CN105068743A - 基于多指触控行为特征的移动终端用户身份认证方法 - Google Patents

Abstract

本发明公开了一种基于多指触控行为特征的智能移动终端认证方法，包括：(1)通过多指触屏操作获取用户的触屏操作信息，其中，多指触屏操作为多指在并拢状态下的触屏滑动；(2)从用户触屏操作信息中提取触屏的生理特征和行为特征，将以上特征合并为一个特征向量；(3)利用所述合并的特征向量对概率神经网络分类器和支持向量机分类器进行训练，生成合法用户的训练模型；(4)采集测试用户触屏操作信息，按照步骤(2)处理，得到测试用户触屏操作合并的特征向量，将其放入所述两个分类器中与合法用户的训练模型对比，获得是否为合法用户的分类结果。

Description

基于多指触控行为特征的移动终端用户身份认证方法

技术领域

本发明涉及用户身份认证技术，特别涉及一种移动终端用户身份的认证方法。

背景技术

随着信息时代的到来和网络技术的日益普及，人们越来越多地依赖各种电子设备来完成日常的工作、学***板电脑等智能移动终端的出现更是大大提高了信息技术使用的便捷性。显然，在这种情况下，信息安全，特别是移动终端上的信息安全便成为了一个重要而又亟待解决的问题。

智能移动终端上的身份认证是保护个人信息安全的至关重要的一环。当前主流的基于密码、口令的认证方式需要用户记忆，口令容易遗忘，且无法解决账号和密码被盗的问题；基于ID卡、令牌等物理验证设备的方法，需要随身携带物理介质，且也容易被盗或复制；基于指纹、虹膜等生理特征的认证方式虽然安全性较高，但需要专用硬件设备来完成认证，成本高且不适用于无相关设备的大量现有***。为此，当前亟需安全可靠、操作简便、且对目前绝大多数移动终端具有良好通用性的新型认证方法。

发明内容

本发明的目的是提供一种生物行为特征识别的移动终端用户身份认证方法，在不影响操作体验的前提下，提取多指触控操作中可以反映用户手部生理特征的行为特征并结合触控操作中所特有的行为特征来对用户身份进行认证。

为达到以上目的，本发明是采取如下技术方案予以实现的：

一种基于多指触控行为特征的智能移动终端认证方法，其特征在于，包括下述步骤：

(1)通过多指触屏操作获取用户的触屏操作信息，其中，多指触屏操作为多指在并拢状态下的触屏滑动；

(2)从用户触屏操作信息中提取触屏的生理特征和行为特征，将以上特征合并为一个特征向量，所述生理特征为每时刻触点的相对距离；所述行为特征包括描述不同轨迹的模式，描述与时间相关的速度、加速度、压力及接触面积的变化模式；

(3)利用所述合并的特征向量对概率神经网络分类器和支持向量机分类器进行训练，生成合法用户的训练模型；

(4)分类识别：采集测试用户触屏操作信息，按照步骤(2)处理，得到测试用户触屏操作合并的特征向量，将其放入所述两个分类器中与合法用户的训练模型对比，获得是否为合法用户的分类结果。

上述方法中，步骤(1)所述多指触屏操作包括四指触控和三指触控操作模式；四指触控模式针对大屏手机、平板类移动终端；三指触控操作模式针对4寸以下小屏手机类移动终端。

步骤(2)所述生理特征、行为特征的具体算法如下：

1)触点相对距离：以每次操作方式中每个触屏操作手指的第一个触屏数据点为起点，计算后续触屏数据中各个手指的触点两两距离，利用分段平均的方法得到多个两两距离，将此作为触点相对距离特征向量；

2)轨迹模式：获取轨迹触点位置序列，计算出轨迹曲率，并按照曲率大小识别大曲率的转折点，将轨迹分割成为多个部分，获取分割的轨迹长度和轨迹转折点作为轨迹模式特征向量；

3)触屏速度：按照轨迹的触点位置与每个触点的接触时间计算出接触时移动的速度序列，将速度序列利用信号分解的方式分解为不同频段的频谱系数，将以上系数作为速度特征向量；

4)触屏加速度：利用触屏速度序列得到加速度序列，并按照2)中相似步骤将序列分解成为多个系数，将系数作为加速度特征向量；

5)触屏压力：获取触点压力信息序列与每个触点的接触时间，并按照2)中相似步骤将序列分解成为多个系数，将其作为触屏压力特征向量；

6)触屏接触面积：获取触点接触面积信息序列与每个触点的接触时间，按照2)中相似步骤将序列分解成为多个系数，将系数作为触屏接触面积特征向量。

本发明从触屏行为中直接提取能反映用户固有生理特征和行为特征，这些特征具有不变性，难仿冒性。与指纹、虹膜识别等触屏行为认证的方法相比，本发明由于通过智能移动终端上通配的触摸屏，不需添加任何其它设备，就可方便实现用户身份识别；与口令、图形密码相比，本发明由于采用用户固有生理特征和行为特征进行身份验证，安全性好，难以仿冒。

本发明方法的优点在于：其利用绝大多数智能移动终端普遍采用的多点触控触摸屏实现身份认证，专用硬件成本为零；硬件损耗几乎可以忽略；综合使用生理特征与行为特征，利用多元信息融合实现身份认证，使得其被模仿的成功率大为降低。

附图说明

下面结合附图及具体实施方式对本发明做进一步的详细描述。

图1是本发明四指触控模式图例。其中，(a)图为五指直线滑动模式；(b)图为四指“L”形滑动模式。

图2是本发明三指触控模式图例。

图3是训练与认证流程图。

具体实施方式

一种基于多指触控行为特征的智能移动终端认证方法，包括：

(1)通过多指触屏操作获取用户的触屏操作信息，其中，多指触屏操作为多指在并拢状态下的触屏滑动；

(2)从用户触屏操作信息中提取触屏的生理特征和行为特征，将以上特征合并为一个特征向量，所述生理特征为每时刻触点的相对距离；所述行为特征包括描述不同轨迹的模式，描述与时间相关的速度、加速度、压力及接触面积的变化模式；

(3)利用所述合并的特征向量对概率神经网络分类器和支持向量机分类器进行训练，生成合法用户的训练模型；

(4)分类识别：采集测试用户触屏操作信息，按照步骤(2)处理，得到测试用户触屏操作合并的特征向量，将其放入所述两个分类器中与合法用户的训练模型对比，获得是否为合法用户的分类结果。

步骤(1)所述操作方式实施例如下：

将移动终端按屏幕的大小粗略地划分为两类，即大屏手机、平板类移动终端和4寸以下小屏手机类移动终端，并分别设计了四指触控和三指触控操作模式与之对应。

如图1示，四指触控模式针对大屏手机、平板类移动终端，其具体滑动过程如下：用户四指自然并拢，在屏幕上先竖直后水平地滑过，竖直和水平轨迹的连接点为转折点或是弧度较大的一个转折区域，如此滑动得到的轨迹近似为多组“L”、“S”或“I”型轨迹。

如图2所示，三指触控模式针对手机类小屏移动终端，具体滑动过程如下：首先三指自然并拢，按照用户习惯竖直手机，触摸手机多点触控屏幕，自顶向下滑过一定长度的直线，即滑过的轨迹近似为“I”字形。

如图3所示，步骤(2)训练部分实施方案包括下述步骤：

(1)移动终端触屏采集并记录用户多次操作方式中的行为数据；触屏行为数据格式为：{触点横坐标、触点纵坐标、压力、手指标识、触摸面积、时间戳}。

(2)从触屏数据中提取特征信息并获得特征向量。针对以上特征数据，计算行为特征向量序列，在其中获取参考特征向量序列，计算行为特征向量序列与参考特征向量序列的距离，得到距离特征向量，形成训练特征集合。所述提取特征信息包括如下特征信息：

1)触点相对距离：选出同一时间节点(实际为时间相近的)的触摸点坐标，可以得到四指触点的相对位置信息。据此课计算出手指之间的指间距，指长差，手指指尖连线之间的角度信息等。即按照轨迹的触点位置与每个触点的接触时间计算出接触时移动的速度序列，将速度序列利用信号分解的方式分解为不同频段的频谱系数，将以上系数作为速度特征向量；

2)轨迹模式：即认证用户滑动不同的轨迹形状如“L”，“S”，“I”型形状与合法用户滑动形状的相似性。具体为获取轨迹触点位置序列，计算出轨迹曲率，并按照曲率大小识别大曲率的转折点，将轨迹分割成为多个部分，获取分割的轨迹长度和轨迹转折点作为轨迹模式特征向量。

3)触屏速度：按照轨迹的触点位置与每个触点的接触时间计算出接触时移动的速度序列，将速度序列利用信号分解的方式分解为不同频段的频谱系数，将以上系数作为速度特征向量；

4)触屏加速度：利用触屏速度序列得到加速度序列，并按照2)中相似步骤将序列分解成为多个系数，将系数作为加速度特征向量；

5)触屏压力：获取触点压力信息序列与每个触点的接触时间，并按照2)中相似步骤将序列分解成为多个系数，将其作为触屏压力特征向量；

6)触屏接触面积：获取触点接触面积信息序列与每个触点的接触时间，按照2)中相似步骤将序列分解成为多个系数，将系数作为触屏接触面积特征向量。

(3)利用所述合并的特征向量对概率神经网络分类器和支持向量机分类器进行训练，生成合法用户的训练模型。

采用单类分类器，如单分类支持向量机，建立合法用户的身份认证模型，将合法用户的训练特征集合标记为正类对身份认证模型进行训练，得到合法用户的身份判定阈值σ(σ根据模型训练的精度进行选取)。

采用多分类器实现多个合法用户模式的认证，如概率神经网络，RBF神经网络，SVMs等分类器。具体为标记合法模式样本为不同的合法标记类，选用多类非法用户样本作为非法类，按照二进制将标记类编码；之后对分类器进行训练，得到认证模型。向模型输入测试用户特征，输出结果，对照合法标记类的编码判定用户的合法性。

针对图1、图2的操作模式，认证部分实施方案包括下述步骤：

采集测试用户触屏操作信息。在认证时，让用户重复训练时采用的操作方式采集触屏数据。

按照步骤(2)处理处理数据，得到测试用户触屏操作合并的特征向量，将其放入所述两个分类器中与合法用户的训练模型对比，获得是否为合法用户的分类结果。

Claims (3)

1.一种基于多指触控行为特征的智能移动终端认证方法，其特征在于，包括下述步骤：

(1)通过多指触屏操作获取用户的触屏操作信息，其中，多指触屏操作为多指在并拢状态下的触屏滑动；

(2)从用户触屏操作信息中提取触屏的生理特征和行为特征，将以上特征合并为一个特征向量，所述生理特征为每时刻触点的相对距离；所述行为特征包括描述不同轨迹的模式，描述与时间相关的速度、加速度、压力及接触面积的变化模式；

(3)利用所述合并的特征向量对概率神经网络分类器和支持向量机分类器进行训练，生成合法用户的训练模型；

(4)分类识别：采集测试用户触屏操作信息，按照步骤(2)处理，得到测试用户触屏操作合并的特征向量，将其放入所述两个分类器中与合法用户的训练模型对比，获得是否为合法用户的分类结果。

2.如权利要求1所述的基于多指触控行为特征的智能移动终端认证方法，其特征在于，步骤(1)所述多指触屏操作包括四指触控和三指触控操作模式；四指触控模式针对大屏手机、平板类移动终端；三指触控操作模式针对4寸以下小屏手机类移动终端。

3.如权利要求1所述的基于多指触控行为特征的智能移动终端认证方法，其特征在于，步骤(2)所述生理特征、行为特征的具体算法如下：

1)触点相对距离：以每次操作方式中每个触屏操作手指的第一个触屏数据点为起点，计算后续触屏数据中各个手指的触点两两距离，利用分段平均的方法得到多个两两距离，将此作为触点相对距离特征向量；

2)轨迹模式：获取轨迹触点位置序列，计算出轨迹曲率，并按照曲率大小识别大曲率的转折点，将轨迹分割成为多个部分，获取分割的轨迹长度和轨迹转折点作为轨迹模式特征向量；

3)触屏速度：按照轨迹的触点位置与每个触点的接触时间计算出接触时移动的速度序列，将速度序列利用信号分解的方式分解为不同频段的频谱系数，将以上系数作为速度特征向量；

4)触屏加速度：利用触屏速度序列得到加速度序列，并按照2)中相似步骤将序列分解成为多个系数，将系数作为加速度特征向量；

5)触屏压力：获取触点压力信息序列与每个触点的接触时间，并按照2)中相似步骤将序列分解成为多个系数，将其作为触屏压力特征向量；

6)触屏接触面积：获取触点接触面积信息序列与每个触点的接触时间，按照2)中相似步骤将序列分解成为多个系数，将系数作为触屏接触面积特征向量。