python手势识别隐马尔可夫模型_手势识别身份认证的连续隐马尔可夫模型

收稿日期

:

-

03

-

18

收修改稿日期

:

-

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)

E-mail

:

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

(

)

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

,

如果觉得《python手势识别隐马尔可夫模型_手势识别身份认证的连续隐马尔可夫模型》对你有帮助，请点赞、收藏，并留下你的观点哦！