一种基于鞋垫的身份认证方法技术

本发明专利技术公开了一种基于鞋垫的身份认证方法，包括以下步骤：建立由多组数据组成的身份认证数据集，将身份认证数据集分为训练集和测试集，每组数据包括利用鞋垫采集的一个人在不同状态的行为信号数据，鞋垫上设置有数据采集传感器；构建FCN神经网络模型；先对训练集和测试集中的行为信号数据进行预处理，再将处理后的训练集输入FCN神经网络模型进行训练，得到训练后的FCN神经网络模型；将处理后的测试集输入训练后的FCN神经网络模型进行识别分类，得到身份认证结果。采用被动非侵入的认证方式，通过用户的日常行为对用户进行认证，相比于常见的主动认证方式，避免了繁琐的认证过程，隐式的认证方式也增加了安全性。

【技术实现步骤摘要】
一种基于鞋垫的身份认证方法
本专利技术属于识别方法
，涉及一种基于鞋垫的身份认证方法。
技术介绍
智能设备的发展改变了我们的日常生活方式，为用户提供数据和进行交流互动的平台。目前，大多数移动设备以基于知识的方案和生物识别技术作为主要的访问方法，但这些方法存在用户刻意记住复杂的密码，频繁输入密码时不方便等劣势。生物特征认证技术提供了一种方便、简单的用户认证方法，生物识别技术，如人脸、指纹、眼圈和虹膜可以提供点认证。然而，他们不能提供隐式和透明的认证，容易受环境影响。随着科技的发展，嵌入式设备、人工智能和深度学习算法的发展为用户识别和认证提供了有效的解决方案。许多研究人员使用智能鞋垫来识别日常人类行为，除了识别人类日常行为外，对移动设备安全的关注增强，以及智能鞋垫等智能设备的普及，都增加了研究者对智能鞋垫在安全概念中的应用的关注。当前身份识别方法主要指纹，脸部识别等主动交互式的认证方法，需要用户了解识别的方法和过程，并且容易遭受入侵者的攻击。随着智能设备和深度学习的发展，可通过随身的智能设备进行身份的认证，中国专利(申请号：CN201911157462.3，公开号：CN110929243A)公开了一种基于手机惯性传感器的身份识别方法，该方法通过手机上的惯性传感器数据通过LSTM深度网络模型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，但该方法的需要用户进行一系列繁琐的动作，影响了用户的体验。
技术实现思路
本专利技术的目的是提供一种基于鞋垫的身份认证方法，解决了现有技术中存在认证识别方式繁琐的问题。本专利技术所采用的技术方案是，一种基于鞋垫的身份认证方法，包括以下步骤：步骤1、建立由多组数据组成的身份认证数据集，将身份认证数据集分为训练集和测试集，每组数据包括利用鞋垫采集的一个人在不同状态的行为信号数据，鞋垫上设置有数据采集传感器；步骤2、构建FCN神经网络模型；步骤3、先对训练集和测试集中的行为信号数据进行预处理，再将处理后的训练集输入FCN神经网络模型进行训练，得到训练后的FCN神经网络模型；步骤4、将处理后的测试集输入训练后的FCN神经网络模型进行识别分类，得到身份认证结果。本专利技术的特点还在于：步骤5、采集未包括在身份认证数据集中的人员行为信号数据，并将行为信号数据经过步骤3中的预处理后，输入训练后的FCN神经网络模型，得到识别结果，计算训练后的FCN神经网络模型准确率和F1-score值作为评价指标。数据采集传感器包括至少一个压力传感器、三轴加速度传感器、三轴陀螺仪中的一种或几种的组合；每个压力传感器采集的行为信号数据为一个类型的数据，三轴加速度传感器采集的行为信号数据为三个类型的数据，三轴陀螺仪采集的行为信号数据为三个类型的数据。行为信号数据包括正坐、站立、行走三种状态。FCN神经网络模型的结构为：卷积层，通道个数为128，卷积核大小为8x8，步长大小为1x1；正则化；卷积层，通道个数为256，卷积核大小为5x5，步长大小为1x1；正则化；卷积层，通道个数为128，卷积核大小为3x3，步长大小为1x1；正则化；全局平均池化；每个卷积层正则化之后的激活函数均为ReLu函数；卷积层后的全连接层，神经元个数为2，激活函数为Softmax激活函数。步骤3具体包括：步骤3.1、先将训练集和测试集中每个数据采集传感器采集的行为信号数据通过滑动窗口划分为长度为2s的片段，其中数据采集传感器采集的频率为100HZ，则经过划分的片段采样点个数为200，再将所有片段拼接成数据类型数量*200的矩阵，得到统一格式后的数据集；步骤3.2、将数据集中的训练集输入FCN神经网络模型中进行训练，得到训练后的FCN神经网络模型。本专利技术的有益效果是：本专利技术一种基于鞋垫的身份认证方法，采用被动非侵入的认证方式，通过用户的日常行为对用户进行认证，相比于常见的主动认证方式，避免了繁琐的认证过程，隐式的认证方式也增加了安全性；采用FCN神经网络模型的深度学习方法，不需要人工提取特征，也需要对原始数据进行大量的预处理，FCN神经网络是一个端对端的深度模型，可以自动提取数据的特征并进行分类，简化了拟合的过程，使模型具有很高的安全性和泛化能力；通过智能鞋垫采集用户数据对用户进行身份认证，可以很容易的结合现有的识别技术进一步提高安全性。附图说明图1是本专利技术一种基于鞋垫的身份认证方法的流程图；图2是本专利技术一种基于鞋垫的身份认证方法的流程示意图；图3是本专利技术一种基于鞋垫的身份认证方法中压力传感器的分布图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。一种基于鞋垫的身份认证方法，如图1及图2所示所示，包括以下步骤：步骤1、建立由多组数据组成的身份认证数据集，将身份认证数据集分为训练集和测试集，每组数据包括利用鞋垫采集的一个人在正坐、站立、行走三种不同状态的行为信号数据，鞋垫上设置有数据采集传感器；数据采集传感器包括至少一个压力传感器、三轴加速度传感器、三轴陀螺仪中的一种或几种的组合，其中，每个压力传感器采集的行为信号数据为一个类型的数据，三轴加速度传感器采集的行为信号数据为三个类型的数据，三轴陀螺仪采集的行为信号数据为三个类型的数据。优选的，如图3所示，压力传感器包括8个，分布于鞋垫的前、中、后部。步骤2、构建FCN神经网络模型；FCN神经网络模型的结构为：卷积层，通道个数为128，卷积核大小为8x8，步长大小为1x1；正则化；卷积层，通道个数为256，卷积核大小为5x5，步长大小为1x1；正则化；卷积层，通道个数为128，卷积核大小为3x3，步长大小为1x1；正则化；全局平均池化；每个卷积层正则化之后的激活函数均为ReLu函数；卷积层后的全连接层，神经元个数为2，激活函数为Softmax激活函数。步骤3、先对训练集和测试集中的行为信号数据进行预处理，再将处理后的训练集输入FCN神经网络模型进行训练，得到训练后的FCN神经网络模型；步骤3.1、先将训练集和测试集中每个数据采集传感器采集的行为信号数据通过滑动窗口划分为长度为2s的片段，其中数据采集传感器采集的频率为100HZ，则经过划分的片段采样点个数为200，再将所有片段拼接成数据类型数量*200的矩阵，得到统一格式后的数据集；步骤3.2、将数据集中的训练集输入FCN神经网络模型中进行训练，得到训练后的FCN神经网络模型。步骤4、将处理后的测试集输入训练后的FCN神经网络模型进行识别分类，得到身份认证结果。还包括步骤5、采集未包括身份认证数据集中的人员行为信号数据，并将行为信号数据经过步骤3中的预处理后，输入训练后的FCN神经网络模型，得到识别结果，计算训练后的FCN神经网络模型准确率和F1-score值作为评价指标。实施例实施例1步骤1、在鞋垫上设置三轴加速度传感器、三轴陀螺仪及8个压力本文档来自技高网...

【技术保护点】
1.一种基于鞋垫的身份认证方法，其特征在于，包括以下步骤：/n步骤1、建立由多组数据组成的身份认证数据集，将身份认证数据集分为训练集和测试集，每组所述数据包括利用鞋垫采集的一个人在不同状态的行为信号数据，所述鞋垫上设置有数据采集传感器；/n步骤2、构建FCN神经网络模型；/n步骤3、先对所述训练集和测试集中的行为信号数据进行预处理，再将处理后的所述训练集输入FCN神经网络模型进行训练，得到训练后的FCN神经网络模型；/n步骤4、将所述处理后的测试集输入训练后的FCN神经网络模型进行识别分类，得到身份认证结果。/n

【技术特征摘要】
1.一种基于鞋垫的身份认证方法，其特征在于，包括以下步骤：
步骤1、建立由多组数据组成的身份认证数据集，将身份认证数据集分为训练集和测试集，每组所述数据包括利用鞋垫采集的一个人在不同状态的行为信号数据，所述鞋垫上设置有数据采集传感器；
步骤2、构建FCN神经网络模型；
步骤3、先对所述训练集和测试集中的行为信号数据进行预处理，再将处理后的所述训练集输入FCN神经网络模型进行训练，得到训练后的FCN神经网络模型；
步骤4、将所述处理后的测试集输入训练后的FCN神经网络模型进行识别分类，得到身份认证结果。


2.根据权利要求1所述的一种基于鞋垫的身份认证方法，其特征在于，还包括，步骤5、采集未包括在身份认证数据集中的人员行为信号数据，并将所述行为信号数据经过步骤3中的预处理后，输入训练后的FCN神经网络模型，得到识别结果，计算所述训练后的FCN神经网络模型准确率和F1-score值作为评价指标。


3.根据权利要求1所述的一种基于鞋垫的身份认证方法，其特征在于，所述数据采集传感器包括至少一个压力传感器、三轴加速度传感器、三轴陀螺仪中的一种或几种的组合；每个所述压力传感器采集的行为信号数据为一个类型的数据，所述三轴加速度传感器采集的行为信号数据为三个类型的数...

【专利技术属性】
技术研发人员：陈宇航，郝乐，伊凡，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61