本發(fā)明涉及模式識別與人機交互的技術領域，具體涉及一種基于傳感器的手機開鎖識別技術的實現(xiàn)方法。

背景技術：

隨著移動互聯(lián)網(wǎng)的飛速發(fā)展，智能移動設備，尤其是手機，得到了飛速的發(fā)展。如今的智能手機，搭載了越來越多、越來越精確的傳感器，利用這些傳感器的數(shù)據(jù)，結合機器學習和深度學習的能力，可以識別出用戶的行為，而用戶的行為數(shù)據(jù)可以被用于像ubi(usagebasedinsurance)、反作弊解決方案、隱私保護、身份鑒別等很多領域，也可以作為實時客戶關系(realtimecustomerengagement)的重要參考數(shù)據(jù)。用戶手機解鎖識別就是通過分析用戶對手機進行開鎖時的行為(搖動手機)，來對用戶的身份進行識別，達到對手機解鎖進行驗證的功能，以保護用戶手機隱私。

基于傳感器的識別主要通過加速度、陀螺儀、磁場、方向等傳感器采集的運動(搖動手機)數(shù)據(jù)，建立匹配模板，構建深度學習神經(jīng)網(wǎng)絡算法，創(chuàng)建模型完成對用戶的識別。對于行為識別來說，以下特征能夠較好地區(qū)別不同的行為：1)采集數(shù)據(jù)的統(tǒng)計學特征：均值、峰值、標準差等；2)每個坐標軸數(shù)據(jù)的頻域特征，可通過快速傅里葉變換將數(shù)據(jù)特征從時域轉(zhuǎn)換到頻域。在收集多個不同傳感器數(shù)據(jù)的基礎上，對這些數(shù)據(jù)的研究主要是通過目前使用廣泛的google的全新一代深度學習框架tensorflow，對采集到的數(shù)據(jù)進行深度學習。

技術實現(xiàn)要素：

本發(fā)明的目的是提供一種基于傳感器的智能手機開鎖識別的實現(xiàn)方法。使用本發(fā)明提供的實施例，可以通過分析用戶android手機傳感器數(shù)據(jù)，對用戶的手機開鎖進行驗證。

本發(fā)明通過采集用戶解鎖手機時的傳感器數(shù)據(jù)，進行深度學習，實現(xiàn)手機解鎖認證。根據(jù)android系統(tǒng)提供的接口api(applicationprogramminginterface)，通過加速度傳感器，陀螺儀傳感器，磁場傳感器獲取到解鎖手機時的數(shù)據(jù)，將采樣頻率設為50hz。在android平臺中，傳感器框架通常是使用一個標準的三維坐標系去表示一個值，這個坐標系是相對于設備來定義的(如圖2)。當設備被保持在默認方向時，x軸是水平向右、y軸是垂直向上、z軸是指向屏幕面板的外部。加速度、陀螺儀、磁場等傳感器基于此坐標系工作。在用戶搖動手機嘗試開鎖的狀態(tài)下，手機傳感器返回數(shù)據(jù)。

由于不同用戶在同一行為狀態(tài)下(搖動手機開鎖)具有不同的數(shù)據(jù)特征，故本發(fā)明以此為依據(jù)來識別用戶驗證開鎖。

采集有效的手勢加速度數(shù)據(jù)后，利用失真補償、統(tǒng)一坐標系、平滑濾波、重采樣和歸一化的方法，對所采集的原始數(shù)據(jù)進行預處理，使處理后的數(shù)據(jù)波形平滑、規(guī)整和統(tǒng)一，以提高用戶開鎖識別的準確度。

具體計算過程如下：根據(jù)用戶在這一段時間里的傳感器數(shù)據(jù)，進行統(tǒng)計分析，計算并提取特征值。以加速度傳感器為例，特征值包括三個方向x,y,z加速度的平均值、標準差，合成加速度值的平均值、標準差，三個方向x,y,z加速度值的峰值間時間差的平均值、標準差，三個方向x,y,z加速度值的最高值與最低值。其他使用坐標系的傳感器類似。

正弦波是對頻域的描述，因為時域中的任何波形都可以用正弦波合成。根據(jù)傅里葉變換理論，任何時域信號，都可以表示為不同頻率的正弦波信號的疊加。對樣本數(shù)據(jù)進行快速傅里葉變換，將樣本數(shù)據(jù)從時域轉(zhuǎn)換到頻域。

采用google的第二代人工智能學習框架tensorflow，對時域和頻域上的數(shù)據(jù)特征進行深度學習。

采用動態(tài)時間規(guī)整dtw(dynamictimewraping)法計算所有樣本間的相似度，得到匹配模板。

將輸入的待識別數(shù)據(jù)與之前得到的模板(即正確的開鎖方式)進行匹配，匹配的標準是二者間的相似度。使用dtw算法對待識別樣本與模板進行匹配計算。

該方法的步驟包括：

1、用戶解鎖手機時搖動手機，通過android系統(tǒng)提供的接口，實時獲取傳感器數(shù)據(jù)。

2、預處理：根據(jù)用戶解鎖手機的加速度、磁場傳感器等數(shù)據(jù)，從不同角度出發(fā)對采集到的原始傳感器數(shù)據(jù)進行預處理，使處理后的數(shù)據(jù)波形平滑、規(guī)整統(tǒng)一，便于進行統(tǒng)計分析。

3、計算并提取數(shù)據(jù)的統(tǒng)計學特征，同時使用快速傅里葉變換，將在時域上采集的經(jīng)處理過的傳感器數(shù)據(jù)轉(zhuǎn)換到頻域；

4、使用tensorflow框架，對時域和頻域上的數(shù)據(jù)特征進行深度學習，創(chuàng)建手勢識別模型；

5、使用dtw算法計算各樣本數(shù)據(jù)的相似度，得到匹配模板，并對各樣本數(shù)據(jù)與模板進行匹配計算；

6、輸出識別結果即能否解鎖手機。

最后，實施本發(fā)明具有以下有益效果：

本發(fā)明實施例的有益效果是，通過分析用戶解鎖智能手機的傳感器數(shù)據(jù)可以實現(xiàn)手機的開鎖認證。

附圖說明

圖1是本發(fā)明提出的一種基于傳感器的用戶開鎖識別方法的算法流程。

圖2是本發(fā)明涉及到的傳感器的坐標系示意圖。

具體實施方式

下面結合附圖對本發(fā)明的具體實施方式進行描述，以便本領域的技術人員更好地理解本發(fā)明。

在本實施例中，如圖所示，提供本發(fā)明提出的方法的算法流程：

步驟101、用戶使用手勢解鎖手機，使用android操作系統(tǒng)提供的傳感器api，實時記錄并獲取用戶開鎖手機時的傳感器數(shù)據(jù)。

步驟102、數(shù)據(jù)預處理，使處理后的數(shù)據(jù)波形平滑、規(guī)整和統(tǒng)一。

步驟103、根據(jù)用戶解鎖手機時的各項傳感器數(shù)據(jù)，進行統(tǒng)計分析，選取并計算特征，主要是統(tǒng)計學特征：均值，峰值，標準差等，同時使用快速傅里葉變換，將時域上的數(shù)據(jù)特征轉(zhuǎn)換到頻域上。

對用戶在搖動手機開鎖時的傳感器數(shù)據(jù)進行統(tǒng)計分析，以加速度傳感器為例，包括三個方向x,y,z加速度值的平均值、標準差，合成加速度值平均值、標準差，三個方向x,y,z加速度值峰值間時間差的平均值、標準差，三個方向x,y,z加速度值的最高值與最低值。通過快速傅里葉變換，將樣本數(shù)據(jù)的時域特征轉(zhuǎn)換為頻域特征。

步驟104、使用tensorflow框架，對樣本數(shù)據(jù)特征進行深度學習，創(chuàng)建模型。

步驟105、使用dtw算法計算各樣本數(shù)據(jù)的相似度，得到匹配模板，將待識別的樣本與匹配模板進行相似度匹配判斷能否解鎖手機。

步驟106、輸出對測試樣本的識別結果。

輸出識別結果即用戶通過搖動手機能否解鎖手機。

盡管上面對本發(fā)明說明性的具體實施方式進行了描述，以便于本技術領域的技術人員理解本發(fā)明，但應該清楚，本發(fā)明不限于具體實施方式的范圍，對本技術領域的普通技術人員來講，只要各種變化在所附的權利求限定和確定的本發(fā)明精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構思的發(fā)明創(chuàng)造均在保護之列。