一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法
【專利摘要】本發(fā)明公開了一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法，利用人的手部運(yùn)動(dòng)特點(diǎn)實(shí)現(xiàn)身份識(shí)別。方法分為離線階段和在線階段，在離線階段，通過深度相機(jī)記錄所有待識(shí)別用戶的手部運(yùn)動(dòng)軌跡，然后對軌跡進(jìn)行分割，并對分割后的軌跡提取時(shí)空參數(shù)作為特征信息，最終通過機(jī)器學(xué)習(xí)的方法訓(xùn)練特征數(shù)據(jù)得到用戶的身份識(shí)別模型。在在線階段，同樣地采集用戶的手部運(yùn)動(dòng)軌跡，并對軌跡進(jìn)行分割與特征提取。之后使用離線階段得到的用戶身份識(shí)別模型進(jìn)行在線識(shí)別。本方法結(jié)合深度相機(jī)，利用人的手部運(yùn)動(dòng)行為來實(shí)現(xiàn)身份識(shí)別，結(jié)合了人的生理特性與行為特性，具有隨身性，普遍性，非侵犯性，易接受性等優(yōu)點(diǎn)。
【專利說明】一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及身份識(shí)別領(lǐng)域，尤其涉及一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法。

【背景技術(shù)】
[0002] 隨著時(shí)代與科技的發(fā)展，用戶識(shí)別在人們的生活與工作中的重要性日益顯現(xiàn)。用 戶識(shí)別能夠有效地保障訪問的安全性，是信息安全體系的基礎(chǔ)。傳統(tǒng)的用戶識(shí)別方法有密 碼識(shí)別以及智能卡等身份標(biāo)識(shí)物品識(shí)別，然而由于其固有的局限性已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足要 求。密碼容易被遺忘，而智能卡等物品可能丟失，一旦它們遺失或者被盜取，其代表的身份 就容易被他人冒充。
[0003] 基于生物特征的身份識(shí)別技術(shù)是身份識(shí)別領(lǐng)域的研究熱點(diǎn)。生物特征又分為生理 特征與行為特征。生理特征是人生來就具有的，如人臉、指紋、虹膜和DNA等。行為特征是 人的后天習(xí)慣養(yǎng)成的，如簽名筆跡、走路姿態(tài)等。
[0004] 典型的基于生理特征的識(shí)別方法有指紋識(shí)別，手掌形狀及輪廓識(shí)別，人臉識(shí)別，虹 膜識(shí)別等。指紋識(shí)別是目前應(yīng)用最廣泛的基于生物特征的身份識(shí)別方法之一。指紋識(shí)別具 有技術(shù)成熟，成本低廉等優(yōu)點(diǎn)。其缺點(diǎn)是接觸式的，具有侵犯性，存在衛(wèi)生方面的問題，同時(shí) 指紋也是易磨損的。Dominik Schmidt等人提出在多點(diǎn)觸控交互式平臺(tái)上利用手掌的輪廓 特征的身份識(shí)別方法，用戶將手掌放在觸控表面上，系統(tǒng)捕捉手掌的剪影圖像，通過手掌輪 廓的匹配進(jìn)行身份識(shí)別。該技術(shù)適用于多人交互式平臺(tái)上，否則需要額外的專用掃描儀來 輸入手掌輪廓圖像。人臉識(shí)別技術(shù)是近年來非?；钴S的一個(gè)研究領(lǐng)域，具有直觀性好、方 便、友好、容易被人接受的優(yōu)點(diǎn)。人臉識(shí)別是非接觸式的，被動(dòng)識(shí)別，不需要人的主動(dòng)配合； 但缺點(diǎn)是容易受到光照、視角、遮擋物、環(huán)境、表情等的影響，造成識(shí)別困難。虹膜特征識(shí)別 的安全度和精準(zhǔn)度非常高，但是特征采集過程非常困難。
[0005] 基于行為特征的身份識(shí)別技術(shù)，常見的有步態(tài)識(shí)別與簽名筆跡。步態(tài)識(shí)別的輸入 是一段行走的視頻圖像序列，數(shù)據(jù)量很大，導(dǎo)致計(jì)算復(fù)雜性高，處理起來比較困難，而簽名 筆跡等容易被模仿，防欺騙性差。
[0006] 除基于生物特征的識(shí)別技術(shù)外，近年來其他的一些識(shí)別技術(shù)有：基于特制的筆或 特制手套等設(shè)備的用戶識(shí)別方法，基于用戶自身攜帶移動(dòng)設(shè)備的用戶識(shí)別方法等。一般來 說，這類識(shí)別方法都需要借助額外的設(shè)備，需要用戶配合穿戴使用，便捷性不足，有的只適 用于特定平臺(tái)。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別 方法。
[0008] 本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別 方法，包括以下步驟： (1)在離線階段，建立用戶身份識(shí)別模型；具體包括以下子步驟： (1. 1)手部運(yùn)動(dòng)軌跡采集：用戶站在深度相機(jī)正前方，正面朝向深度相機(jī)，自然揮動(dòng)手 臂進(jìn)行軌跡記錄；通過深度相機(jī)采集用戶在前后、左右、上下三個(gè)方向揮動(dòng)手臂動(dòng)作的連續(xù) 運(yùn)動(dòng)軌跡，運(yùn)動(dòng)軌跡以等時(shí)間采樣點(diǎn)的空間坐標(biāo)形式保存； (1. 2)軌跡處理與特征定義：對步驟1. 1得到的連續(xù)運(yùn)動(dòng)軌跡進(jìn)行分割，分割成左右方 向，上下方向，前后方向三個(gè)方向的完整來回動(dòng)作軌跡，即"左一右，右一左"，"后一前，前一 后"，"下一上，上一下"這樣的來回運(yùn)動(dòng)軌跡；提取分割后運(yùn)動(dòng)軌跡中的時(shí)空信息作為特征 樣本，所述時(shí)空信息包括空間包圍盒參數(shù)與時(shí)間參數(shù)；空間包圍盒參數(shù)包括寬度、高度、深 度參數(shù)；對每一個(gè)用戶，提取多個(gè)特征樣本； (1. 3)特征分類：對于步驟1. 2得到的所有的用戶特征樣本，使用機(jī)器學(xué)習(xí)方法訓(xùn)練分 類器進(jìn)行分類，建立用戶身份識(shí)別模型； (2)在在線階段，進(jìn)行用戶身份識(shí)別，具體為：使用深度相機(jī)采集用戶的手部運(yùn)動(dòng)軌跡， 并對采集的手部運(yùn)動(dòng)軌跡進(jìn)行分割與特征提取；使用離線階段得到的用戶身份識(shí)別模型采 用機(jī)器學(xué)習(xí)方法進(jìn)行在線識(shí)別。
[0009] 步驟1. 3與步驟2中所述機(jī)器學(xué)習(xí)方法具體為使用支持向量機(jī)原理并選用徑向基 函數(shù)作為核函數(shù)，基于一對一的多類分類方法對提取到的特征數(shù)據(jù)進(jìn)行訓(xùn)練與分類。
[0010] 本發(fā)明的有益效果是：本發(fā)明利用人的手部運(yùn)動(dòng)特征進(jìn)行用戶身份識(shí)別，結(jié)合了 人的生理特性與行為特性，具有隨身性，普遍性，非侵犯性和可接受性等優(yōu)點(diǎn)，用戶只需要 自然揮動(dòng)手臂，沒有其他額外要求需要配合。本發(fā)明通過深度攝像機(jī)采集手部運(yùn)動(dòng)的軌跡， 設(shè)備簡易，操作便捷，數(shù)據(jù)量小。從手部運(yùn)動(dòng)軌跡中提取的信息量少且不復(fù)雜，計(jì)算處理快 速。

【專利附圖】

【附圖說明】
[0011] 圖1是本方法的實(shí)施流程； 圖2是手部運(yùn)動(dòng)軌跡采集示意圖； 圖3是一段分割前的左右方向手部運(yùn)動(dòng)軌跡采樣點(diǎn)正視圖； 圖4是圖3中運(yùn)動(dòng)軌跡分割后的從左至右軌跡采樣點(diǎn)正視圖； 圖5是圖3中運(yùn)動(dòng)軌跡分割后的從右至左軌跡采樣點(diǎn)正視圖； 圖6是一段分割后的左右方向手部運(yùn)動(dòng)軌跡正視圖； 圖7是圖6中同一段軌跡的側(cè)視圖； 圖8是一段軌跡的空間包圍盒示意圖； 圖9是軌跡處理與特征提?。ㄒ宰笥曳较?yàn)槔┑牧鞒虉D。

【具體實(shí)施方式】
[0012] 下面結(jié)合附圖對本發(fā)明進(jìn)行詳細(xì)的描述。
[0013] 如圖1所示，本發(fā)明基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法分為離線階段與在線階 段。
[0014] 在離線階段，建立用戶身份識(shí)別模型。包括以下子步驟： 1.手部運(yùn)動(dòng)軌跡采集：本發(fā)明以人的手部運(yùn)動(dòng)軌跡為輸入，使用深度相機(jī)跟蹤記錄人 的手部運(yùn)動(dòng)軌跡。用戶站在深度相機(jī)正前方，正面朝向深度相機(jī)，自然揮動(dòng)手臂進(jìn)行軌跡 記錄；通過深度相機(jī)采集用戶在前后、左右、上下三個(gè)方向揮動(dòng)手臂動(dòng)作的連續(xù)運(yùn)動(dòng)軌跡， 運(yùn)動(dòng)軌跡以等時(shí)間采樣點(diǎn)的空間坐標(biāo)形式保存。圖2展示了手部運(yùn)動(dòng)軌跡輸入時(shí)的采集環(huán) 境。深度相機(jī)距離地面140cm，用戶站在距離相機(jī)210cm處的一個(gè)60cm*50cm大小的矩形框 內(nèi)，保證用戶的手部動(dòng)作被完整記錄。
[0015] 采集手部運(yùn)動(dòng)信息時(shí)，用戶的操作流程如下： (1. 1).開始時(shí)，用戶正面朝向深度相機(jī)正前方，規(guī)律性地?fù)]動(dòng)手臂，以便讓深度相機(jī)檢 測到運(yùn)動(dòng)中的手部； (1. 2).當(dāng)深度相機(jī)檢測到手掌時(shí)，在手掌的位置形成一個(gè)跟蹤點(diǎn)，此時(shí)，用戶按照要求 自然地在左右方向揮動(dòng)手臂(或上下方向抬手，前后方向推手）； (1.3) .記錄該方向的一個(gè)完整動(dòng)作后，放下手臂； (1.4) .等待數(shù)秒后，開始第二個(gè)該方向上的動(dòng)作軌跡采集。重復(fù)步驟1與步驟2。等 待數(shù)秒是為了保證每一次采集到的動(dòng)作與前一次不具有連貫性； (1. 5).按照以上步驟完成三個(gè)方向上的運(yùn)動(dòng)軌跡采集，每個(gè)方向采集10段完整運(yùn)動(dòng) 軌跡。
[0016] 2.軌跡處理與特征定義：對步驟1得到的連續(xù)運(yùn)動(dòng)軌跡進(jìn)行分割，分割成左右方 向，上下方向，前后方向三個(gè)方向的完整來回動(dòng)作軌跡，即"左一右，右一左"，"后一前，前一 后"，"下一上，上一下"這樣的來回運(yùn)動(dòng)軌跡；提取分割后運(yùn)動(dòng)軌跡中的時(shí)空信息作為特征 樣本，所述時(shí)空信息包括空間包圍盒參數(shù)與時(shí)間參數(shù)；空間包圍盒參數(shù)包括寬度、高度、深 度參數(shù)；對每一個(gè)用戶，提取多個(gè)特征樣本。
[0017] 軌跡分割與特征提取方法（以左右方向?yàn)槔?圖3展示了深度相機(jī)記錄的左右方向的一段手部運(yùn)動(dòng)軌跡等時(shí)間采樣點(diǎn)的正視圖，使 用計(jì)算機(jī)對軌跡進(jìn)行去冗余與分割后，得到一段從左至右與一段從右至左的完整軌跡（圖 4與圖5為分割后的軌跡等時(shí)間采樣點(diǎn)）。本例采用了《An algorithmic framework for segmenting trajectories based on spatio-temporal criteria))一文中所述的軌跡分 割方法進(jìn)行軌跡分割。對于分割后的兩段來回運(yùn)動(dòng)軌跡，計(jì)算出它們空間包圍盒的寬度、高 度、深度等參數(shù)，如圖6-8所示。由于本方法基于等時(shí)長進(jìn)行軌跡采樣，時(shí)間參數(shù)根據(jù)該段 軌跡采樣點(diǎn)的總數(shù)量確定。這樣提取出的空間參數(shù)與時(shí)間參數(shù)構(gòu)成了該用戶手部在左右方 向運(yùn)動(dòng)時(shí)的運(yùn)動(dòng)軌跡特征。
[0018] 按照同樣的方法，輸入手部在前后方向與上下方向運(yùn)動(dòng)的軌跡，提取出運(yùn)動(dòng)軌跡 特征。因此，在每個(gè)方向上可得到8個(gè)特征參數(shù)，如左右方向的特征參數(shù)可表述為 ：（tk，Wl μ hd trt, wrt, hri, dri),其中k表示從左至右的手部運(yùn)動(dòng)軌跡的時(shí)間參數(shù)，w^hk、4分 別表示從左至右的手部運(yùn)動(dòng)軌跡空間包圍盒的寬度，高度與深度參數(shù)；表示從右至左的 運(yùn)動(dòng)軌跡的時(shí)間參數(shù)，w rt、wri、分別表示從右至左的手部運(yùn)動(dòng)軌跡空間包圍盒的寬度，高 度與深度參數(shù)。這樣，左右、前后、上下三個(gè)方向一共可獲得24個(gè)特征參數(shù)，構(gòu)成一個(gè)用戶 特征樣本，用于刻畫用戶的手部運(yùn)動(dòng)。圖9表示了左右方向上軌跡分割與特征提取流程。
[0019] 3.特征分類：對于步驟2得到的用戶特征樣本，本發(fā)明使用支持向量機(jī)（Support Vector Machine, SVM)原理對運(yùn)動(dòng)軌跡特征進(jìn)行訓(xùn)練與分類，構(gòu)造用戶識(shí)別模型。選用徑 向基（Radial Basis Function, RBF)核函數(shù)基于一對一方法進(jìn)行多類分類。選用SVM與 RBF核函數(shù)是因?yàn)樗鼈冊诮鉀Q小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢，能 有效防止過度擬合，數(shù)據(jù)訓(xùn)練時(shí)間相對較短，且分類精度較高。
[0020] 在在線階段，仍使用深度相機(jī)采集用戶的手部運(yùn)動(dòng)軌跡，并對采集到的運(yùn)動(dòng)軌跡 進(jìn)行分割與特征提取。之后根據(jù)SVM原理使用離線階段得到的用戶身份識(shí)別模型進(jìn)行在線 識(shí)別。
【權(quán)利要求】
1. 一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法，其特征在于，包括以下步驟： (1) 在離線階段，建立用戶身份識(shí)別模型；具體包括以下子步驟： (1. 1)手部運(yùn)動(dòng)軌跡采集：用戶站在深度相機(jī)正前方，正面朝向深度相機(jī)，自然揮動(dòng)手 臂進(jìn)行軌跡記錄；通過深度相機(jī)采集用戶在前后、左右、上下三個(gè)方向揮動(dòng)手臂動(dòng)作的連續(xù) 運(yùn)動(dòng)軌跡，運(yùn)動(dòng)軌跡以等時(shí)間采樣點(diǎn)的空間坐標(biāo)形式保存； (1. 2)軌跡處理與特征定義：對步驟1. 1得到的連續(xù)運(yùn)動(dòng)軌跡進(jìn)行分割，分割成左右方 向，上下方向，前后方向三個(gè)方向的完整來回動(dòng)作軌跡，即"左一右，右一左"，"后一前，前一 后"，"下一上，上一下"這樣的來回運(yùn)動(dòng)軌跡；提取分割后運(yùn)動(dòng)軌跡中的時(shí)空信息作為特征 樣本，所述時(shí)空信息包括空間包圍盒參數(shù)與時(shí)間參數(shù)；空間包圍盒參數(shù)包括寬度、高度、深 度參數(shù)；對每一個(gè)用戶，提取多個(gè)特征樣本； (1. 3)特征分類：對于步驟1. 2得到的所有的用戶特征樣本，使用機(jī)器學(xué)習(xí)方法訓(xùn)練分 類器進(jìn)行分類，建立用戶身份識(shí)別模型； (2) 在在線階段，進(jìn)行用戶身份識(shí)別，具體為：使用深度相機(jī)采集用戶的手部運(yùn)動(dòng)軌跡， 并對采集的手部運(yùn)動(dòng)軌跡進(jìn)行分割與特征提??；使用離線階段得到的用戶身份識(shí)別模型采 用機(jī)器學(xué)習(xí)方法進(jìn)行在線識(shí)別。
2. 根據(jù)權(quán)利要求1所述的一種基于手部運(yùn)動(dòng)的用戶身份識(shí)別方法，其特征在于，所述 步驟1. 3中，所述使用機(jī)器學(xué)習(xí)方法訓(xùn)練分類器進(jìn)行分類具體為：使用支持向量機(jī)原理并 選用徑向基函數(shù)作為核函數(shù)，基于一對一的多類分類方法對提取到的用戶特征樣本進(jìn)行訓(xùn) 練與分類。
【文檔編號(hào)】G06F21/32GK104156650SQ201410390861
【公開日】2014年11月19日 申請日期:2014年8月8日 優(yōu)先權(quán)日:2014年8月8日
【發(fā)明者】萬華根, 譚倩雯, 鄭文庭 申請人:浙江大學(xué)