2018
收稿日期
:2017
-
03
-
18
收修改稿日期
:2017
-
04
-
25
基金项目
:
国家自然科学基金项目
(61373126)
资助
;
中央高校基本科研业务费专项基金
项目
(
JUSRP
51510)
资助
.
作者简介
:
李
富
,
男
,1990
年生
,
硕士研究生
,
研究方向为移动终端安全理论及技术的研究
;
孙子文
,
女
,1968
年生
,
博士
,
教授
,
研究方向为无线传感器网络
、
信息安全
、
模式识别与智能系统等
.
手势识别身份认证的连续隐马尔可夫模型
李
富
1
,
孙子文
1
,
2
1
(
江南大学
物联网工程学院
,
江苏
无锡
214122)
2
(
物联网技术应用教育部工程研究中心
,
江苏
无锡
214122)
:
sunziwen
@
jiangnan.
edu.
cn
摘
要
:
针对智能手机存储隐私信息所面临的安全问题
,
采用一种基于连续隐马尔科夫模型的手势识别身份认证方法
.
首先由
手机触摸屏传感器采集手指滑动的原始手势特征序列
,
并通过大小归一化及平滑去噪预处理
;
接着提取手势运动轨迹的三个基
本特征序列与三个隐含的特征序列
;
最后采用概率统计的方法
,
使用连续隐马尔科夫模型建立用户手势模型
,
用于测试比较特
征序列以判断用户身份的合法性
.
仿真实验结果表明
,
与动态时间规整算法和支持向量机算法相比
,
方法具有较低的错误拒绝
率和错误接受率
,
能明显提高身份认证的准确性
.
关
键
词
:
手势识别
;
身份认证
;
连续隐马尔可夫模型
;
手机传感器
中图分类号
:
TP
391
文献标识码
:
A
文
章
编
号
:
1000
-
1220
(
2018
)
03
-
0474
-
04
Continuous
Hidden
Markov
Model
for
Hand
Gesture
Recognition
LI
Fu
1
,
SUN
Zi-wen
1
,
2
1
(
School
of
Internet
of
Things
Engineering
,
Jiangnan
University
,
Wuxi
214122
,
China
)
2
(
Engineering
Research
Center
of
Internet
of
Things
Technology
Applications
Ministry
of
Education
,
Wuxi
214122
,
China
)
Abstract
:
Aiming
at
the
security
problem
of
storing
privacy
information
in
smart
phone
,
a
method
of
hand
gesture
recognition
based
on
continuous
Hidden
Markov
Model
is
proposed.
Firstly
,
the
original
gesture
sequence
of
the
finger
sliding
is
collected
by
the
touch-
screen
sensor
of
the
mobile
phone
,
and
the
gesture
sequence
will
be
preprocessed
by
using
normalization
and
smoothing.
Then
the
fea-
tures
,
which
are
three
basic
feature
sequences
of
the
hand
movement
trajectory
and
three
hidden
feature
sequences
,
will
be
extracted
from
the
preprocessed
sequence.
Finally
,
a
statistical
method
that
is
continuous
Hidden
Markov
Model
is
adopted
to
establish
the
user
gesture
model
,
which
will
be
extracted
to
test
the
feature
sequence
to
determine
the
legitimacy
of
the
user's
identity.
The
simulation
re-
sults
show
that
the
proposed
method
has
lower
error
rejection
rate
and
false
acceptance
rate
than
that
of
the
Dynamic
Time
Warping
al-
gorithm
and
Support
Vector
Machine
algorithm
,
and
can
significantly
improve
the
accuracy
of
identity
authentication.
Key
words
:
gesture
recognition
;
identity
authentication
;
continuous
hidden
markov
model
;
mobile
phone
sensor
1
引
言
随着智能手机的日益普及
,
针对智能手机各种安全威胁
和隐私泄露的问题
,
需要一个安全的身份认证系统
.
由于人的
生物特征具有唯一性
,
难以被其他用户模仿
,
安全系数高
,
因
此可以作为用户身份认证的依据
.
生物特征认证主要分为生
理特征
认
证
和
行
为
特
征
认
证
,
生
理
特
征
认
证
包
括
指
纹
识
别
[1]
、
虹膜识别
[2]
、
脸型识别
[3]
等
,
行为特征识别主要包括签
名识别
[4]
、
击键识别
[5]
、
步态识别
[6]
等
.
随着智能设备的迅速普及
,
手势识别生物特征身份认证
方法成为一种新型的身份认证方法
.
通过智能手机采集手势
数据进
行
身
份
认
证
,
较
使
用
Kinect
设
备
[7]
与
MEMS
传
感
器
[8]
进行手势身份认证用户无需其他传感器设备
,
可增强用
户的舒适感
;
同时
,
由于更能体现用户的个体特征
,
而具有更
高的准确性和可靠性
.
目前
,
主流的手势认证方法有
:
采用支
持向量机
(
Support
Vector
Machine
,
SVM
)
算法
,
通过核映射方
法转化到高维空间解决线性数据可分问题
,
完成数据模型训
练及认
证
[9]
;
采
用
动
态
时
间
规
划
(
Dynamic
Time
Warping
,
DTW
)
算法
,
通过测量两个特征时间序列之间的差异
,
或者预
测待测特征时间序列与模板特征时间序列之间的相似程度
,
通过模板匹配完成身份认证
[10]
;
采用改进的豪斯多夫距离
(
Modified
Hausdorff
Distance
,
MHD
)
计算验证特征与模板特
征的匹配值
,
通过对匹配值的归一化处理并采用最大
-
最小融
合规则得出匹配结果
[11]
;
采用反向传播神经网络
(
Back
Prop-
agation
Neural
Network
,
BPNN
)
模型与粒子群优化的径向基
函数网络
(
Practical
Swarm
Optimisation-Radial
Basis
Function
Network
,
PSO-RBFN
)
模型进行特征训练与用户识别
[12]
.
然而
文献
[9
-
12]
的方法存在以下不足
:
使用手势特征序列建立的
模型不能很好地解决手势特征序列在时间上的差异性
,
同时
,
使用等错率作为建模时依据
,
而实际应用系统应尽可能降低
错误接受率要求
.
针对文献
[9
-
12]
算法中存在的不足
,
采用隐马尔科夫模
型建立手势身份认证模型
.
作为一个强有力的概率统计模型
,