对最优算子结合左和右鞋底压力生物识别技术中的数据安全

文摘

介绍了最优算子结合左和右鞋底压力数据在个人身份验证方法唯一的压力分布的动态变化而走。方法采用一对左、右鞋底压力分布变化数据。这些数据被垫式负载分布传感器获得。唯一的系统提取特征基于形状和重量转移从每个唯一的压力分布。我们计算模糊度左右唯一注册的人的压力。模糊if - then规则为每个注册的人统计由学习数据集。接下来,我们结合左翼和右翼的模糊度的独家压力数据。在这个过程中,我们考虑六个综合运营商。我们检查操作员达到最佳精度的个人身份验证。在身份验证系统中,我们确定最高的人是一个注册的人走模糊程度。我们验证了人作为目标人散步时,合并后的模糊程度的行走的人高于阈值。 In our experiment, we employed 90 volunteers, and our method obtained higher authentication performance by mean and weighted sum operators.

1。介绍

信息技术和网络服务,如医疗、商业和社会服务成为我们生活中必不可少的部分。需要可靠的身份验证的用户安全访问这些服务,以避免损害我们的隐私。密码和针仍然是网络服务的主要身份验证方法。然而,我们必须记住大量的密码或针数服务。此外,信息可能被肩膀冲浪,击键记录等等。生物识别技术是一个新兴的技术,一个人基于生理或行为特征进行身份验证。而指纹等技术使用物理特性(1,2虹膜),可以实现识别精度高,行为特性,比如签名(3),演讲(4),和散步5- - - - - -10更用户友好。

我们专注于生物识别方法基于唯一的压力和动态步行。因为散步是最自然的日常运动,生物识别技术的系统使用步行不需要任何培训认证。该方法可以方便地用于验证人而穿过一扇门或通道。它可以是一个应用程序,一个人进入一个房间,走向一个设备或一个计算机可以验证,立即登录房间。步行模式可以用相机捕捉(5,6)、加速度传感器(7),和压力传感器8- - - - - -14]。压力传感器测量行走压力的动态变化。几项研究[8- - - - - -14]介绍了这个话题。Addlesee et al。10),或者和Abowd11],Yamakawa et al。12)关注唯一的压力变化。这些方法使用一些功能如峰值压力值,峰值压力,和形式的压力变化曲线。他们验证行走的人通过使用唯一的一只脚。钱等。9)使用步骤长度,3 d的压力中心轨迹,左、右底之间的角度。他们测量了三个步骤进行身份验证使用的大型压力传感器(3.7×3.7)。然而,这些方法没有使用唯一的形状信息。荣格et al。8)使用足迹和压力中心轨迹进行身份验证。他们使用左、右两个唯一的压力,但他们的压力传感器太小了,两只脚的测量(40厘米×80厘米)。此外,验证这些方法的精度是不够的,用于安全领域。

在这项研究中,我们提出一种集成方法15- - - - - -17)提高验证性能基于行走的生物识别技术。集成方法提高验证精度通过结合多重方法,multifeatures或multisampling。该方法结合了左翼和右翼唯一的认证得分压力数据。在我们之前的研究中,我们提出了一个个人认证方法只使用右脚掌压力(13]。本研究采用模糊度计算从唯一的压力变化的一个唯一作为身份验证的分数。此外,在[14我们联合身份验证的分数意味着的左翼和右翼的独家运营商。然而,我们没有比较意味着运营商与其他运营商。因此,本文结合左和右的光学算符唯一在模糊逻辑逼近生物识别安全压力数据。这些左、右鞋底压力由中型载荷分布传感器测量,它是为了适应两个步骤的平均沃克。载荷分布传感器是一种压力传感器安排在一个二维模式。这种安排的传感器使我们获得唯一的压力分布的动态变化。验证人,步态特征提取唯一的压力分布。步态特征由唯一的压力变化和足迹。身份验证评分,系统计算模糊度人注册的每个唯一的压力。模糊程度获得唯一的压力意味着一定程度的相似性和注册数据集的一个人。 Here, fuzzy membership functions are statistically determined in learning process. The system combines the fuzzy degree of right and left sole by a combination operator and uses it for authentication. In the experiment, we employed six combination operators and evaluated these authentication performances. We show the experimental results of 90 volunteers of each combination operator. Then, we describe an optimal operator for combining left and right sole pressures.

本文组织如下。部分2介绍了设置和数据集。部分3介绍了特征提取。部分4显示了一个唯一的模糊程度的计算。部分5介绍了个人身份验证,结合模糊度。部分6展示了实验结果。最后,部分7和8讨论和总结我们的研究。

2。预赛

2.1。载荷分布的传感器

在我们的系统中,唯一的压力数据,同时步行是垫式收购载荷分布传感器(箭头工业有限公司。- 64 x256 - 7点)。载荷分布传感器是一种压力传感器。图1显示了我们的数据采集系统的概述。如这个图所示,传感器的传感区域33厘米(宽)×176厘米(长度),这就足以获得唯一的左和右鞋底压力。实验系统由载荷分布的传感器、控制装置(箭头工业有限公司。- 64 x256),和一个个人计算机。图2说明了内部载荷分布传感器的宪法。如这个图所示,传感器有64垂直电极表和256年横向电极表。电极之间的距离最近的床单在垂直方向(5.0毫米设在)和7.0毫米在横向方向上(设在)。在垂直和横向表的每一个十字路口,一个电阻元件是夹在两个电极上,这交点是一个感应点。然后,载荷分布传感器有256×64感应点。当我们踏感应点,减少电阻对应的元素。控制装置将这个电阻转换为8位(256级)数字值,为个人电脑提供的所有值。个人电脑存储压力值采样间隔100毫秒。图3显示了一个负载分布数据的采样时间。在本文中,我们展示了压力分布数据,8位灰度图像。高压点颜色为黑色,低压点是用白色的。

2.2。数据采集

在实验中,受试者被要求在载荷分布传感器平台上正常行走。的协议是这样的主题必须首先停止在感应区域,然后穿过和过去的传感器,通常涉及两个或三个步骤。我们认为行走的感觉设在的传感器。系统获得唯一的压力分布在这些步骤并将数据存储在一个电脑作为生物的证据。这个实验的一个限制是,受试者必须光着脚走路或袜子。图4显示了一个示例的时空的唯一数据时的压力。

2.3。数据集

从获得唯一的压力数据,系统将右脚掌压力数据和左唯一压力数据。我们定义唯一的坐标系如图5。我们考虑一个注册的人。在这里,符号表示注册的人。我们唯一的压力分布数据次从每个注册的人,使用这些数据在我们的学习过程系统的压力。的符号代表一个压力分布变化数据当一个人”“走。一个压力数据有权利唯一压力数据和左唯一压力数据。

3所示。特征提取

进行验证,我们的系统从每个唯一的压力数据提取39步态特征的符号表示右脚的索引()或者左脚()。12个功能是基于一个足迹,和27特性是基于重量转移而走。的符号表示一个步态特征对唯一的压力数据,在那里表示每个特性的指数。表1显示了符号索引对唯一的压力数据。

系统提取12特性从每一个足迹由唯一的压力数据。重叠的足迹是唯一的压力分布,并通过最大压力分布的二进制图像帧。图6显示了足迹的过程生产。二进制图像计算每一帧的唯一压力数据。黑色像素有压力值和白色像素没有压力值。从这足迹,我们提取足迹的长度,占用的宽度,占用的面积之间的天使足迹和的方向设在载荷分布的传感器和分布的足迹作为特征。这是显示在图7。在这个图中,白颜色的区域显示nonsole区域和黑颜色的区域显示的足迹。占用的面积唯一的像素的数量计算的足迹。占用的面积显示了一个唯一的散步的人。红色的直线通过最小二乘法得到的足迹。我们计算的角度之间的红线设在的传感器。这个特性意味着一英尺之间的角度和方向行走,因为数据采集协议集设在走的一个方向。绿色矩形外切矩形。我们使用的长度这个绿色的外切矩形的长边长度的足迹和使用短边的长度宽度的足迹的特性。因为有不同的个体之间的脚的长度和宽度,我们使用这些特性进行身份验证。绿色绿色虚线季度外切矩形。然后,我们获得八个小面积的红色直线包围,绿色的外切矩形和绿色虚线。分布的足迹计算了每个小区域的唯一的像素数量。例如,当人行走平足,拱上占用的面积和比正常的脚大。此外,几个脚印缺少脚趾的面积,当沃克把他/她的体重只有大脚趾。从上面可以看到,占用的面积显示了足迹的大小,而分布的足迹表示走的脚的形状和姿态。

系统从每一帧提取27特性的唯一压力数据。我们计算的中心唯一的压力(CSP),唯一的最高压力点(HSP),并从每一帧占用的面积。计算出的面积是唯一的像素从每一帧的数量。图8显示了每一帧的csp和热休克的例子。一般来说,与步态周期的一段区域的变化,和沃克的变化表达重量转移。CSPs和热休克的重要位置唯一的压力。一般来说,这些轨迹绘制线从脚跟到脚趾。CSPs步态轨迹是著名的特性分析,并与行走时重心。另一方面,HSP显示一个点应用于最高权力的沃克。图9显示了两个不同的唯一正确的压力数据。因此,这两个数据帧的数量不同;因此,两个唯一的步态周期的压力是不同的。为了解决这个问题,我们这些功能正常化9帧的独家数据。我们假设每个特性的动态变化在一个步骤是相似的。因此,系统由多边形近似于这些特性线,和九个功能是由班轮插值插值。内插九csp和9热休克从这些轨迹,如图10。内插九区从多边形中提取线如图11。

4所示。模糊度一个唯一

在本节中,我们解释了两个模糊度的计算方法和注册的人。模糊度和从每个唯一的压力数据计算吗和,分别。我们使用这些模糊度进行身份验证每个脚的分数。我们考虑以下作为生物识别安全知识步态特征。

1知识。同一个人的特征是相似的。

知识2。功能分类得分较高的学习压力比其他主要为个人身份验证功能。

从这个知识,模糊if - then规则如下。

规则1。如果功能是一个基线值注册的人,那么相似的程度高的特性。

规则2。如果分类得分学习的唯一的压力数据,然后贡献的程度身份验证的特性是高。

模糊隶属度函数和在图中定义12。这些函数的参数,。在这里,符号和表示隶属函数的宽度。的符号是分类得分之和。这些参数是由学习过程决定的。这些参数的确定方法和如下。考虑一个测试数据学习数据的人,确定数据的参数学习所有注册人员的测试数据。首先,系统计算的意思和标准偏差的学习数据和的。第二,我们初始化,,。隶属函数的初始化,,形成如图(13日),和分类的分数计算由以下方程: 在这里,符号和表示学习数据的目标的人分别和其他注册人员。的符号表示学习数据的一个索引。的符号表示训练样本的数量一个注册的人,和符号表示注册的人。模糊程度的相似性的功能是计算以下方程: 在这里,我们定义模糊单函数由以下方程: 方程(1)意味着平均相似度的区别对他人和平均水平为目标的人。我们使用这个值分类得分。第三,系统重复计算(1)的所有领域,和的时间间隔/ 10。图13 (b)显示了畸形的隶属函数的例子。我们得到分类的分数从所有域。该系统采用这些参数,,最高的在所有领域的特性的人。确定过程是重复的和的。的参数的隶属函数计算分类得分的总和一个人的。它是由下列方程计算: 模糊度的特性被定义为(5)。我们计算的程度对所有和压力数据作为 这里的模糊程度的贡献方法的有效性对人,它被定义为以下方程: 最后,系统计算模糊程度唯一的压力数据对所有由(7)。在这里,唯一的模糊程度的压力意味着为注册人身份验证分数计算从一个唯一的压力数据作为

5。模糊程度走数据

为了验证一个人,我们计算相结合的模糊程度。计算出综合模糊度的模糊程度的唯一,唯一的。在这种方法中,我们识别和验证人的模糊程度。个人识别(1:排序),系统计算合并后的模糊程度对于每一个注册的人。我们获得注册的人之间的模糊程度最高。系统识别行走的人是一个注册的人结合模糊程度最高的。为个人验证(1:1排序),系统计算模糊程度的相结合对一个目标的人。如果合并后的模糊程度高于尖利,系统验证行走的人作为目标的人。

在本文中,我们使用的意思是(8),最低(9),最大(10),产品,概率总和(11)和加权和(12)作为组合算子。我们研究的最佳组合算子生物识别技术的身份认证。在这六个运营商,模糊程度总是在真正的时间间隔因为和内 在这里,符号是权重参数,是在。当是0,结合模糊度等于左边鞋底压力的模糊程度,当是1.0,结合模糊度等于模糊程度的唯一正确的压力。此外,当是0.5,加权求和运算符意味着意味着运营商。

6。实验结果

在这个实验中,我们使用90名志愿者如表所示2。对于每一个志愿者,我们唯一的压力数据的六倍。这些唯一的压力数据获取与袜子。我们对学习和使用5个数据一个数据作为测试数据。我们评估该方法6倍交叉验证方法。假废品率(FRR),错误接受率(远),平等的错误率(曾经)是用于性能测试。FRR和远是由(13)和(14),分别。FRR涉及实例定义为一个授权的个人的数量被错误地拒绝了一个识别系统。目前关心的是实例的数量定义为未经授权的个人被错误地接受一个识别系统。FRR越高降低了用户友好性和高会增加入侵的风险。 曾经是FRR的错误率,等于在验证。下曾经意味着更高的准确和更可靠的个人身份验证。

我们确认和验证的研究对象的方法。我们比较了结合模糊度模糊程度的唯一正确的,唯一的。在我们过去的工作,13)验证人只有唯一正确的压力数据。文献[14)经过身份验证的人通过使用平均值左右唯一模糊度。因此,(13,14)使用模糊程度的唯一正确的对应方法分别和平均算子。我们将验证这些组合操作的结果与基于欧氏距离的身份验证方法的结果。基于欧氏距离的身份验证方法,首先,系统可实现每个步态功能使用的最大和最小值。其次,系统构造模板数据为每个注册的人。模板数据是由学习数据的平均值。第三,欧几里得距离计算由以下方程: 在这里,表示模板数据注册的人。在识别,系统计算欧氏距离对于每一个注册的人,走路的人被确定为注册最短欧氏距离的人。在验证,系统计算欧氏距离为目标的人,如果欧几里得距离小于一个阈值,系统接受了行走的人。

我们执行身份验证20、30、40、50、90名志愿者如表所示3。表4,5,6结果比较验证每个科目的数量。从这些结果,我们可以看到,加权和运营商FRR较低,远比其他运营商。概率总和,比其他人意味着运营商获得更低的曾经。概率和平均,权重和运营商有类似FRR,远,无论何时。图14显示FRR和的均值算子与阈值为20和90例。任何运营商的身份验证性能随数量的增加而减小。图15显示了FRR和曾经的权重参数。从这个图中,我们可以看到,运营商获得最低FRR无论何时当权重参数几乎是0.5。从这个事实,我们考虑到均值算子是唯一的最优算子pressure-based生物识别技术。此外,所有组合运营商实现错误率低于结果只使用左或右鞋底压力数据。

7所示。讨论

我们将该方法与基于行走的生物识别技术。该方法实现了12.7%的FRR 50主题。考虑过去通过步行数据,识别系统(18FRR)实现了85%的识别率(15%)在10科目。比较方法验证人收购了脚印之间的基于图像匹配和模板。文献[19FRR)达到4.3%,65.1% 8个主题。一只脚的方法使用压力中心轨迹进行身份验证。压力的中心由隐马尔可夫模型建模。和[8]在11 0.14%和1.36% FRR科目。该方法使用足迹和压力中心轨迹。足迹的方法计算两个认证分数基于模板匹配和基于隐马尔可夫模型压力中心。然后每个分数,LM学习方法重计算方法验证分数加权和操作。我们的方法达到了最低FRR这些方法之一。因此,我们的方法由于模糊逻辑是一个垫脚石未来足迹生物识别系统。

从我们的实验结果,没有大区别身份验证使用正确的唯一表现,唯一的。此外,我们的方法得到了最好的验证精度在称重参数几乎是0.5。然而,验证性能提高了通过使用模糊程度相结合。从这一事实,我们认为个人认证方法的基础上,结合模糊程度可用于其它生物识别技术的身份验证系统,以改善其性能。

在所有运营商,验证性能恶化增加受试者的数量。我们的方法完全雇用了七十八名来自唯一的压力特性。然而,规范化CSP从CSP中提取轨迹,轨迹解释模式的动态重量转移。因此,我们将九个规范化csp视为一个特性。同样,我们认为规范化热休克和地区在每一个特性。因此,三十特性大大用于身份验证。维数的限制,我们考虑到身份验证性能恶化在三十多的志愿者。

8。结论

我们已经提出了一个基于模糊逻辑的生物识别个人身份验证系统。我们采用左、右行走时唯一的压力分布。垫式负载分布传感器获得的唯一的压力数据。在身份验证、生物识别系统提取39特性从每个唯一的压力数据,描述了模糊if - then规则和统计确定模糊隶属度函数为每个特性学习过程。模糊程度的运营商唯一的压力数据计算了组合。这是评估个人身份验证。在识别,系统计算了结合模糊程度为每个注册的人,它确定了行走的人是一个注册的人最高的模糊程度。在验证中,我们计算了模糊度为目标的人。模糊程度高于阈值时,我们验证了行走的人作为目标。FRR在实验中,我们确定了0.0%和0.0%,无论何时,我们验证了2.52%的受试者20日加权和运营商。 We did 35.0% in FRR and 0.39% in FAR, and we verified 8.85% in EER in 90 subjects. Thus, this system achieved good performance on small number of subjects. In our experiment, we consider the six combination operators. The mean operator obtained the lower error rates in authentication. We consider the mean operator as an optimal operator for combining left and right sole pressures for biometric security. In comparison with the other methods by walking data, our method achieved the lowest FRR.

健康监测的条件也是一个重要的研究为人类医疗保健。特性,我们将提高性能优化的模糊隶属度函数和其他生物特性添加到方法和验证人通过多通道的方法。

引用

1. k Ito, h,只是k .小林t .青木和t . Higuchi“指纹匹配算法使用phase-only相关性,”IEICE交易基础电子、通信和计算机科学,E87-A卷,不。3、682 - 691年,2004页。视图:谷歌学术搜索
2. x陈,j .田,x,“一个新的扭曲的指纹匹配算法基于归一化模糊相似性测度方法,”IEEE图像处理,15卷,不。3、767 - 776年,2006页。视图:出版商的网站|谷歌学术搜索
3. a . Kholmatov和b . Yanikoglu”身份验证使用改进的在线签名验证方法,”模式识别的字母,26卷,不。15日,第2408 - 2400页,2005年。视图:出版商的网站|谷歌学术搜索
4. d·a·雷诺兹和r . c .玫瑰,“强劲text-independent发言者识别使用高斯混合模型,”IEEE语音和音频处理,3卷,不。1,第83 - 72页,1995。视图:出版商的网站|谷歌学术搜索
5. d . k . Wagg和m . s .尼克松“自动化的基于模型的提取和分析步态,”学报第六届IEEE国际会议上自动的脸和手势识别(FGR的04)11 - 16页,首尔,韩国,2004年5月。视图:出版商的网站|谷歌学术搜索
6. h·l . Wang宁、t . Tan和w·胡”的静态和动态的身体生物识别技术融合步态识别,”IEEE电路和系统视频技术,14卷,不。2、149 - 158年,2004页。视图:出版商的网站|谷歌学术搜索
7. j . Mantyjarvi m . Lindholm e . Vildjiounaite S.-M。麦克拉,h . Ailisto”识别用户的便携式设备步态模式的加速度,”《IEEE国际会议音响、演讲和信号处理(ICASSP 05)2005年3月,页II973-II976,。视图:出版商的网站|谷歌学术搜索
8. J.-W。荣格,z好,和t .佐藤人识别方法使用顺序通过重叠的脚形状和压力中心轨迹行走的足迹,“IEICE交易基础电子、通信和计算机科学,E87-A卷,不。6,1393 - 1400年,2004页。视图:谷歌学术搜索
9. 张钱,j ., a . Kidane”人identidication使用通过地板压力传感和步态分析,”诉讼第三欧洲会议智能传感和上下文苏黎世,页83 - 98年,瑞士,2008年10月。视图:谷歌学术搜索
10. a·琼斯,m.d. Addlesee f中,和撒玛利亚,“ORL活动地板,”IEEE个人通信,4卷,不。5,35-41,1997页。视图:出版商的网站|谷歌学术搜索
11. r·j·奥尔和g·d·Abowd”智能楼:自然的用户识别和跟踪机制,”会议的程序在计算系统的人为因素2000年4月,海牙,荷兰,。视图:谷歌学术搜索
12. t . Yamakawa k .谷口t .侯,s . Kobashi k .近藤和y哈塔,“根据脚的压力变化,生物识别个人身份”《国际会议上软计算和人文科学福冈,页83 - 86年,日本,2007年。视图:谷歌学术搜索
13. t武田,k谷口,k . Asari k . Kuramoto s Kobashi和y哈塔,“生物识别个人身份验证一步足部压力分布变化载荷分布传感器”《IEEE国际会议上模糊系统2009年8月,页906 - 910。视图:出版商的网站|谷歌学术搜索
14. t武田,k谷口,k . Asari k . Kuramoto s Kobashi和y哈塔,“具生物识别个人身份的唯一压力在走路,”《世界自动化大会(WAC的10)2010年9月,神户,日本,。视图:谷歌学术搜索
15. 诉孔蒂,c·塔基、f . Sorbello和s . Vitabile”frequency-based方法指纹和虹膜特征融合的多通道生物识别系统,”IEEE系统,人与控制论C,40卷,不。4、384 - 395年,2010页。视图:出版商的网站|谷歌学术搜索
16. a . k . Jain,美国的角色,美国,”组合多个匹配器高安全指纹验证系统,”模式识别的字母,20卷,不。11 - 13,1371 - 1379年,1999页。视图:出版商的网站|谷歌学术搜索
17. j .难应付的j . Matas k .琼森和m r·桑切斯在个人身份验证系统中,结合证据”模式识别的字母,18卷,不。9日,第852 - 845页,1997年。视图:谷歌学术搜索
18. k .中岛以y Mizukami、k .田中和t (“Footprint-based个人识别,”IEEE生物医学工程卷,47号11日,第1537 - 1534页,2000年。视图:出版商的网站|谷歌学术搜索
19. J.-W。荣格,z好,S.-W。李,和t .佐藤Dynamic-footprint人识别使用垫式压力传感器为基础,”学报》第25届国际会议的IEEE在医学和生物工程协会(EMBC ' 03),3卷,第2940 - 2937页,2003年9月墨西哥坎昆。视图:出版商的网站|谷歌学术搜索

版权

版权©2013孝宏武田等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。