[发明专利]一种基于手机惯性传感器的行人身份识别方法

说明书

本发明提供一种基于手机惯性传感器的行人身份识别方法。本发明的核心是一个深度神经网络模型，该模型由三个卷积层、两个LSTM单元、一个注意力机制模块及一个全连接层构成，经过学习训练后，该模型能够在智能手机含有的惯性传感器数据中，挖掘出隐藏的生物特征信息，实现对手机携带者的身份验证。本发明方法具有数据量小、计算速度快的优点，再加上传感器等电子元器件近些年来的迅速发展，所需的成本也比较低。

技术领域

本发明描述了一种基于手机惯性传感器对行人身份验证的深度神经网络方法，属于生物特征识别技术领域。

背景技术

生物特征识别技术是指利用人体固有的生理特性和行为特征，来进行个人身份的验证，此技术具有不易伪造或被盗、安全方便的特点。目前大部分生物特征识别技术都是对人的虹膜、指纹或脸部进行识别，这些现有技术大都是基于图像，运算速度慢。由于传感器成本低、数据量小易于计算，因此基于惯性传感器的生物特征识别方法更具有发展的潜力。然而，现有的基于惯性传感器的识别技术大都使用的是传统的机器学习方法，由于可穿戴传感器的体积、功耗等限制，采集出的数据会有较大的数据噪声，导致传统的方法无法有效地进行数据挖掘，需要人工提取传感器数据序列中的特征，并且这些特征所能表达的信息有限，最终的识别效果很低，往往要加上先验经验来辅助判断。

发明内容

本发明主要提供一个能够基于手机惯性传感器进行生物特征识别的深度学习方法，以对手机携带者的身份进行鉴定。此技术的核心是一个深度神经网络，它经过学习训练后能够有效地挖掘出传感器数据中隐含的信息，并准确地对手机携带者进行身份鉴定。

本发明的目的在于提供一种有效的行人身份识别的深度学习方法，该技术能够快速地对已有数据集进行学习并对模型参数进行训练修正，训练好的模型能够在智能手机含有的惯性传感器数据中，挖掘出隐藏的生物特征信息，实现对手机携带者的身份验证。

步骤1，惯性传感器携带者使用智能设备采集训练样本数据；

步骤2，采用滑动窗口的方法对原始的传感器数据进行切割，生成多个样本，每个样本含n帧数据，且相邻样本有P％的数据重叠，在生成样本的同时，为每个样本做好标签，标签的内容是样本对应的数据采集者的身份编号；

步骤3，构建深度神经网络模型，该模型包括三个卷积层、两个LSTM单元、一个注意力机制模块和一个全连接层，其中，第一个卷积层中含有64个长度为25的一维卷积核，第二、三个卷积层各含有64个长度为21的一维卷积核，两个LSTM单元中的隐含层神经元个数均为128，全连接层的输出层神经元个数等于要识别的行人身份个数；

步骤4，将步骤2生成的样本输入到步骤3构建的深度神经网络模型，设置合适的训练参数，使模型训练至收敛；

步骤5，身份待验证者使用带有惯性传感器的智能设备采集待验证数据；

步骤6，将待验证数据输入到训练好的模型中计算，若得到的概率预测向量中的最大值大于某一阈值，则返回对应的身份编号作为预测结果；反之则返回-1作为结果，即身份待验证者的数据没有在模型中训练过，为非法身份。

进一步的，所述智能设备为智能手机。

进一步的，步骤1中采集训练样本数据时，设置采集频率为50Hz，智能手机置于左裤兜中，屏幕面朝外，手机头部朝下，放置好后正常步行约2到3分钟。

进一步的，步骤2中采用长128、步长64的滑动窗口对原始的传感器数据进行切割，生成的单个样本有128帧数据，每帧数据有6个浮点数，分别对应加速计的x、y、z轴数据和陀螺仪的x、y、z轴数据。

进一步的，步骤3中深度神经网络模型的处理过程如下，