一种基于RFID和卷积神经网络的非接触式用户身份认证方法技术

一种基于RFID和卷积神经网络的非接触式用户身份认证方法，模仿手机的九宫格解锁部署RFID标签矩阵，采集手部运动时的相位信息，利用卷积神经网络实现对用户的身份认证。其实现步骤包括：1.采集用于身份认证的动作的相位信息；2.对采集到的相位信息进行预处理；3.从预处理后的相位信息中提取各个动作样本的起始点信息；4.将获取的相位信息制成数据集，然后采用深度学习卷积神经网络对数据进行训练，得到用于认证的卷积神经网络模型；5.在用户进行身份认证时利用训练好的模型识别用户的动作；6.得到认证结果，判断是否认证成功。本发明专利技术采用基于CNN的卷积神经网络提取相位中的特征，进行动作识别，从而进行身份认证，具有较好的准确性、安全性和鲁棒性。

【技术实现步骤摘要】
一种基于RFID和卷积神经网络的非接触式用户身份认证方法
本专利技术涉及动作识别
，具体涉及一种基于RFID和卷积神经网络的非接触式用户身份认证方法。
技术介绍
近些年无线传感在各领域都发展迅速，如活动感知、室内定位、智能家居和行为分析等。越来越多的家庭都部署了物联网设备，它给人们带来了智能和方便的同时，安全问题却常常被忽视了。有些物联网设备可以控制建筑物的访问和环境，更甚可能监视使用者的音频和视频设备，因此进行身份认证至关重要。传统的接触式识别技术已经存在专用设备携带的问题，因此不依赖识别对象携带专用设别的非接触式识别概念逐渐成为近几年的研究焦点。主要利用用户动作对收发设备之间无线信号的干扰和反射，提取接收信号特征，然后根据设计的模型进行匹配识别。非接触式动作识别技术具有易操作，易部署和多场景等特点，可以被广泛的应用于智慧家庭、医疗看护、工业制造等方面。卷积神经网络(CNN)是深度学习的代表算法之一，是一种包括卷积计算且具有深度结构的前馈神经网络。目前已在众多领域取得了成功，例如：图像识别，图像分割，语音识别和自然语言处理等。它的原理是可以自动从数据中学习特征，并把结果向同类型的未知数据泛化。因此它可以应用于动作识别领域，并且具有极高的效率和准确率。
技术实现思路
本专利技术的主要目的在于提供了一种基于RFID和卷积神经网络的非接触式用户身份认证方法，该技术模仿手机上的九宫格解锁部署三行三列的标签矩阵，采集识别动作的相位信息，使用卷积神经网络算法与预先训练的身份认证动作进行匹配，可以安全有效的识别用户身份。一种基于RFID和卷积神经网络的非接触式用户身份认证方法，包括如下步骤：步骤1：在室内环境中布置无源RFID标签矩阵，布置方式为3×3的九宫格结构，采集用于身份认证的相位数据；步骤2：将步骤1采集到的相位信息进行预处理；步骤3：从步骤2预处理后的相位信息中获取各个动作样本的起始点和结束点信息；步骤4：将所述相位信息数据制成身份认证的数据集，并采用深度学习卷积神经网络CNN对数据进行训练，得到用于身份认证的CNN模型；步骤5：用户进行身份认证时，监测用户的动作，标签矩阵收集相位信息，然后经过步骤2和步骤3的处理后，将数据送入步骤4中得到的CNN模型中，识别用户的身份；步骤6：根据步骤5的结果，判断用户身份认证是否成功。进一步地，步骤1中，布置的无源RFID标签矩阵由9个标签组成，在平面上按照三行三列等距排列，每个标签之间间距为12.5cm；在标签后方1.2m处放置天线；通过RFID阅读器与标签间的相互通信，获取标签矩阵中多个标签的相位信息。进一步地，所述的步骤2中，对采集到的相位信息进行预处理，具体包括以下步骤：步骤2-1，相位展开：原始相位信号是一个周期函数，范围为0-2πrad；当相位值接近0或２π时，会存在相位跳变；设采集到的标签m的原始样本信号的相位矢量值为m＝1，２，…，9；假设两个连续时间的相位值为和由于周期函数，其实际信号应为和；相位展开问题转化为求解Nm，i，i＝1，2，...，n；由相位的范围0-2πrad得到因此ΔNm，1＝Nm，i+1-Nm，i计算为：计算出Nm，i：再根据得出相位展开之后的相位矢量φm＝[φm，1，φm，2，...，φm，n]。步骤2-2，数据归一化处理：对静止状态下的每个标签采集长度为t的相位序列，求出静止状态下每个标签的平均相位值；后续处理相位数据时，对每个标签的相位值进行减去平均值的操作，从而将每个标签静止状态下的相位归一化到0。步骤2-3，使用巴特沃兹低通滤波器过滤相位：在进行信号过滤时，运动产生的低频信号正常通过，而噪音所在的高频信号被削弱或者屏蔽；巴特沃斯低通滤波器用如下振幅的平方对频率的公式表示：其中n为滤波器的阶数，ωc为截止频率，ωp为通频带边缘的数值；当ω＝ωp时∈2为通频带边缘的数值。进一步地，步骤3具体包括以下步骤：步骤3-1，使用KL散度自适应分割算法，确定动作开始或结束的大概范围：设置一个滑动窗口，计算每个滑动窗口内数据的离散概率分布函数PDF，设P和Q为两个连续滑动窗口的PDF值，计算它们的KL离散度：当离散值很大时，表示两个窗口呈现不同的运动状态进行动作分割；步骤3-2，确定动作开始或结束的准确时间：将步骤3-1中获得的滑动窗口前后扩大5倍得到一个10倍上个滑动窗口的时间段；对时间段内的每一个标签进行滑动窗口操作，确定每一个标签开始或结束的时间；该滑动窗口使用信号的幅度和频率作为特征；用L表示滑动窗口的长度，第i个窗口的幅度值和频率表示为：和其中φi，k表示第i个滑动窗口的第k个数据点；计算测量差函数G为：G(i)＝CA|Ai+1-Ai|+CF|Fi+1-Fi|其中CA和CF是两个常数，为两式的权值；因此得到每一个标签的开始和结束时间，第一个标签开始变化的时间为动作开始的时间；同理得到动作结束时间。进一步地，步骤4中，基于动作起始点信息对相位样本进行裁剪提取并构造身份认证相关的数据集合，具体构造方法为，构造相位矩阵，生成m×n矩阵P，其中m是标签数量，n是采样点的数量，即：再利用matlab中imresize(A,m)函数，其中A为原始矩阵，m为归一化的大小；将标签矩阵归一化到固定大小的数据集合。进一步地，步骤4中，CNN模型包括：输入层、卷积层、最大池化层、压平层、全连接层；所述卷积层包括：卷积层一、卷积层二；所述最大池化层包括最大池化层一、最大池化层二；所述全连接层包括全连接层一、全连接层二；所述CNN模型的架构为，最前端设有一个输入层，所述输入层与卷积层一连接，所述卷积层一池化层一连接；所述最大池化层一与卷积层二连接；所述卷积层二与最大池化层二连接；所述池化层二与压平层连接；所述压平层与全连接层一连接；所述全连接层一与全连接层二连接；所述输入层用于完成对输入数据的处理；所述卷积层使用卷积核进行特征提取和特征映射；所述最大池化层用于有效减少参数数量，从而降低网络复杂度；所述压平层用于将数据压缩成一维数组；所述全连接层将学到的分布式特征表示映射到样本标记空间；所述分类层用于完成对身份认证识别动作的分类；将处理后的训练数据集馈送到构建好的CNN模型中，所述CNN模型将基于训练数据集中大量数据样本不断地进行学习，最终训练出一个符合要求的CNN模型。进一步地，步骤5中用户开始进行用户身份认证，标签矩阵采集用户认证动作的相位数据；原始数据经过步骤2和步骤3的处理后得到与认证动作有关的数据信息；再将处理好的数据经过步骤4制成数据集合，然后送到所述训练好的CNN模型中，对动作进行分类认证。进一步地，使用步骤6中训练的CNN模型对动作进行评估，判断识别的动作是否与训练的动作相匹配；如果匹配，则表示身份认证成功。与现有技术相比，本专利技术具有以下本文档来自技高网...

【技术保护点】
1.一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：包括如下步骤：/n步骤1：在室内环境中布置无源RFID标签矩阵，布置方式为3×3的九宫格结构，采集用于身份认证的相位数据；/n步骤2：将步骤1采集到的相位信息进行预处理；/n步骤3：从步骤2预处理后的相位信息中获取各个动作样本的起始点和结束点信息；/n步骤4：将所述相位信息数据制成身份认证的数据集，并采用深度学习卷积神经网络CNN对数据进行训练，得到用于身份认证的CNN模型；/n步骤5：用户进行身份认证时，监测用户的动作，标签矩阵收集相位信息，然后经过步骤2和步骤3的处理后，将数据送入步骤4中得到的CNN模型中，识别用户的身份；/n步骤6：根据步骤5的结果，判断用户身份认证是否成功。/n

【技术特征摘要】
1.一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：包括如下步骤：
步骤1：在室内环境中布置无源RFID标签矩阵，布置方式为3×3的九宫格结构，采集用于身份认证的相位数据；
步骤2：将步骤1采集到的相位信息进行预处理；
步骤3：从步骤2预处理后的相位信息中获取各个动作样本的起始点和结束点信息；
步骤4：将所述相位信息数据制成身份认证的数据集，并采用深度学习卷积神经网络CNN对数据进行训练，得到用于身份认证的CNN模型；
步骤5：用户进行身份认证时，监测用户的动作，标签矩阵收集相位信息，然后经过步骤2和步骤3的处理后，将数据送入步骤4中得到的CNN模型中，识别用户的身份；
步骤6：根据步骤5的结果，判断用户身份认证是否成功。


2.根据权利要求1所述一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：步骤1中，布置的无源RFID标签矩阵由9个标签组成，在平面上按照三行三列等距排列，每个标签之间间距为12.5cm；在标签后方1.2m处放置天线；通过RFID阅读器与标签间的相互通信，获取标签矩阵中多个标签的相位信息。


3.根据权利要求1所述一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：所述的步骤2中，对采集到的相位信息进行预处理，具体包括以下步骤：
步骤2-1，相位展开：原始相位信号是一个周期函数，范围为0-2πrad；当相位值接近0或２π时，会存在相位跳变；设采集到的标签m的原始样本信号的相位矢量值为假设两个连续时间的相位值为和由于周期函数，其实际信号应为和；相位展开问题转化为求解Nm，i，i＝1，2，...，n；由相位的范围0-2πrad得到因此ΔNm，1＝Nm，i+1-Nm，i计算为：



计算出Nm，i：



再根据得出相位展开之后的相位矢量φm＝[φm，1，φm，2，...，φm，n]。
步骤2-2，数据归一化处理：对静止状态下的每个标签采集长度为t的相位序列，求出静止状态下每个标签的平均相位值；后续处理相位数据时，对每个标签的相位值进行减去平均值的操作，从而将每个标签静止状态下的相位归一化到0。
步骤2-3，使用巴特沃兹低通滤波器过滤相位：在进行信号过滤时，运动产生的低频信号正常通过，而噪音所在的高频信号被削弱或者屏蔽；巴特沃斯低通滤波器用如下振幅的平方对频率的公式表示：



其中n为滤波器的阶数，ωc为截止频率，ωp为通频带边缘的数值；当ω＝ωp时∈2为通频带边缘的数值。


4.根据权利要求1所述一种基于RFID和卷积神经网络的非接触式用户身份认证方法，其特征在于：步骤3具体包括以下步骤：
步骤3-1，使用KL散度自适应分割算法，确定动作开始或结束的大概范围：设置一个滑动窗口，计算每个滑动窗口内数据的离散概率分布函数PDF，设P和Q为两个连续滑动窗口的PDF值，计算它们的KL离散度：



当离散值很大时，表示两个窗口呈现不同的运动状...

【专利技术属性】
技术研发人员：肖甫，戴纪馨，盛碧云，周剑，刘海猛，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32