【技术实现步骤摘要】
一种基于动态手势的身份认证方法
本专利技术涉及计算机视觉和生物识别
，特别涉及一种基于动态手势的身份认证方法。
技术介绍
动态手势作为主流的交互式语言，其手势动作包含的关节位移和手型变换等时序信息，不仅能表达丰富的行为语义，同时还隐含了不同用户所特有的手势习惯。不同于现有的静态生物特征(如指纹、虹膜和人脸等)，手势习惯是一种动态的、序列的生物特征，更加难以被模仿和伪造。因此，基于动态手势的认证技术在人机交互等领域有着广泛的应用前景。现有的关于动态手势的研究主要是针对语义识别，即识别不同动态手势表达的手势含义，忽略了动态手势隐含的生物特征。这使得在人机交互系统中，非法用户很容易通过手势模仿进行系统入侵，不利于信息安全。因此，近年来出现了部分针对基于动态手势的用户身份识别研究，方法主要分为以下几类：(1)基于轨迹匹配的方法，该类方法通过对比待测手势与模板手势的轨迹相似度，进行身份识别，常用的轨迹特征有手臂关节位置、运动加速度等。这类方法的优点是灵活性较高，能够动态添加新用户和新手势类型；缺点是身份识别精度低...
【技术保护点】
1.一种基于动态手势的身份认证方法，其特征在于，包括：/n在线获取用户的动态手势数据；/n利用训练好的手势识别模型对用户的动态手势数据进行处理，提取该用户的手势生物特征；/n将该用户的手势生物特征与离线构建的比对库中的所有手势生物特征进行相似度比对，计算最大相似度s；/n利用最大相似度s与设置的门限值，进行该用户的身份认证。/n
【技术特征摘要】
1.一种基于动态手势的身份认证方法，其特征在于，包括：
在线获取用户的动态手势数据；
利用训练好的手势识别模型对用户的动态手势数据进行处理，提取该用户的手势生物特征；
将该用户的手势生物特征与离线构建的比对库中的所有手势生物特征进行相似度比对，计算最大相似度s；
利用最大相似度s与设置的门限值，进行该用户的身份认证。
2.如权利要求1所述的基于动态手势的身份认证方法，其特征在于，所述用户的动态手势数据包括彩色图像、深度图像和人体关节信息。
3.如权利要求1所述的基于动态手势的身份认证方法，其特征在于，所述利用训练好的手势识别模型对用户的动态手势数据进行处理，提取该用户的手势生物特征，包括：
利用所述手势识别模型中的卷积神经网络提取用户的局部手势手型特征，利用手势识别模型中的递归神经网络提取用户的全局手势轨迹特征；
融合局部手势手型特征和全局手势轨迹特征，提取用户的手势生物特征。
4.如权利要求3所述的基于动态手势的身份认证方法，其特征在于，所述卷积神经网络包括共享基础网络和特征聚合网络，共享基础网络的输入为单手局部RGB-D图像序列，其使用相同的网络参数分别提取用户左手和右手图像序列的时空特征，得到左、右单手特征图；
所述共享基础网络包括卷积层Conv0和3个残差模块Layer0、Layer1与Layer2，残差模块Layer0包括3个残差基础结构resBlock，残差模块Layer1和残差模块Layer2均包括4个残差基础结构resBlock；所述残差基础结构resBlock包含2个卷积操作conv_a和conv_b；
所述特征聚合网络包括权重学习单元和下采样单元，权重学习单元的输入为左、右单手特征图、输出为双手融合特征，下采样单元的输入为双手融合特征、输出为所述用户的局部手势手型特征；所述权重学习单元包括依次连接的全局平均池化层、密集全连接层FC1和密集全连接层FC2，密集全连接层FC1和密集全连接层FC2使用的激活函数分别为ReLU和Sigmoid；下采样单元包括依次连接的卷积层Conv1、下采样层和全局最大平均池化层，卷积层Conv1的输入接密集全连接层FC2的输出。
5.如权利要求3所述的基于动态手势的身份认证方法，其特征在于，所述递归神经网络包括依次连接的全连接层FC、注意力模块和双向长短记忆模块，递归神经网络的输入为上肢关节坐标序列、输出为所述用户的全局手势轨迹特征，其中：
注意力模块包括用于计算关节注意力特征的关节注意力单元和用于计算帧注意力特征图的帧注意力单元，关节注意力单元和帧注意力单元经求和操作add连接，关节注意力单元的输入、输出结果以及帧注意力单元的输入、输出结果经求和得到注意力融合特征；
双向长短记忆模块包括与前向LSTM和后向LSTM，前向LSTM和后向LSTM的输入均为所述注意力融合特征，前向LSTM和后向LSTM经拼接操作连接，前向LSTM和后向LSTM的输出结果拼接得到所述全局手势轨迹特征。
...
【专利技术属性】
技术研发人员：戴亮亮，张卡，何佳，尼秀明，
申请(专利权)人：安徽清新互联信息科技有限公司，
类型：发明
国别省市：安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。