文摘

一种最新的身份验证方法是通过辨别人类的手势。之前的研究表明,不同的人可以开发不同的手势行为即使执行相同的动作。手势是一种最常用的手势交流和验证研究,因为它需要更少的空间执行相比其他身体姿态。有不同类型的手势,他们已被许多研究人员研究,但静止的手势还有待深入探讨。有许多缺点和缺陷一般手势认证等可靠性,可用性,和计算成本。虽然固定手势不能解决所有这些问题,它仍然提供了更多的好处和优势其他手势身份验证方法,如做手势运动流而不是微不足道的图像捕捉,和需要较少的房间进行,减少视觉提示需要在性能,等等。在本文中,我们介绍了静止的手势身份验证通过实现编辑距离的手指指向方向间隔(ED-FPDI)从手势模型behaviour-based认证系统。提出的准确率ED-FPDI显示了有前景的结果。

1。介绍

手势识别已经被改编成我们的一些日用家电(1,2在电子设备中,3- - - - - -5),甚至在车辆6)作为输入的方法,据说是物联网的接口(物联网)在未来7]。但在这样一个广泛的使用和实现,安全问题一定会出现。由于这些问题,手势密码过去几年以来一直在研究[8- - - - - -10]。但手势密码是不够安全的手势很容易学习和模仿。为了克服这个限制,我们采用了手势,行为的回报在手势加强手势密码身份验证。

有趣的是,手势识别已经研究整个几十年,但没有任何明确的定义和分类。在这篇文章中,我们分类手势分为两大类:静态手势识别和运动手势识别。执行静态手势识别与抓取的图像;它可以使用只有一个或一个以上的形象。动态手势识别之间的运动包括所有不同的手势;识别过程进行手势的流从一开始到最后的姿态。静态手势,类似于静态图像,而运动手势视频。动态手势识别,还有其他子类,如动态手势识别,静止的手势识别,手指手势识别(1,11),和手臂手势识别12- - - - - -14]。手势识别的详细信息部分中解释3.1。

用户身份验证可以通过各种方法包括基于生物特性的实现(15]。生物认证主要有两种方法:基于生理和behaviour-based。基于生理方法包括指纹、虹膜、声音;而behaviour-based或behaviometrics [16包括人类的手势,击键上动态键盘、鼠标、触摸屏(17]。基于[18),不同的人制定不同的行为即使执行同样的动作或运动。这些行为可以评估通过移动速度,加速度,定位,行驶距离,等等。

已经有大量的研究在生物识别技术的身份验证,其中一些是基于手势。击键力学[17),鼠标生物识别技术(16),多点触摸手势的身份验证(19与加速度计),数字签名(如uWave),和其他方法11在身份验证)取得了可喜的成果,但他们仍然需要用户拥有接触设备。一些手势认证(8)是不切实际的在现实生活中的应用程序,因为它只使用一个手势的捕捉图像,也可以方便地模拟冒名顶替者,而其他人(12,13)需要更多的空间来执行,很少有可用手势可以做到比静止的手势身份验证。静止的手势认证不需要用户接触到设备,也不是一个简单的基于图像的身份验证,它不需要很多的空间。此外,它是更可靠,用户友好和安全相比其他手势认证将在节中详细讨论3.1。2。

在这篇文章中,我们已经编辑距离算法应用于静止的动作行为进行身份验证的用户通过比较手指之间的相异的国家基于时间间隔。平均值和标准偏差方法和录取率方法设置为接受或拒绝数据的阈值。至于结果的评估和分析,准确的混淆矩阵等错误率(曾经)接受者操作特征(ROC)曲线已经被考虑。详细的方法是解释部分4。

本文的概述如下:在部分2我们解释了相关工作。在下一节中,部分3讨论了手势,跳跃运动控制器,编辑距离算法。部分4解释了我们的方法ED-FPDI,紧随其后的是结果与讨论部分5。最后,在节6,我们亲密的摘要与结论和未来的工作。

2。相关工作

陈等人。20.)通过手跳跃运动控制器用于身份验证几何和手势。他们在实验中实现了两种类型的身份验证静态验证和持续的验证。在静态身份验证的场景中,用户被要求画一个圆和一个手指;在连续的身份验证的场景中,用户被要求执行基本的操作,如键或屏幕点击、滚动、刷等操作。正在评估这些数据使用不同的特点:手和手指属性,圆的半径,加速度的手,捏,抓住优势,等等。这些特性是然后使用随机森林分类器分类结果表明,更多的物理性质并赋予权重的手和手指。实验的准确性99.97%静态验证和98.39%连续认证。

方等。8)提出了生物认证模型使用静态手势图像。参与者被要求执行美国手语的26个字母,每个手语使用RGB相机被捕。手和手指的特点,如位置和角度,从图像中提取的分类。作者使用了10机器学习算法选择的主要类型的分类,包括决策树、规则方法,内核函数和贝叶斯方法。实验表明有前途的总体结果的最大精度为93.75%。

刘等人。11)提出了uWave,一个有效的识别算法为一个三轴加速度计,如任天堂Wii遥控器。这种方法类似于一个基于签名的识别,用户使用手持设备,开始在屏幕上乱涂,形成一个模式。然后模式与其他模式相比,使用动态时间规整(DTW)对用户进行身份验证。

赖et al。12)提出了用户识别方法使用微软Kinect来检测用户的手臂动作。手臂动作的形式被记录在身体轮廓,比较与其他记录手势使用最近邻(NN)算法来识别用户。吴et al。13)扩大了赖昌星的方法等。12)采用Kinect骨架模型而不是身体轮廓和扩展方法来执行用户身份验证,而不是唯一的识别。DTW算法被用来比较的手势。与uWave不同,这些方法不需要用户装备或持有任何设备。

赛义德et al。16)提出了生物认证使用鼠标手势创建模式通过移动鼠标。的方法试图找到两个类似的模式之间的时间差异是学习矢量量化(LVQ)神经网络。

另一方面,Sae-Bae et al。19)提出了多点触摸设备上的身份验证。通过对比触摸次序和时间间隔的序列使用DTW算法,他们已经能够验证用户通过触摸屏设备。身份验证并不局限于只有一个序列。

两个陈et al。20.和方等。8方法]是密切相关的。类似于方et al .,我们使用手势相同的符号语言,但是,不是使用静态图像,我们记录了这些手势运动包括手势和每个动作之间的变化。陈等人。20.),另一方面,通过跳跃运动控制器实现了手指手势身份验证用手势如绘画、滚动、攻丝。但是他们的权重进行身份验证的结果表明,大多数放在手和手指的物理性质相反的姿态。相比之下,方等的方法(8其他用户)可以很容易地复制的,因为它只是静态手势,而陈等人的方法(20.)更关注于属性,可以很容易地通过使用手雕塑进行身份验证。方等的方法(8)无疑是准确的身份验证,但是,在某些情况下,它可能是冒名顶替者容易复制静态手势,因为方法认为简单的静态图像,而陈等人的方法(20.)更关注于手视为生理生物识别技术的属性,而不是基于行为的生物识别技术,它也可能不安全的在某一时刻的冒名顶替者可以跟踪真正的手,重复它。

最近,刘等人。21,22)使用动态时间规整(DTW) [21和规范时间扭曲(CTW) [22)开发内核稀疏编码方法分析时间序列来提高目标识别的性能。

据我们所知,我们还没有遇到过类似的方法,我们提出的方法在身份验证使用静止的手势,因为大多数的研究是基于静态手势,手臂的姿势,和手指的姿势。比较这些不同的手势和固定的优势比其他手势是手势说明部分3.1。1和3.1。2。至于其他相关工作,由于方法的差异,我们构造了一个表的对比表8和讨论的部分5.3.2为什么基于身份验证更可取。自也有不同类型的手势识别,比较在不同的手势识别在表已经建立9。

3所示。背景

3.1。手势及其行为

3.1.1。类别的手势

尽管键盘和鼠标的传统方式提供输入电脑,他们被认为是不自然的人机交互23,24]。手势作为输入优势传统的输入方式,比如免提的,能够与设备通信从远处看,更自然由于人与人之间的日常使用手势(H2H)沟通25,26]。

手势是一个非常模糊的任期有很多不同类型的手势。因此,我们有手势分类图1。

条款中使用手势分类如下:(我)静态意味着没有运动或运动在这个问题上,通常是在单一的图像形式。(2)运动意味着运动。(3)固定意味着特定主题上没有运动,但不影响主体的运动的对象仍然可以移动;例如,静止的手势是手,手腕,和手臂(因为手腕和手臂的运动将影响手的位置)不移动或有任何动作,而手指自由移动,只要这并不影响手的位置。(iv)动态是指任何主题可以有运动的一部分的运动即使它影响其他对象;例如,动态手势允许自由移动的手,与此同时,手指的位置将受到影响。

在一些论文12,13),他们的手臂姿势是指手势造成很多混乱;因此,我们分开成两个不同的类别(表1)。至于手势,主要有两种类型,即静态手势和动作手势。我们定义了两种类型的动作手势:静止的手势(手和手腕不动,但手指移动)和动态手势(手、手指和手腕移动)。当手臂和手都是考虑到认可,我们称它为手臂和手的姿势。最后,对于绘画,涂鸦,划动手指,我们称他们为手指手势。有两个子类手指动作,手的手指手势(手指运动只是受手和手指)的运动和手臂手指手势(手指运动是受到手臂的运动的影响,一方面,和手指)。在我们的实验中,我们只关注固定手手势的身份验证。

3.1.2。静止的优势比其他手势动作的方法

有一些研究和出版物等手势身份验证和其行为使用手势图像(静态手势),动态手势,手臂动作,手指手势(用指尖画出形状或签名)。但到目前为止,尚未有研究静止的手势身份验证。此外,有理由为什么我们选择静止的手势而不是其他方法:(我)手势图像很容易模仿。它验证用户通过检测位置,角度,手放在一个形象的物理性质。这张图片可以被打印出来和使用系统上的其他用户或冒名顶替者。(2)动态手势可能会是最好的的身份验证的所有其他手势的身份验证方法,但是很难计算,因为有太多因素需要检查如手指的动作,手,手掌、手腕和手臂。此外,尚未有任何合理的设备在正确认识整个手臂,手和手指在一起。(3)手臂动作需要更大的空间。也很难隐藏从局外人的姿态。此外,有许多可用的手臂动作除了上下摆动,左和右。(iv)手指动作可以有效简单的手势,但有时也可以很容易被别人复制。复杂的手势,另一方面,可以更安全,但用户可能需要视觉提示的姿态,以防止画错了顺序或不合。

静止的手势无法轻易模仿由于不同的行为;它不需要复杂的计算算法或大空间来执行,而且执行时并不需要任何视觉的支持。

3.1.3。静止的动作行为

虽然手势可以作为密码,但手势的问题是,它可以很容易地模仿;通过习惯,然而,由于开发行为的姿态无法轻易复制(27]。例如,当一只手正从一个开放的结束动作(所有手指缩回手指伸到palm),不同的人会有不同的时间,移动角和位置而做同样的手势。它可能不是不可能模仿一个人的行为,但它肯定需要大量的努力可能需要数年时间完善它。此外,行为可能随时间变化根据性别、年龄、环境等等。因此,在完善一个特定的人的行为,他/她可能会改变或发展新的行为。

可以由静止的动作行为,但不限于,手指的移动速度,加速度,位置,和移动角。在我们的实验中,我们适应了手指手势行为的指向的方向特性。它功能指向每个手指的方向根据手指的状态,是打开(伸展)和关闭(收回)的时间间隔。可以是长或短的时间间隔根据不同的用户。跳跃运动控制器被用来记录所有的数据在我们的实验中。数据包含每个手指的信息包括时间间隔和指向的方向。这些行为可以通过计算机而不是人很容易被认出来,因为间隔时间以微秒为单位计算。

3.2。跳跃运动控制器

跳跃运动控制器是一个小的传感器设备跟踪手,手指,或尖锐的物体,在静态或运动状态作为输入具有很高的准确性和精度28,29日]。它优于许多其他传感器设备,用手势检测或识别,如微软Kinect和创造性Senz3D [30.]。此外,跳跃运动控制器可以记录手势超过200帧每秒的速度(fps) [31日),但是,在我们的实验中,只记录数据大概在110 fps。然而,它足以确定姿态的行为,每一帧之间的时间间隔是用毫秒表示。

3.3。编辑距离

编辑距离(32]或Levenshtein距离是用来发现两个字符串之间所需的最小数量的操作(或文字)。有三种类型的操作在编辑距离,插入、删除和替换,每一个操作转换成本。一个例子是改变字符串“阳光”“雪”:“S”,删除“U”,第一个“N”,第二个“N”替换为“O”,插入“W”和“Y”仍然存在。这个字符串改变成本三个操作包括删除、替换、插入。编辑距离的算法所示 在哪里是第一个字符串的长度和是第二个字符串的长度。

图1显示了编辑距离矩阵,其中每个操作成本。如图,矩阵操作删除、正确操作插入,对角正确操作取代或保持不变。矩阵的结尾,这是位于矩阵的右下角,被认为是最短路径或最小数量的操作需要两个字符串的转换。

在身份验证,精度和速度是最重要的方面。我们选择了编辑距离实验由于其速度、简单性和效率检测数据的差异。编辑距离节省计算和验证时间,给准确预测真正的用户或冒名顶替者。

4所示。ED-FPDI

在这篇文章中,我们介绍一种新颖的方法固定手势认证,编辑距离上的手指指向方向间隔(ED-FPDI)。我们的实验包括五个阶段:录音阶段,时间间隔规范化阶段,数据过滤阶段(开始和结束点过滤),培训和测试阶段,和结果评估阶段。时间间隔规范化阶段,数据过滤阶段,培训和测试阶段也ED-FPDI的核心阶段。整个实验过程如图2。

4.1。录音阶段

Vatavu和Zaiti1)记录并公布跳跃运动手势数据集用于远程控制的设备。远程控制实验的数据集是非常有用的,但是它不包含静止的手势数据除了手掌和手掌。其他动作记录在他们的数据集大多是摆动的手在不同方向和画字母或图形(手指手势)。尽管有十八个不同的参与者数据记录,记录不用于身份验证的数据,但它是用作电视遥控器功能,如改变频道和音量,打开菜单,显示电视指南。因此,他们的数据是不能直接适用于我们提出固定手势身份验证。

因此,据我们所知,尚未有任何固定使用跳跃运动控制器可用手势数据集记录;因此我们必须进行自己的记录数据。设置录音的实验演示图3。

总共有十个参与者,包括7名男性和三名女性,20多岁,他参加了我们的实验。所有的动作都是只有右手。我们让参与者执行相同的两套手势按照自己的节奏,让他们尽可能的一致。9人被要求执行25倍的手势被用作实验的测试数据,也被称为骗子,而参与者之一,作为对照组,在这种情况下被称为真正的用户,被要求对手势执行125次,有100实例的数据作为训练数据,其余25的实例数据作为测试数据。总之,共有350个实例的数据在一个动作记录;从真正的用户100的实例数据用于训练,而剩下的250用于测试的实例数据,25实例的数据从哪里来的真正的用户,剩下225实例数据的冒名顶替者。训练数据和测试数据从真正的用户是独立的。手势记录被称为“205”和“7631”如图4和5,分别。值得一提的是,这些手势是由真正的用户和不限于这些手势,和实验假设所有的骗子都已知手势(手势或密码12)(因为密码的手势被认为是我们的实验),真正的用户输入。

图6显示跳跃的轴运动控制器。将手放在顶部的控制器,平行设在的控制器。在我们的实验中,手的方向总是指向消极方向(指向监视器如图6−−1.0和0.9之间)的单位向量,而方向和手的方向尽可能关闭0在单位向量(甚至在执行动作)。

记录动作的同时,我们发现手势“7631”产生很多错误的跳跃运动控制器的,而从“6”转变到“3”和“3”到“1。“超过一半的错误发生的时间为每个用户在记录期间,这意味着每个用户已经录制了超过50次到达25的实例数据,而不会产生任何错误。它也值得注意,每个用户在这个姿态变化的速度大幅度包括真正的用户,因此它可能会影响实验的准确性。如前所述,这些错误不是偶然或故意由用户的检测不准确但跳跃运动控制器或软件,如图7。

我们要注意手势在我们的实验中不是静态的;他们运动姿态的变化从一个静态手势到另一个静态手势。例如,它从手指“2”变为“0”手指和两者之间的运动姿态被认为是在我们的实验中。

4.2。时间间隔标准化阶段

这一阶段的结合正常化时间间隔和过滤数据的步骤。从记录数据,数据的每一帧之间的间隔是nonconsistent比较之前,因此必须规范化。我们采用了线性插值规范化的间隔。例如,间隔可以是0,12345,23456,34567微秒的记录数据。正常化后,他们将是0,10000,20000,30000微秒。这样做是为了让每一个数据有一个一致的间隔为便于比较当使用编辑距离算法。

4.3。数据过滤阶段

我们建议ED-FPDI只考虑两个时间元素从每个手指的打开和关闭手指。更详细的描述两个时间元素显示如下:(1)开放的手指(O):向外伸展手指(当指出方向设在−−0.8和1.0之间的矢量单元)(2)手指(C):手指缩回到棕榈(当指出方向设在大于−0.8)

之所以选择这些阈值的数字作为时间元素是基于开放的手指的观察,大部分数据(“O”)记录数据集躺在职位−−0.8和1.0之间设在。我们有仅适用于两个分割的跳跃运动误差检测当手指完全关闭,如图7。可以看出,即使手指是完全封闭的,跳跃运动控制器错误地报道说,手指只是中途关闭。我们已经观察到的动作打开关闭(反之亦然)应该是−0.8到0.8左右,而关闭元素(“C”)是单位向量在0.8和1.0之间。然而,由于错误的再次飞跃运动控制器,这些测量无法被纳入我们的系统。注意,这个观察是假设下,当手指着−−0.9和1.0之间的方向是单位向量(指向前方跳跃运动控制器)和指向单位矢量的方向大约是0(与跳跃运动控制器)。在整个实验过程中,我们也发现只有三个手指(索引、中间和无名指)都表现出一致的精确指出方向设在,−−0.8和1.0之间的向量。由于大利润差异在拇指的指向方向和小手指从不同的人不同,他们不考虑在我们的实验中,然而,实验结果没有显示显著的退化。我们在表显示两个样品2调查这些观察。

从表21,我们可以看到,数据形式”OOCCCCCCCOO”,而数据的字符串2 OOOCCCCCO形式”。”在应用编辑距离算法从数据1 - 2,我们获得最小编辑距离,,这意味着至少有4个操作改变从数据1 - 2。

但应用程序编辑距离的数据之前,我们需要过滤掉多余的姿态开始和结束的姿势。详细的原始数据可视化和过滤数据如图8。如图8(一个),原始数据没有定义的开始和结束点的姿势。因此,我们过滤掉多余的手势在起点和终点后,见图8 (b),通过检测的初始运动的手指开始从一个预定义的手势(通常是“5”的手势)。同样,我们检测到终点的定位的手势变化从最后一个手势一个预定义的结局手势(通常是“5”的手势)。如果起点或终点的手势实际上是“5”(如“205”),然后使用另一个预定义的手势。注意,这个过滤检测是手动完成的。过滤的目的是确保一致的起点和终点的每一个动作。

4.4。培训和测试阶段

4.1.1。平均值和标准偏差(M&SD)方法

完成后过滤和分段的原始数据,我们编辑距离算法适用于处理数据集。首先,我们计算成对编辑距离100个训练实例的是编辑距离和Tr的训练数据。编辑距离计算的总数为每一对实例在训练数据是4950,可以很容易地从一个组合公式。从计算编辑距离值,我们发现平均值和标准偏差获取阈值区间。请注意,我们有三个记录(或固定长度的序列)在一个训练实例的每条记录对应一个手指。换句话说,我们有三个阈值区间(即。,每一个的them for one finger) in one training instance. The acquired threshold intervals are used as guidelines for authentication.

训练阶段后,我们250个测试实例申请编辑距离计算与100年培训实例。与100年相比每一个测试实例的实例训练数据并返回1003的值,在那里编辑距离和吗是测试数据。注意,我们乘3,因为我们计算的均值100值一个手指,我们对其他两个手指重复相同的过程。对于每一个手指在测试实例,我们比较其均值与相应的阈值区间估计从训练数据。如果阈值区间内的意思是,我们特定的手指在测试实例标记为接受。如果所有测试实例中的三根手指都接受,我们认为用户作为一个真正的用户,否则作为一个冒名顶替者。这些程序的一个示例如表所示3。

从表31,数据将被视为一个真正的用户,因为它所有的意思是值阈值区间内的每个手指。数据2和3也会注意骗子至少从一个平均值数据以外的每个手指的阈值区间。伪代码1演示了我们的平均值和标准偏差的伪代码(M&SD)方法,其中M是均值和SD是标准差。可以看出的渐近上界M&SD在于方法的训练时间在哪里训练实例的数量和吗最长的长度是训练实例。的渐近上界M&SD方法的测试时间在哪里是训练实例的数量,测试实例的数量,最长的长度是训练实例。

10/24/11。接受率(AR)方法

除了平均值和标准偏差(M&SD)方法,我们已经讨论了在部分4.4。1我们建议接受率(AR)方法,它使用的录取率作为阈值计算训练数据。计算录取率,我们应用平均值和标准偏差从训练数据获取训练数据本身。主要的思想是,例如,如果训练数据的录取率是0.5,然后接受率测试数据应接近0.5被接受为一个真正的用户。换句话说,如果测试数据的录取率远从训练数据的录取率,被接受的机会,一个真正的用户很低。

为了计算训练数据的录取率(),我们的算法比较M&SD阈值发现从4950年之前的方法与其他所有编辑距离在训练数据。M&SD阈值从训练数据来测试数据获得100年的编辑距离。为了获得测试数据的录取率(),100年与相同M&SD阈值从训练数据。然后我们的算法使用训练数据的录取率()的录取率比较测试数据()。的差异和使用ROC曲线。注意,录取率可以估计在两个方面:所有的平均录取率手指(平均AR),每个手指的录取率(AR)。这种方法的伪代码是伪代码所示2。

的渐近上界AR方法的训练时间,在那里训练实例的数量和吗最长的长度是训练实例。的渐近上界AR方法的测试时间,在那里是训练实例的数量,测试实例的数量,最长的长度是训练实例。渐近时间复杂度而言,我们可以看到,基于“增大化现实”技术的方法是尽快M&SD方法。

4.5。结果评估阶段

如前所述,我们考虑两种评价方法:精度从混淆矩阵法和曾经ROC曲线的方法。混淆矩阵的明确解释,我们描述了一些基本术语:(1)真正的录取率(TAR):真正的用户被接受(好)(2)真正的废品率(TRR):冒名顶替者被拒绝(好)(3)假废品率(FRR):真正的用户被拒绝(坏的管理者)(4)错误接受率(远):冒名顶替者被接受(更糟糕的)

从混淆矩阵法计算精度,通过总结我们计算它真正的录取率(TAR)与真正的废品率(TRR)和分裂与实例总数之和。然而,请注意,这种方法只适用于平均值和标准偏差(M&SD)方法在我们的实验。

接受者操作特征(ROC)曲线(33)也被用来测量算法的性能。ROC曲线图表说明了分类器的性能给命中率之间的权衡和假警报率在不同的阈值。ROC曲线的优势是,我们可以找到相等的错误率(曾经)34)已被用于大多数的生物安全系统测量不平衡数据的实际表现。因此,低曾经指示精度高。曾经获得录取率和报废率是相等的。M&SD方法和接受率(AR)方法评估使用这种方法。

5。实验结果和讨论

表4和5显示该算法的实验结果在两个真正的用户和冒名顶替者测试手势分别“205”和“7631”。在表4,22岁的25个真实的用户数据的实例已经被系统接受,而13 225冒名顶替者已被接受。在表5,只有20 25实例的真实用户数据被系统接受和30 225冒名顶替者已被接受。接受和拒绝的数量对真正的用户和骗子也单独显示在表中4和5。

5.1。精度的混淆矩阵

真正的录取率方程(TAR),错误接受率(远),和准确性是解释(2),(3)和(4),分别为:

从表4、焦油、远和准确性的姿态“205”计算如下:

从表5、焦油、远和准确性的姿态“7631”计算如下:

从上面的计算,可以看出,姿态“205”有更高的精度0.9360,相比,只有0.8600的手势“7631”。手势“7631”的原因有一个较低的精度比手势“205”章节中讨论4.1,如图7,这是由于错误的跳跃运动控制器。然而,手势都有相当高的精度超过0.8所示。

5.2。平等的错误率(曾经)从接受者操作特征(ROC)曲线

ROC曲线的手势“205”和“7631”中描述的数据9和10,分别。红色的线条代表的平均值和标准偏差的结果(M&SD)方法,而绿线代表的平均录取率的手指训练数据与测试数据的每个手指;和蓝线代表每个录取率的手指训练数据比较的类似手指测试数据。例如,从训练数据,食指的录取率将只与食指的测试数据。黑线,拦截那些线路点(0,1)点(1,0)是曾经。ROC曲线的准确性可以表示如下:

ROC曲线的姿态“205”,M&SD方法结果在曾经的0.1130和0.8870的准确性,而平均和每个手指录取率方法产生曾经的0.1000和0.9000的准确性。至于姿态“7631”,M&SD方法收益率曾经的0.1875和0.8125和平均精度手指录取率方法展品能效比为0.2000和0.8000的准确性,而每个手指录取率方法显示曾经0.1958与0.8042的准确性。

5.3。总结的结果和讨论

5.3.1。总结的结果

表6和7显示结果的总结评估两个手势“205”和“7631。”的手势都是使用两种不同的方法评估,混淆矩阵的准确性,平等的错误率(曾经)ROC曲线。

表6是导致混淆矩阵包含以下:(我)真正的录取率(TAR)根据(2)(2)错误接受率(远)根据(3)(3)基于精度(4)

表7ROC曲线的结果,包括以下:(我)评价方法(一)平均值和标准偏差M&SD(b)平均录取率的手指从训练数据与测试数据(平均AR)(c)录取率每个手指的训练数据与类似的手指从测试数据(每个AR)(2)平等的错误率(曾经)拦截点的直对角线的ROC曲线如图9和10(3)基于精度(7)

的精度,更高的值表示更高的性能;然而,在曾经的情况下,低价值意味着更高的性能。

5.3.2。讨论

从表6和7是有区别的,从混淆矩阵获得的准确性和ROC曲线。这是由于真正的用户和冒名顶替者之间的不平衡数据:25 225年真实的数据和实例的实例数据冒名顶替者。如果数据在两个对象是相等的,例如,100年真正的实例数据和100年冒名顶替者的实例数据,然后两个混淆矩阵上的准确性和ROC曲线是相同的。

在表中6和7手势“205”,结果显示更高的性能比手势的7631。“因为该算法采用较小的接受阈值训练数据的姿态“205”比手势“7631”的实验。因此,姿态的精度结果“7631”大接受阈值会低于205姿态”。“为什么我们采用大姿态接受阈值”7631”是由于并发症和困难形成的姿态“7631”,如图7和讨论的部分4.1。

表8显示了不同的生物测定方法的比较。如表所示,基于生物识别技术整体更优于其他生物识别技术方法。首先,基于生物识别技术是人类机器交互更自然。它也比其他方法更具有通用性,因为手势识别的设备可以实现为小如一个芯片5]。最后,它很容易使用,因为人类通常使用手势与人交流,和可以有许多不同的手势模式可用。

从这些系统的实验中,我们发现,基于生物识别技术有一些缺点在识别手势,如低精度和昂贵的成本。我们预计,随着技术的进步,这些精度和价格问题将减少扩大为更多的姿态相关的应用程序。

至于手势识别,有几种不同的类型可以被人类使用的手势,比如身体姿态,头部姿态和手势。我们要注意手势的分类,因为这些不同类型的手势和相应的解决方案常常对读者造成困惑。表9显示了不同类型的可用手势识别和他们的优点和缺点。

注意,头部姿态不包括在桌子上。基于手势的控制或用户身份验证、头部姿态是不切实际的,因为很多人会恶心而移动他们的头。

从表可以看出9静止的动作无疑更优于其他手势识别的应用程序需要大量的手势。我们可以比喻地考虑到静止的手势是一个电影,而静态手势是一个静态图像。多才多艺,静止动作只需要小设备识别,而身体姿态(35和步态36,37)需要更大的设备,例如,跳跃运动控制器为身体姿态手势和微软Kinect。即姿态空间静止的手势是小相比,身体姿势和步态比正常的人需要更多的空间来执行。静止的手势更难以复制或模仿,因为它可以很容易地隐藏从别人只是用盒子或覆盖你的身体。手指手势另一方面可能很难隐藏,因为它有时需要视觉提示为用户为了防止遗忘在绘画或写作。静止的机会实现手势到其他设备似乎高于其他手势更多才多艺,需要更少的空间来执行。总之,尽管固定手抓取用户身份验证有一个温和的执行困难,因为静止的手势可以产生更多的动作模式,这种困难可以从模仿再现攻击安全身份验证。

6。结论和未来的工作

我们的方法,ED-FPDI本文展示了一种验证用户使用手势和相当高的精度超过0.8。当然,这个实验是进行假设冒名顶替者已经知道用户的密码的手势。值得注意的是,在身份验证系统中,虚假承诺是非常严重的,所以它必须尽可能低,我们的算法表明,曾经是低至0.2。这可能显示更高的性能,如果(1)所有的手指都考虑;(2)没有硬件限制或不准确。

手势为密码或验证现在可能不是经常使用,但是,与即将到来的技术,将实行“智能”用户界面大多数电子设备,家用电器,汽车,和其他应用程序的接口主要是使用手势识别作为输入方法。我们的实验表明,手势认证显示承诺未来的研究机会。这仅仅是开始的手势认证;因此,必须做更多的研究和工作之前可以用于关键认证(11]。

对我们未来的工作,我们计划更多的手势数据集实验记录。此外,我们将探索新方法考虑到拇指和小指可能会提高性能。最后,我们将考虑跳跃运动控制器的详细分析和改进我们的一个未来的研究方向。

相互竞争的利益

作者宣称没有利益冲突。