁棒性和较高的识别效果，主要应用在门禁、安防等领域，个人设备也有部分使用。

目前常用的生物特征识别技术，如指纹识别、人脸识别等，通常都需要借助于专门的传感器来采集数据，从而导致了这些技术的使用场景有限。同时，在使用过程中，用户的操作会被认证过程完全打断，不得不关注对应传感器和认证过程本身，整个过程介入感强，用户体验相对较差。

技术实现要素：

本申请的目的在于提供一种身份识别方法及其系统，拥有生物特征识别的全部优点，不用担心忘记密码或介质丢失，易用性和安全性更高，同时应用范围更广，只要有具有电容屏幕的设备均可使用，不依赖其他传感器；且使用过程中还不会打断用户的正常操作，兼顾了良好的用户体验。

为达到上述目的，本申请提供一种身份识别方法，包括如下步骤：收集原始数据，其中，原始数据为电容值矩阵序列；对原始数据进行预处理和编码处理，得到多个特征向量；将多个特征向量一一与用户模板进行对比，并通过预先训练好的判别器模型得到认证结果。

如上的，其中，收集原始数据之前，需要先通过预先注册的账号进行系统登录。

如上的，其中，预先注册账号的子步骤如下：根据指示获取多组滑动数据；对每组滑动数据进行输入检查，若检查到输入无误，则对每组滑动数据进行处理，获得特征向量；若检查到输入错误，则提示对有误的滑动数据进行重新收集；取所有特征向量的均值得到用户模板，完成账号注册。

如上的，其中，对原始数据进行预处理和编码处理，得到多个特征向量的子步骤如下：对原始数据进行数据预处理，获得预处理后数据；将预处理后数据输入至预先训练好的编码器模型中，得到多个特征向量。

如上的，其中，对原始数据进行数据预处理，获得预处理后数据的子步骤如下：利用原始数据减去背景噪声矩阵，生成减去结果，并用减去结果除以电容屏幕的电容值变化范围，得到降噪后归一化的电容值矩阵序列；在每一帧的归一化后的电容值矩阵序列中找到所有大于阈值r的触点，并将该触点视为触摸点；在每一帧的归一化后的电容值矩阵序列中框选一个k*k的范围，使得触摸点位于k*k的范围内的一角后，保存该k*k的矩阵，得到k*k矩阵的时间序列，并将k*k矩阵的时间序列作为预处理后数据，其中k为自然数，k<n，n为电容矩阵的宽。

如上的，其中，预先训练编码器模型的子步骤如下：募集被试样本，采集被试样本通过多种滑动模式使用电容屏设备或生物特征识别装置时产生的所有容值序列；对采集到的所有容值序列进行预处理，获得处理数据；构建三维卷积神经网络模型，输入所有被试样本的处理数据进行训练，输出多个特征向量完成训练；使用编码器优化模型对完成训练的三维卷积神经网络模型进行优化，并将完成优化后的三维卷积神经网络模型作为训练好的编码器模型。

如上的，其中，预先训练判别器模型的子步骤如下：将处理数据输入到编码器模型中得到标准特征向量；构建孪生神经网络，使用全连接网络对输入的新采集的数据进行编码，获得新特征向量，将标准特征向量和新特征向量输入孪生神经网络，孪生神经网络输出标准特征向量和新特征向量的差距大小；使用判别器优化模型对孪生神经网络进行优化，并将优化后的孪生神经网络作为训练好的判别器模型。

本申请还提供一种身份识别系统，包括：电容屏设备和服务器；其中，电容屏设备；用于采集原始数据，并将原始数据发送至服务器；服务器：用于接收原始数据，并执行上述的身份识别方法生成认证结果。

如上的，其中，服务器包括：编码器和判别器；其中，编码器：用于接收预处理后数据，获得多个特征向量；判别器：用于接收多个特征向量，获得认证结果。

如上的，其中，电容屏设备至少包括：认证系统和电容屏幕；其中，电容屏幕：用于产生原始数据；认证系统：用于收集原始数据，对原始数据进行处理，获得预处理后数据。

本申请实现的有益效果如下：

(1)本发明通过收集用户在设备使用过程中因在屏幕上滑动引起的电容值变化的时间序列，通过预处理后，使用深度学习方法提取特征向量，并通过与事先录入的数据的特征进行比对，得到认证结果，从而实现完整的生物特征识别流程。

(2)在硬件设备方面，本发明仅需要具有电容屏幕的设备即可，应用场景相对于指纹识别和人脸识别更加广泛，同时，在数据收集方面，本发明在用户操作过程中静默采集数据，不会干扰用户的使用，使得用户体验大大增强。

(3)本发明可以在用户使用过程中连续采集，连续进行认证，显著提高了易用性和安全性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为身份识别系统一种实施例的结构示意图；

图2为身份识别方法一种实施例的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，作为一个实施例，本申请提供一种身份识别系统，包括：电容屏设备1和服务器2。

其中，电容屏设备1；用于采集原始数据，并将原始数据发送至服务器，具体的，原始数据为触摸操作产生的电容值矩阵序列。

服务器2：用于接收原始数据，并执行下述的身份识别方法生成认证结果。

进一步的，电容屏设备1至少包括：认证系统110和电容屏幕120。

其中，认证系统110：用于收集原始数据，对原始数据进行处理，获得预处理后数据。

电容屏幕120：用于产生原始数据。

进一步的，服务器2包括：编码器210和判别器220。

其中，编码器210：具有编码器模型，用于接收预处理后数据，获得多个特征向量。

具体的，编码器210用于从预处理后数据中提取出可以用来区分用户的特征向量。

判别器220：具有判别器模型，用于接收多个特征向量，获得认证结果。

具体的，判别器220用来比较用户事先录入容值矩阵序列的标准特征向量和新采集到数据的特征向量，然后得到认证结果。

作为另一个实施例，本申请提供一种生物特征识别装置，包括：电容屏幕，认证系统，编码器和判别器。

其中，电容屏幕：用于产生原始数据。具体的，原始数据为触摸操作产生的电容值矩阵序列。

认证系统：用于收集原始数据，对原始数据进行处理，获得预处理后数据。

编码器：用于接收预处理后数据，获得多个特征向量。

判别器：用于接收多个特征向量，获得认证结果。

如图2所示，本申请提供一种身份识别方法，包括如下步骤：

s1：收集原始数据，其中，原始数据为电容值矩阵序列。

具体的，原始数据为用户在信息安全要求较高的场景下使用电容屏幕时，认证系统在后台不断收集的多种状态下滑动所产生的电容值矩阵序列。

其中，设电容屏幕的电容采样密度为m*n(m>n)，采样频率为f：电容数据采集机制从用户将手指按在屏幕上开始记录，直到用户将手指抬起结束，收集的原始数据每一帧都是m*n的矩阵，其中，m表示电容矩阵的长，n表示电容矩阵的宽。

进一步的，收集原始数据之前，需要先通过预先注册的账号进行系统登录。

具体的，用户通过电容屏幕利用预先注册的账号登录认证系统。

进一步的，预先注册账号的子步骤如下：

p1：根据指示获取多组滑动数据。

具体的，注册过程中，用户通过电容屏幕接收指示，并按照指示录入多组不同状态的滑动操作，认证系统在后台对多组滑动操作的数据进行采集，并将采集的数据作为滑动数据，执行p2。

p2：对每组滑动数据进行输入检查，若检查到输入无误，则对每组滑动数据进行处理，获得特征向量；若检查到输入错误，则提示对有误的滑动数据进行重新收集。

进一步的，对每组滑动数据进行处理，获得特征向量的子步骤如下：

p210：对每组滑动数据进行预处理，获得标准数据。

具体的，对每组滑动数据进行预处理，获得标准数据的子步骤如下：

q1：利用每组滑动数据减去背景噪声矩阵，生成减去结果，并用减去结果除以电容屏幕的电容值变化范围，得到降噪后归一化的电容值矩阵序列。

具体的，背景噪声矩阵和电容值变化范围通常由电容屏幕的制造商提供。

q2：在每一帧的归一化后的电容值矩阵序列中找到所有大于阈值r的触点，并将该触点视为触摸点。

具体的，阀值r为预先设置的，阀值r的具体值根据实际情况而定。

q3：在每一帧的归一化后的电容值矩阵序列中框选一个k*k的范围，使得触摸点位于k*k的范围内的一角后，保存该k*k的矩阵，得到k*k矩阵的时间序列，并将k*k矩阵的时间序列作为标准数据，其中k为自然数，k<n，n为电容矩阵的宽。

具体的，触摸点可位于k*k的范围内的左上角，右上角，左下角或者右下角等位置，其中，触摸点的具体位置可根据实际情况而定。

p220：将所有标准数据输入至预先训练好的编码器模型中，得到多个特征向量。

p3：取所有特征向量的均值得到用户模板，完成账号注册。

具体的，当根据指示获取的多组滑动数据为w组时，将所有预处理后数据输入至预先训练好的编码器模型中，得到的多个特征向量为w个。

s2：对原始数据进行预处理和编码处理，得到多个特征向量。

进一步的，对原始数据进行预处理和编码处理，得到多个特征向量的子步骤如下：

l1：对原始数据进行数据预处理，获得预处理后数据。

具体的，对原始数据进行数据预处理，获得预处理后数据的子步骤如下：

w1：利用原始数据减去背景噪声矩阵，生成减去结果，并用减去结果除以电容屏幕的电容值变化范围，得到降噪后归一化的电容值矩阵序列。

具体的，背景噪声矩阵和电容值变化范围通常由电容屏幕的制造商提供。

w2：在每一帧的归一化后的电容值矩阵序列中找到所有大于阈值r的触点，并将该触点视为触摸点。

具体的，阀值r为预先设置的，阀值r的具体值根据实际情况而定。

w3：在每一帧的归一化后的电容值矩阵序列中框选一个k*k的范围，使得触摸点位于k*k的范围内的一角后，保存该k*k的矩阵，得到k*k矩阵的时间序列，并将k*k矩阵的时间序列作为预处理后数据，其中k为自然数，k<n，n为电容矩阵的宽。

具体的，触摸点可位于k*k的范围内的左上角，右上角，左下角或者右下角等位置，其中，触摸点的具体位置可根据实际情况而定。

l2：将预处理后数据输入至预先训练好的编码器模型中，得到多个特征向量。

进一步的，预先训练编码器模型的子步骤如下：

f1：募集被试样本，采集被试样本通过多种滑动模式使用电容屏设备或生物特征识别装置时产生的所有容值序列。

具体的，多种滑动模式主要包括：被试样本手指在电容屏幕上、下、左、右四个方向的滑动操作和放大或缩小图片时使用的缩放操作。容值序列和缩放操作一一对应。其中，容值序列为电容值矩阵。

f2：对采集到的所有容值序列进行预处理，获得处理数据。

进一步的，对采集到的所有容值序列进行预处理，获得处理数据的子步骤如下：

f210：利用每一帧容值序列减去背景噪声矩阵，生成减去结果，并用减去结果除以电容屏幕的电容值变化范围，得到降噪后归一化的电容值矩阵序列。

具体的，背景噪声矩阵和电容值变化范围通常由电容屏幕的制造商提供。

f220：在每一帧的归一化后的电容值矩阵序列中找到所有大于阈值r的触点，并将该触点视为触摸点。

具体的，阀值r为预先设置的，阀值r的具体值根据实际情况而定。

f230：在每一帧的归一化后的电容值矩阵序列中框选一个k*k的范围，使得触摸点位于k*k的范围内的一角后，保存该k*k的矩阵，得到k*k矩阵的时间序列，并将k*k矩阵的时间序列作为处理数据，其中k为自然数，k<n，n为电容矩阵的宽。

具体的，触摸点可位于k*k的范围内的左上角，右上角，左下角或者右下角等位置，其中，触摸点的具体位置可根据实际情况而定。

f3：构建三维卷积神经网络(3dcnn)模型，输入所有被试样本的处理数据进行训练，输出多个特征向量完成训练。

f4：使用编码器优化模型对完成训练的三维卷积神经网络(3dcnn)模型进行优化，并将完成优化后的三维卷积神经网络(3dcnn)模型作为训练好的编码器模型。

具体的，作为一个实施例，编码器优化模型为tripletloss优化模型，使用tripletloss优化模型进行优化，三维卷积神经网络(3dcnn)模型向缩小同一用户数据的特征向量距离，增大不同用户数据的特征向量距离的方向进行优化，并将完成优化后的三维卷积神经网络(3dcnn)模型作为训练好的编码器模型。优化有利于提高模型性能。

s3：将多个特征向量一一与用户模板进行对比，并通过预先训练好的判别器模型得到认证结果。

具体的，作为一个实施例，将多个特征向量一一与用户模板进行对比，并通过预先训练好的判别器模型得到认证结果，达到持续认证的效果。

作为另一个实施例，可以积累几个认证结果后投票产生一个最终的结果，将最终的结构作为最终的认证结果，牺牲一定的认证效率来增加准确性。

进一步的，预先训练判别器模型的子步骤如下：

k1：将处理数据输入到编码器模型中得到标准特征向量。

具体的，处理数据由被试样本的容值序列进行预处理后获得。

k2：构建孪生神经网络(snn架构)，使用全连接网络对输入的新采集的数据进行编码，获得新特征向量，将标准特征向量和新特征向量输入孪生神经网络，孪生神经网络输出标准特征向量和新特征向量的差距大小。

具体的，标准特征向量是事先录入数据的特征向量，即用户的ppg数据模板，表示用户多个ppg信号的特征向量的平均值。新特征向量是新采集到的数据的特征向量。

k3：使用判别器优化模型对孪生神经网络进行优化，并将优化后的孪生神经网络作为训练好的判别器模型。

具体的，作为一个实施例，判别器优化模型为contrastiveloss优化模型。

本申请实现的有益效果如下：

(1)本发明通过收集用户在设备使用过程中因在屏幕上滑动引起的电容值变化的时间序列，通过预处理后，使用深度学习方法提取特征向量，并通过与事先录入的数据的特征进行比对，得到认证结果，从而实现完整的生物特征识别流程。

(2)在硬件设备方面，本发明仅需要具有电容屏幕的设备即可，应用场景相对于指纹识别和人脸识别更加广泛，同时，在数据收集方面，本发明在用户操作过程中静默采集数据，不会干扰用户的使用，使得用户体验大大增强。

(3)本发明可以在用户使用过程中连续采集，连续进行认证，显著提高了易用性和安全性。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。