一种基于WiFi信道状态信息的主动非接触身份认证方法技术

本发明专利技术公开了一种基于WiFi信道状态信息的主动非接触身份认证方法，本发明专利技术主要通过WiFi信道状态信息来对人体行为中包含的与用户体型、习惯等特征进行提取。本发明专利技术是利用WiFi信道状态信息在身份识别方向上的首次应用，通过对现阶段广泛应用的WiFi信号中的信道状态信息CSI(Channel State Information)进行合理有效的去噪，特征提取，然后根据提取结果将与动作相关的波形数据进行切分。然后对切分后的数据进一步进行用户行为的识别以及用户身份相关信息(动作方向，速度，用户体型等)的提取。然后利用这些特征结果对用户身份进行识别，同时保证了整个机制的真实性。

【技术实现步骤摘要】
一种基于WiFi信道状态信息的主动非接触身份认证方法
本专利技术涉及一种基于WiFi信道状态信息的用户身份识别系统，主要用于解决在WiFi环境下利用WiFi信号对人体行为特征的提取实现对人的身份识别问题。
技术介绍
通过近几年在无线感知方面的研究，基于已有的商用设备的无线信号的人类活动，手势的识别以及室内定位已被证明可行且有着很好的识别结果和精度。同时随着Wi-Fi设备的普及以及该领域研究的相关进展，产生了新的安全问题的研究需求，这类安全问题主要分为两类：(1)在无线感知的技术背景下产生的新的隐私保护问题；(2)无线感知技术在现有的一些安全领域问题中的应用。第一类问题针对的是如何是的通过对无线信号进行无损的干扰，使之在保证正常数据传输的同时隐藏正确的CSI信息，使得无线感知的系统无法获得CSI信号中的物理数据，从而达到隐私保护的目的。第二类问题的重点则是如何将无线感知技术应用到安全问题中，例如：利用移动设备的CSI信息使得无线AP对非法接入设备进行过滤。这一系列关于WiFi无线感知的研究都说明了无线信号中的CSI信息与外界物理环境变化的相关性，也就是与外界行为的相关性。这也就意味着通过对无线信号中CSI数据的分析，提取行为识别结果中行为的隐藏信息，从而实现对环境中对无线信号进行“干扰”的人的具体身份识别成为可能。
技术实现思路
专利技术目的：为了克服现有技术中存在的不足，本专利技术提供一种基于WiFi信道状态信息的主动非接触身份认证方法，其主要目的是利用已有的商用Wi-Fi设备对未携带移动设备的人进行身份认证和识别。要求的环境限制主要是以下两点。首先是针对已有的商用Wi-Fi设备，这使得本专利技术的研究具有低成本以及泛用性的优点；其次是无设备依赖(device-free)，就是指受感知的目标(这里指被身份识别的人)不需要携带设备(例如手机，RFID等)这同样保证了研究的低成本与泛用性，但也表明只能从人体反射的无线信号中去提取隐含的物理信息。技术方案：为实现上述目的，本专利技术采用的技术方案为：一种基于WiFi信道状态信息的主动非接触身份认证方法，包括以下步骤：步骤1，获取研究对象各种行为的CSI数据，对CSI数据降噪处理。步骤2，使用离散小波变换DWT对步骤1降噪后的CSI数据进行降维分解提取。步骤3，使用时间片内方差值配合概率统计对步骤2降维分解提取到的数据进行动作片段的切分。步骤4，训练隐马尔科夫模型：将步骤步骤3获取的行为类别、切分出的时间窗口的数量导入隐马尔科夫模型进行训练，其中，使用随机变量Zt描述t时刻系统状态的概率分布，具有转移概率，则在第t时刻系统状态的实际状态Zt未知，相反在t时刻对系统有一个观测Xt。使用10折交叉验证的方法确定隐马尔科夫模型参数包括HMM模型的状态数S及mixtures，从而选取最优参数建立模型。步骤5，根据获取的行为类别、行为花费的时间、切分出的时间窗口的数量，通过fresnel模型获对行为动作中频率的变化与无人环境中平稳数据的频率变化相对比，得出行为动作的运动方向和位移。然后结合行为类别、行为花费的时间、切分出的时间窗口的数量、动作的运动方向和位移对各个动作进行编码，同时将一系列连续动作编码串联起来作为动作序列。步骤6，对于产生的动作序列，通过分析各个动作间的时间间隔以及时间分布得出用户行为习惯相关的数据，然后结合动作的速度和幅度得出用户体型相关的数据。而用户行为习惯相关的数据、用户体型相关的数据就是与用户身份相关的隐藏特征。步骤7，将提取出的隐藏特征和动作序列结合分类器进行分类。步骤8，识别时，获取的实际CSI数据，将实际CSI数据经过步骤1至步骤3处理后导入训练好的隐马尔科夫模型中，得到其对应的行为类别、行为花费的时间、切分出的时间窗口的数量。然后根据得到行为类别、行为花费的时间、切分出的时间窗口的数量经过步骤5至步骤6的处理得到用户身份相关的隐藏特征和动作序列，将得到用户身份相关的隐藏特征和动作序列导入到步骤7中的分类器中进行识别匹配完成对身份的识别。优选的：所述步骤1中对CSI数据降噪处理的方法包括以下步骤：步骤1.1：利用巴特沃斯滤波器对获取的CSI数据进去噪处理，巴特沃斯滤波可用如下公式表示：其中，H(W)表示滤波后的CSI数据，w代表角频率，wc代表截止频率，n代表滤波器的阶数，G0代表直流分量。步骤1.2：利用主成份分析PCA对步骤1.1滤波后的CSI数据进一步去噪。优选的：所述步骤1.2利用主成份分析PCA对滤波后的CSI数据进一步去噪的方法包括以下步骤。步骤1.2.1，将不同信道的CSI数据减去其平均值，形成标准CSI矩阵。步骤1.2.2，求特征协方差矩阵。步骤1.2.3，求协方差的特征值和特征向量。步骤1.2.4，将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。步骤1.2.5，将样本点投影到选取的特征向量上。优选的：所述步骤3中动作片段的切分方法，包括以下步骤：步骤3.1，将降维分解提取到的数据按照固定时间片大小划分为多个时间片。步骤3.2，对同一个时间片内的数据取平均值映射速度分布，然后与前一个时间片的平均值做差，结果映射为加速度分布，同时取时间片内的方差。步骤3.3，设定一个阈值，将各个时间片内的方差与阈值做对比，然后统计每个时间片上超出阈值的维数，维数若大于总维数的一定百分比即视为1个活跃时间。步骤3.4，将连续3个以及以上的活跃时间片，同时允许其中有不超过2个非活跃时间片的容差作为一个连续动作数据段，将这个连续动作数据段从全体数据中分离出来作为一个动作的数据片段。优选的：所述步骤3中动作片段的切分方法：设置固定窗口W，同时计算出每个窗口中的能量强度平均值、与前一个窗口中的强度差以及窗口中的能量方差，然后根据步骤2降维分解提取到的数据针对每一维数据定下方差的阈值，其次将每一维数据与阈值对比并进行概率统计。最后根据统计结果将包含动作信息的时间窗口中数据分离出来。其中，D表示方差，A表示能量强度，N表示窗口大小。优选的：所述步骤5中获取动作方向和距离的方法包括以下步骤：步骤5.1，对时间片内的数据进行几何均值滤波然后统计波动次数，然后与无人平稳环境中单位时间片内的波动次数做比对。步骤5.2，然后利用比对结果与实际穿过的fresnel区域的数量进行比对和匹配获得穿过fresenl区域的数量与时间，然后配合波长获得距离。步骤5.3，再利用不同子载波间的波长差导致闯过fresenl的先后区别，获得具体移动方向是面向fresnel区域的焦点或是背离焦点。本专利技术相比现有技术，具有以下有益效果：本专利技术使用WiFi无限信号中的信道状态信息进行身份识别，相较于传统的身份识别方式有着应用范围广，成本低以及不容易被周围人获取模仿的优点。在无线感知领域和身份识别领域都提出了新的可能性，最后，本专利技术的设计保证了整个机制的真实性。附图说明图1实验环境图。图2系统流程图。图3隐马尔科夫模型。图4Fresnel模型。具体实施方式下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限本文档来自技高网...

【技术保护点】
一种基于WiFi信道状态信息的主动非接触身份认证方法，其特征在于，包括以下步骤：步骤1，获取研究对象各种行为的CSI数据，对CSI数据降噪处理；步骤2，使用离散小波变换DWT对步骤1降噪后的CSI数据进行降维分解提取；步骤3，使用时间片内方差值配合概率统计对步骤2降维分解提取到的数据进行动作片段的切分；步骤4，训练隐马尔科夫模型：将步骤步骤3获取的行为类别、切分出的时间窗口的数量导入隐马尔科夫模型进行训练，其中，使用随机变量Z

【技术特征摘要】
1.一种基于WiFi信道状态信息的主动非接触身份认证方法，其特征在于，包括以下步骤：步骤1，获取研究对象各种行为的CSI数据，对CSI数据降噪处理；步骤2，使用离散小波变换DWT对步骤1降噪后的CSI数据进行降维分解提取；步骤3，使用时间片内方差值配合概率统计对步骤2降维分解提取到的数据进行动作片段的切分；步骤4，训练隐马尔科夫模型：将步骤步骤3获取的行为类别、切分出的时间窗口的数量导入隐马尔科夫模型进行训练，其中，使用随机变量Zt描述t时刻系统状态的概率分布，具有转移概率，则在第t时刻系统状态的实际状态Zt未知，相反在t时刻对系统有一个观测Xt；使用10折交叉验证的方法确定隐马尔科夫模型参数包括HMM模型的状态数S及mixtures，从而选取最优参数建立模型；步骤5，根据获取的行为类别、行为花费的时间、切分出的时间窗口的数量，通过fresnel模型获对行为动作中频率的变化与无人环境中平稳数据的频率变化相对比，得出行为动作的运动方向和位移；然后结合行为类别、行为花费的时间、切分出的时间窗口的数量、动作的运动方向和位移对各个动作进行编码，同时将一系列连续动作编码串联起来作为动作序列；步骤6，对于产生的动作序列，通过分析各个动作间的时间间隔以及时间分布得出用户行为习惯相关的数据，然后结合动作的速度和幅度得出用户体型相关的数据；而用户行为习惯相关的数据、用户体型相关的数据就是与用户身份相关的隐藏特征；步骤7，将提取出的隐藏特征和动作序列结合分类器进行分类；步骤8，识别时，获取的实际CSI数据，将实际CSI数据经过步骤1至步骤3处理后导入训练好的隐马尔科夫模型中，得到其对应的行为类别、行为花费的时间、切分出的时间窗口的数量；然后根据得到行为类别、行为花费的时间、切分出的时间窗口的数量经过步骤5至步骤6的处理得到用户身份相关的隐藏特征和动作序列，将得到用户身份相关的隐藏特征和动作序列导入到步骤7中的分类器中进行识别匹配完成对身份的识别。2.根据权利要求1所述基于WiFi信道状态信息的主动非接触身份认证方法，其特征在于：所述步骤1中对CSI数据降噪处理的方法包括以下步骤：步骤1.1：利用巴特沃斯滤波器对获取的CSI数据进去噪处理，巴特沃斯滤波可用如下公式表示：其中，H(W)表示滤波后的CSI数据，w代表角频率，wc代表截止频率，n代表滤波器的阶数，G0代表直流分量；步骤1.2：利用主成份分析PCA对步骤1.1滤波后的CSI数据进一步去噪。3.根据权利要求2所述基于Wi...

【专利技术属性】
技术研发人员：赵彦超，郑睿宇，陈兵，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32