本发明涉及身份识别领域，特别是涉及一种基于手势特征的身份认证方法及系统。
背景技术：
随着智能手机与互联网技术的不断发展，手机已经逐渐变成人们生活中不可或缺的一部分，现在人们通常会将手机作为一个信息处理平台来使用，从聊天沟通，到银行支付，再到学习办公，手机已经渗透到我们生活中的方方面面。随着手机便利性的提升，各种私密的信息不可避免地会被存储在手机中，如果手机丢失，结果毫无疑问是灾难性的危害。作为保护这些私密信息的第一道屏障，手机的身份认证就显得尤为重要。
目前市面上的手机常用的身份认证方式主要分为两种，第一种是基于私密信息的身份方式，用户通过输入预设的密码或者划出锁屏图案，完成身份的认证，该方法对手机的硬件要求较低，但是需要用户记忆密码信息，如果忘记密码，会给用户造成极大的不便。此外，密码信息安全性较低，很容易被他人获取，如果密码信息被他人窃取了，一旦手机被盗，就会造成不可挽回的损失。另一种是基于生物特征的身份认证方式，目前已经投入使用的有指纹解锁，虹膜解锁等，这类的身份认证方式需要手机提供额外的硬件支持，这无疑大大增加了手机成本。
在很多情况下，传统的手机身份认证方式并不够方便，当用户在开车或者拿东西时，只有一只手可以腾出使用手机，用户很难通过单手便捷地完成身份认证的过程。
目前，手势身份认证应用并未得到市场广泛应用，而相关论文使用的方法有两种：一种是使用动态时间归整(dtw)算法对测试样本以及模板数据进行匹配，另一种方法则是使用朴素算法进行手势轨迹角度与特征的提取，将提取到的特征放入支持向量机分类模型中。
因为手势数据的离散性与不确定性，所以这两种算法都会不可避免地造成信息量的部分丢失。此外，现有技术中的手势识别没有考虑环境因素的影响。
技术实现要素：
本发明的目的是提供一种基于手势特征的身份认证方法及系统，一方面，能够更好的保障采集数据的完整性，另一方面，考虑了环境因素的影响，使得本发明提供的身份认证方法及系统在不同的环境场景下，依然能够保持较好的识别率。
为实现上述目的，本发明提供了如下方案：
一种基于手势特征的身份认证方法，所述方法包括：
采集用户手势的加速度数据；
对所述加速度数据进行重采样，得到处理后的所述加速度数据；
对处理后的所述加速度数据进行环境去噪，得到去噪后的所述加速度数据；
采用支持向量机对去噪后的所述加速度数据的正确性进行识别，如果识别结果为正确，则身份认证成功。
可选的，所述对所述加速度数据进行重采样，得到处理后的所述加速度数据，具体包括：
采用线性重采样和贝塞尔重采样相结合的混合采样方式对所述加速度数据进行重采样。
可选的，所述采用线性重采样和贝塞尔重采样相结合的混合采样方式对所述加速度数据进行重采样，具体包括：
对采集到的所述加速度数据按照时间进行n点线性重采样，得到线性重采样后的加速度数据点序列
对采集到的所述加速度数据按照时间进行n点贝塞尔重采样，得到贝塞尔重采样后的加速度数据点序列
根据公式
可选的，所述对处理后的所述加速度数据进行环境去噪，得到去噪后的所述加速度数据，具体包括：
采用设定环境场景的特征信息对卷积神经网络进行训练，得到卷积神经网络模型；
对所述用户手势做出时，用户所处的环境特征信息进行采集，得到手势环境信息；
采用所述卷积神经网络模型对所述手势环境信息进行分类识别，得到所述手势环境信息所属的所述设定环境场景；
根据所述手势环境信息所属的所述设定环境场景确定所述用户手势做出时的环境噪声数据；
将所述环境噪声数据从处理后的所述加速度数据中去除，得到去噪后的所述加速度数据。
可选的，所述根据所述手势环境信息所属的所述设定环境场景确定所述用户手势做出时的环境噪声数据，具体包括：
获取所述手势环境信息所属的所述设定环境场景对应的预设噪声预测函数n(t)；
将所述用户手势做出时刻代入所述预设噪声预测函数，得到所述用户手势做出时刻的环境噪声数据。
可选的，所述采用支持向量机对去噪后的所述加速度数据的正确性进行识别，具体包括：
采用正样本和负样本分别对支持向量机进行训练，得到训练后的支持向量，所述正样本为所述用户手势正确时对应的所述加速度数据，所述负样本为预设的无规律手势对应的加速度数据和由所述正样本的数据曲线生成的布林线数据；
采用训练后的所述支持向量对去噪后的所述加速度数据进行分类识别。
本发明还提供了一种基于手势特征的身份认证系统，所述系统包括：
数据采集模块，用于采集用户手势的加速度数据；
预处理模块，用于对所述加速度数据进行重采样，得到处理后的所述加速度数据；
环境去噪模块，用于对处理后的所述加速度数据进行环境去噪，得到去噪后的所述加速度数据；
分类识别模块，用于采用支持向量机对去噪后的所述加速度数据的正确性进行识别，如果识别结果为正确，则身份认证成功。
可选的，所述预处理模块，具体包括：
数据重采样单元，用于采用线性重采样和贝塞尔重采样相结合的混合采样方式对所述加速度数据进行重采样。
所述数据重采样单元，具体包括：
线性重采样子单元，用于对采集到的所述加速度数据按照时间进行n点线性重采样，得到线性重采样后的加速度数据点序列
贝塞尔重采样子单元，用于对采集到的所述加速度数据按照时间进行n点贝塞尔重采样，得到贝塞尔重采样后的加速度数据点序列
重采样混合子单元，用于根据公式p(ti')＝klpl(ti')+kbpb(ti')计算得到重采样后的加速度数据点序列
可选的，所述环境去噪模块，具体包括：
卷积神经网络训练单元，用于采用设定环境场景的特征信息对卷积神经网络进行训练，得到卷积神经网络模型；
手势环境信息采集单元，用于对所述用户手势做出时，用户所处的环境特征信息进行采集，得到手势环境信息；
环境场景确定单元，用于采用所述卷积神经网络模型对所述手势环境信息进行分类识别，得到所述手势环境信息所属的所述设定环境场景；
环境噪声数据确定单元，用于根据所述手势环境信息所属的所述设定环境场景确定所述用户手势做出时的环境噪声数据；
环境去噪单元，用于将所述环境噪声数据从处理后的所述加速度数据中去除，得到去噪后的所述加速度数据；
所述环境噪声数据确定单元，具体包括：
预设噪声预测函数获取子单元，用于获取所述手势环境信息所属的所述设定环境场景对应的预设噪声预测函数；
环境噪声数据确定子单元，用于将所述用户手势做出时刻代入所述预设噪声预测函数，得到所述用户手势做出时刻的环境噪声数据。
可选的，所述分类识别模块，具体包括：
支持向量机训练单元，用于采用正样本和负样本分别对支持向量机进行训练，得到训练后的支持向量，所述正样本为所述用户手势正确时对应的所述加速度数据，所述负样本为预设的无规律手势对应的加速度数据和由所述正样本的数据曲线生成的布林线数据；
分类识别单元，用于采用训练后的所述支持向量对去噪后的所述加速度数据进行分类识别。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于手势特征的身份认证方法及系统，采用线性重采样和贝塞尔重采样相结合的混合采样方式对采集到的用户手势的加速度数据进行了重采样，保障了特征映射的信息量，尽可能保障了加速度数据的完整性，此外，本发明对所述加速度数据进行了环境去噪，滤除了环境因素的影响，使得本发明提供的身份认证方法及系统在不同的环境场景下，依然能够保持较好的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1为本发明实施例基于手势特征的身份认证方法流程示意图；
图2为本发明实施例手势录入状态示意图；
图3为本发明实施例基于手势特征的身份认证系统结构图。
具体实施方式
下面将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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于手势特征的身份认证方法及系统，一方面，能够更好的保障采集数据的完整性，另一方面，考虑了环境因素的影响，使得本发明提供的身份认证方法及系统在不同的环境场景下，依然能够保持较好的识别率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于手势特征的身份认证方法流程示意图，如图1所示，本发明提供的基于手势特征的身份认证方法步骤如下：
步骤101：采集用户手势的加速度数据；用户手势加速度数据采集过程中使用到的传感器有加速度传感器，重力传感器，线性加速度传感器，旋转向量传感器，采集到以上传感器的数据的时间序列为向量v；
步骤102：对所述加速度数据进行重采样，得到处理后的所述加速度数据；
步骤103：对处理后的所述加速度数据进行环境去噪，得到去噪后的所述加速度数据；
步骤104：采用支持向量机对去噪后的所述加速度数据的正确性进行识别，如果识别结果为正确，则身份认证成功。
其中，步骤102具体包括：
采用线性重采样和贝塞尔重采样相结合的混合采样方式对所述加速度数据进行重采样，将其映射到定维空间，为以后的支持向量机分类器的分类识别创造了条件。具体为：
对采集到的所述加速度数据按照时间进行n点线性重采样，得到线性重采样后的加速度数据点序列
对采集到的所述加速度数据按照时间进行n点贝塞尔重采样，得到贝塞尔重采样后的加速度数据点序列
根据公式
步骤103具体包括：
采用设定环境场景的特征信息对卷积神经网络进行训练，得到卷积神经网络模型；设定环境场景为认为预先设定的场景，比如跑步场景、走路场景、上楼、下楼、乘坐交通工具等场景，这些场景分别有预先设定的环境噪声函数，环境噪声函数为环境噪声值随时间的周期性变化；该环境噪声函数记为预设噪声预测函数；
对所述用户手势做出时，用户所处的环境特征信息进行采集，得到手势环境信息；用户手势为用户拿着移动终端晃动或是拿着移动终端做出特定的手势动作，由于本发明的移动终端一直对其自身的加速度进行着采集，因此，在用户手势做出之前的一小段时间内，认为采集到的加速度数据即为用户手势做出时的环境加速度数据；
采用所述卷积神经网络模型对所述手势环境信息进行分类识别，得到所述手势环境信息所属的所述设定环境场景；
根据所述手势环境信息所属的所述设定环境场景确定所述用户手势做出时的环境噪声数据；
将所述环境噪声数据从处理后的所述加速度数据中去除，得到去噪后的所述加速度数据。
优选的，所述根据所述手势环境信息所属的所述设定环境场景确定所述用户手势做出时的环境噪声数据，具体包括：
获取所述手势环境信息所属的所述设定环境场景对应的预设噪声预测函数n(t)；
将所述用户手势做出时刻代入所述预设噪声预测函数，得到所述用户手势做出时刻的环境噪声数据。
步骤104具体包括：
采用正样本和负样本分别对支持向量机进行训练，得到训练后的支持向量，所述正样本为所述用户手势正确时对应的所述加速度数据，所述负样本为预设的无规律手势对应的加速度数据和由所述正样本的数据曲线生成的布林线数据；
采用训练后的所述支持向量对去噪后的所述加速度数据进行分类识别。
本发明提供的基于手势特征的身份认证方法，采用线性重采样和贝塞尔重采样相结合的混合采样方式对采集到的用户手势的加速度数据进行了重采样，保障了特征映射的信息量，尽可能保障了加速度数据的完整性，此外，本发明对所述加速度数据进行了环境去噪，滤除了环境因素的影响，使得本发明提供的身份认证方法及系统在不同的环境场景下，依然能够保持较好的识别率。
作为本发明的又一实施例，用户手势的特征来自于用户的力度、动作形状、习惯等。本发明采用用户触发式的方法来界定手势范围，如图2所示，在录入手势就绪的状态下，按下屏幕开始记录手势，抬起表示手势结束。训练手势时，用户按照上述流程重复一定次数进行训练即可；而需要解锁时，用户同样进行一次采集操作，一旦判定为通过，则可以解锁。
本发明提供的身份识别方法分为用户手势加速度数据采集、加速度数据预处理、环境降噪、分类识别四个阶段。在用户录入设定的手势时，同样需要经过与上述识别过程相同的手势加速度数据采集、加速度数据预处理、环境降噪三个阶段。分类识别阶段比较的是用户的解锁手势是否与录入的设定手势一致，一致则通过身份识别。
用户手势加速度数据采集阶段：
基于安卓平台硬件标准，针对用户录入的短手势，使用标准传感器进行跟踪监听，从而尽可能保留手势信息量。
具体跟踪传感器数据类型为type_accelerometer，type_gravity，type_gravity，type_gyroscope，type_rotation_vector。
安卓传感器标准规定的反馈数据频率最高为fmax＝20hz，标准频率fnormal＝5hz，经过测试，在正常频率下，电量消耗很小。因此，本发明传感器的数据采集分为两种模式，一是手机后台长时间采集环境数据用于环境降噪，采用标准频率fnormal＝5hz；二是在手机短手势时，为了尽可能保留手势信息，采用最高频率fmax＝20hz。
传感器采集到的采样点原数据为p(t)＝{ax,ay,az,rx,ry,rz}，其中，t为时间，a(t)＝{ax,ay,az}为相对于手机坐标系的三向线性加速度，r(t)＝{rx,ry,rz}为手机相对于地球坐标系朝向的旋转角角度向量。采集到的原数据点为p(ti)，i＝0,1,2,…,n-1。
加速度数据预处理阶段：
假定同一个手势的时间长度是基本一致的，因此，使用重采样的方式实现数据的定维映射：采用线性重采样-贝塞尔重采样混合采样方式。
线性重采样
线性重采样即将数据点之间直接相连，取连线上的点为新采样数据点：
b(t)＝(1-t)p0+tp1,t∈[0,1]，其中，p0,p1为两个相邻的数据点，b(t)为p0,p1之间任意点的采样。
在本发明中，我们将原数据按照时间点进行1000点线性重采样。线性重采样的时间点为
其中，
贝塞尔重采样
使用贝塞尔曲线平滑各点之间的连线，并重采样。对于二次贝塞尔曲线，有轨迹：
b(t)＝(1-t)2p0+2t(1-t)p1+t2p2,t∈[0,1]
其中，p0,p1,p2为相邻的3个数据点，b(t)为p0,p2之间任意点的采样。
在本发明中，我们对短手势进行1000点重采样，则有贝塞尔重采样后的数据点：
其中，
加权混合采样
由于线性重采样对于两点之间的数据进行平均，因而可以较好的保留原数据的特征，不存在信息衰减。但是扩充到1000点的重采样数据冗余度较高，特征不明显，使用svm的效果不会特别好。贝塞尔曲线可以较好的还原平滑变化的数据，对于平滑手势的采样失真会有所减少。但会损失一定的信息量，尤其是对突变数据的还原度较差。
因而在本发明实际实现过程中，对两种重采样技术进行了加权混合：
得到
环境降噪阶段：
短手势轨迹很大程度上会受到用户所处环境的影响。并且，由于手势持续时间很短，环境的周期性并没有很好的体现出来。因此，事实上许多现有技术所采用的dtw算法或者移动均线滤波并不能很好地过滤环境分量。所以，如果用户处在移动状态下，身份认证的成功率会大幅度下降。
在本发明中，我们利用坐标变换及噪声周期性特征作为参数进行环境降噪，保证用户在各种环境下进行身份认证的成功率。
cnn网络的训练：已知手机的旋转角度向量r＝{rx,ry,rz}，则可以求得手机方向单位四元数q＝{w,x,y,z}，其中有：
可以通过四元数q得到旋转矩阵：
利用该旋转矩阵，可以将线性加速度向量a从手机坐标系转换到世界坐标系下的
a＝ma
又因为考虑在用户可能处于不同的朝向，故应不考虑绕世界坐标系z轴的角度，可将加速度向量a'从3维降维到2维：a″＝{a0,a1}，其中：
可以用a″和{rx,ry}对cnn网络进行情景识别训练。同时，处于环境稳态的a″将作为环境噪声n＝{n0.n1}。
本发明预设了几种环境场景，每种环境场景均预设有对应的噪声曲线函数，比如日常活动中的以下场景：1、正常行走，2、下楼，3、上楼，4、骑自行车，5、跑步，6、乘坐交通工具(如地铁等)。场景分类集可记作cstage＝{lwalk,ldownstairs,lupstairs,lbilk,lrun,ltransportation}。每类场景的信息特征都是独特的，与其他场景有明显的不同。由所处理的数据对时域采样数据进行fft变换，将其转换为频域数据。频域数据每隔t个点将被选取制作为一个场景特征样本。最终一个场景特征样本的数据格式表达为t×通道数。在环境降噪的过程中，采集环境特征信息，采用训练好的cnn网络对采集到的环境特征信息进行识别分类，得到所属类别后，根据所属类别对应的预设噪声曲线函数求取环境噪声。
环境噪声类别的求取：在cnn分类器网络训练好后，需要采用训练好的cnn分类器网络对环境噪声进行识别时，首先，由于后台传感器一直在对环境进行着采集工作，在用户手势做出前的一小段时间，认为是与用户手势做出时所处的环境场景是一致的，对户手势做出前的一小段时间内的噪声数据序列n，采用训练好的cnn分类器网络对噪声数据序列n进行分类，识别出噪声数据序列n所属的环境场景类别，调取所属的环境场景对应的已经预设好的噪声函数，噪声数据序列n则满足该函数：
nt(t)为时间周期内t时刻的噪声数据，其中，
记录下周期0时刻对应实际时间点t0。
假设用户的行为已处于稳定状态，即噪声保持较好的周期性，则可以快速识别出噪声的周期t以及相位
得到
即由
降噪的实现：a″-n＝{a0-n0,a1-n1}表示去噪后加速度在地球坐标系的降维值。需要将该值返回到手机坐标系中，不妨令c＝{a0-n0,0,a1-n1}。则有手机坐标系下：
c'＝m-1c
得到去噪后的6维数据{c',r'}。
分类识别阶段：
经过之前的预处理和降噪，输入到分类器的数据为定维的手势向量。
使用二元svm分类器，可以在训练正样本极少的情况下取得较好的效果。选取核函数为高斯核函数。
为了有效防止非法解锁，还需要设计负样本。设定一部分负样本为提前预制的无规律手势数据，另一部分为由正样本数据曲线生成的布林线数据。
布林(boll)线是一种基于元时间序列的序列生成算法，能够较完美地描述时间序列的上界和下界曲线。
计算公式为
其中，boll，ma，std均是等长数值序列，ma为移动均线，std为移动标准差，α为正实数，表明区间大小。
其中，x为原序列，l(ma)为预设的均线窗长，l(std)为预设的移动标准差窗长，布林线通常用来描述一个时间序列的趋势上下界，在此处用于描述可接受的手势区分界限。
正样本与上述负样本构成svm的训练集进行训练，每个样本放置相应的标签，从而对svm分类器进行训练。则在用户解锁预测时，利用训练好的svm分类器对用户的手势数据进行分类识别，输出为1表示接受，输出为0表示拒绝。
本发明提供的基于手势特征的身份认证方法，采用线性重采样和贝塞尔重采样相结合的混合采样方式对采集到的用户手势的加速度数据进行了重采样，保障了特征映射的信息量，尽可能保障了加速度数据的完整性，此外，本发明对所述加速度数据进行了环境去噪，滤除了环境因素的影响，使得本发明提供的身份认证方法及系统在不同的环境场景下，依然能够保持较好的识别率。
本发明还提供了一种基于手势特征的身份认证系统，图3为本发明实施例基于手势特征的身份认证系统结构图，如图3所示，所述系统包括：
数据采集模块301，用于采集用户手势的加速度数据；
预处理模块302，用于对所述加速度数据进行重采样，得到处理后的所述加速度数据；
环境去噪模块303，用于对处理后的所述加速度数据进行环境去噪，得到去噪后的所述加速度数据；
分类识别模块304，用于采用支持向量机对去噪后的所述加速度数据的正确性进行识别，如果识别结果为正确，则身份认证成功。
其中，所述预处理模块302，具体包括：
数据重采样单元，用于采用线性重采样和贝塞尔重采样相结合的混合采样方式对所述加速度数据进行重采样。
所述数据重采样单元，具体包括：
线性重采样子单元，用于对采集到的所述加速度数据按照时间进行n点线性重采样，得到线性重采样后的加速度数据点序列
贝塞尔重采样子单元，用于对采集到的所述加速度数据按照时间进行n点贝塞尔重采样，得到贝塞尔重采样后的加速度数据点序列
重采样混合子单元，用于根据公式
所述环境去噪模块303，具体包括：
卷积神经网络训练单元，用于采用设定环境场景的特征信息对卷积神经网络进行训练，得到卷积神经网络模型；
手势环境信息采集单元，用于对所述用户手势做出时，用户所处的环境特征信息进行采集，得到手势环境信息；
环境场景确定单元，用于采用所述卷积神经网络模型对所述手势环境信息进行分类识别，得到所述手势环境信息所属的所述设定环境场景；
环境噪声数据确定单元，用于根据所述手势环境信息所属的所述设定环境场景确定所述用户手势做出时的环境噪声数据；
环境去噪单元，用于将所述环境噪声数据从处理后的所述加速度数据中去除，得到去噪后的所述加速度数据；
所述环境噪声数据确定单元，具体包括：
预设噪声预测函数获取子单元，用于获取所述手势环境信息所属的所述设定环境场景对应的预设噪声预测函数；
环境噪声数据确定子单元，用于将所述用户手势做出时刻代入所述预设噪声预测函数，得到所述用户手势做出时刻的环境噪声数据。
所述分类识别模块304，具体包括：
支持向量机训练单元，用于采用正样本和负样本分别对支持向量机进行训练，得到训练后的支持向量，所述正样本为所述用户手势正确时对应的所述加速度数据，所述负样本为预设的无规律手势对应的加速度数据和由所述正样本的数据曲线生成的布林线数据；
分类识别单元，用于采用训练后的所述支持向量对去噪后的所述加速度数据进行分类识别。
本发明提供的基于手势特征的身份认证系统，采用线性重采样和贝塞尔重采样相结合的混合采样方式对采集到的用户手势的加速度数据进行了重采样，保障了特征映射的信息量，尽可能保障了加速度数据的完整性，此外，本发明对所述加速度数据进行了环境去噪，滤除了环境因素的影响，使得本发明提供的身份认证方法及系统在不同的环境场景下，依然能够保持较好的识别率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。