劉聰，李能能

（濰坊職業(yè)學(xué)院，山東 濰坊 261041）

0 引 言

智能手機(jī)的本地加密作為用戶個(gè)人隱私數(shù)據(jù)保密中非常重要的一環(huán)，發(fā)展出了多種加密方式，現(xiàn)應(yīng)用最多的主要有數(shù)字密碼認(rèn)證、圖形密碼認(rèn)證、指紋識(shí)別認(rèn)證和人臉識(shí)別認(rèn)證四種方式。其中數(shù)字密碼認(rèn)證、圖形密碼認(rèn)證兩種方式雖然準(zhǔn)確度較高，但操作時(shí)間較長(zhǎng)，解鎖效率低，且非常容易被竊取和破解。指紋識(shí)別認(rèn)證和人臉識(shí)別認(rèn)證作為當(dāng)前十分受用戶歡迎的身份認(rèn)證方式，具有解鎖操作便捷等多種優(yōu)點(diǎn)，但手機(jī)倒模、硅膠套就能夠輕易復(fù)制一個(gè)人的指紋，2D 圖像識(shí)別技術(shù)的活體檢測(cè)準(zhǔn)確率以及人臉識(shí)別準(zhǔn)確率較低，容易被模型或者照片破解等安全問題也存在一定隱患。

為此，本文提出了一種基于RL-DTW 算法的生物特征身份認(rèn)證，利用智能手機(jī)的觸摸屏采集用戶執(zhí)行滑動(dòng)手勢(shì)的數(shù)據(jù)對(duì)DTW 算法的閾值和匹配模板進(jìn)行不斷優(yōu)化，目的是在保證滑屏解鎖匹配精度的同時(shí)，降低誤識(shí)率（FAR），提高拒識(shí)率（FRR），最終判定滑屏加速度是否在一定的閾值接受范圍內(nèi)來(lái)決定是否解鎖成功。

1 總體設(shè)計(jì)

基于滑動(dòng)手勢(shì)的身份認(rèn)證鎖屏系統(tǒng)主要包括三大模塊，分別為鎖屏與解鎖系統(tǒng)、滑動(dòng)手勢(shì)身份認(rèn)證系統(tǒng)以及數(shù)字密碼認(rèn)證系統(tǒng)。系統(tǒng)總體框架如圖1所示。

圖1 滑動(dòng)手勢(shì)的身份認(rèn)證鎖屏系統(tǒng)總體框架

1.1 滑動(dòng)手勢(shì)數(shù)據(jù)采集

在滑動(dòng)手勢(shì)數(shù)據(jù)采集的功能中，通過移動(dòng)終端的觸摸屏來(lái)對(duì)用戶滑動(dòng)手勢(shì)的數(shù)據(jù)進(jìn)行采集。對(duì)鎖屏頁(yè)面的VIEW綁定OnTouchListener()，重寫Acitivity 的onTouchEvent()方法，當(dāng)屏幕上產(chǎn)生觸摸事件時(shí)，將動(dòng)作ACTION_DOWN、ACTION_MOVE、ACTION_UP 所獲得的數(shù)據(jù)提取出來(lái)作為初始數(shù)據(jù)，此時(shí)所獲得的數(shù)據(jù)形式是坐標(biāo)與時(shí)間的有序數(shù)據(jù)集合。

1.2 滑動(dòng)手勢(shì)數(shù)據(jù)預(yù)處理

在數(shù)據(jù)采集的過程中，在每次手勢(shì)滑動(dòng)的速度快慢不同，用戶在執(zhí)行滑動(dòng)手勢(shì)的時(shí)候可能會(huì)在起點(diǎn)或終點(diǎn)有停頓等原因的影響下，采集到的數(shù)據(jù)可能會(huì)有一些無(wú)效信息。在數(shù)據(jù)處理中需要對(duì)比數(shù)據(jù)中的坐標(biāo)點(diǎn)，將距離太近的坐標(biāo)點(diǎn)舍棄。數(shù)據(jù)處理所做的另一個(gè)工作是將數(shù)據(jù)集合中的時(shí)間序列，以第一個(gè)點(diǎn)為起始時(shí)間進(jìn)行轉(zhuǎn)換。

1.3 滑動(dòng)手勢(shì)特征提取

在基于滑動(dòng)手勢(shì)的身份認(rèn)證算法中使用的特征為手勢(shì)滑動(dòng)過程中的加速度變化。在數(shù)據(jù)收集和預(yù)處理中的數(shù)據(jù)序列形式為（，，），…，（xyt，其中為橫坐標(biāo)，為縱坐標(biāo)，為時(shí)間。加速度的計(jì)算方式如式（1）所示：

1.4 滑動(dòng)手勢(shì)模板訓(xùn)練

手勢(shì)模板訓(xùn)練包括模板訓(xùn)練與閾值確定兩個(gè)部分。手勢(shì)模板訓(xùn)練需要用戶本人執(zhí)行10 次滑動(dòng)手勢(shì)，用采集的滑動(dòng)手勢(shì)數(shù)據(jù)對(duì)手勢(shì)模板和閾值進(jìn)行訓(xùn)練。訓(xùn)練流程圖如圖2所示。

圖2 模板訓(xùn)練流程圖

1.5 模板匹配認(rèn)證

將待測(cè)手勢(shì)與模板手勢(shì)進(jìn)行對(duì)比，用DTW 算法計(jì)算出兩者之間的加速度差值，若＜th，則身份匹配成功，否則身份匹配失敗。匹配成功后，返回一個(gè)回報(bào)值=0.85th-。模板匹配流程圖如圖3所示。

圖3 模板匹配流程圖

1.6 閾值與模板優(yōu)化

在手勢(shì)模板訓(xùn)練的過程中，保存了模板和訓(xùn)練用的10個(gè)滑動(dòng)手勢(shì)數(shù)據(jù)，并以此來(lái)確定閾值th。在實(shí)際的應(yīng)用中，每次解鎖成功都會(huì)得到一個(gè)回報(bào)，回報(bào)的計(jì)算方式如式（2）所示：

為每次解鎖成功獲得的回報(bào)，若當(dāng)前滑動(dòng)手勢(shì)與手勢(shì)模板的距離小于th 的0.85 倍，值為正；反之，值為負(fù)。

設(shè)置一個(gè)累積回報(bào)。每當(dāng)累積回報(bào)大于th，則將置零并按比例縮小th 值。的計(jì)算方式如式（3）所示：

為累積回報(bào)，初始值為0，在此處設(shè)置的取值范圍為-th ＜＜th，當(dāng)＞th 時(shí)，對(duì)進(jìn)行置零；當(dāng)＜-th時(shí)，=-th。式中為衰減因子，的作用是減少一個(gè)手勢(shì)回報(bào)值對(duì)累積回報(bào)的長(zhǎng)遠(yuǎn)影響，使累積回報(bào)的值盡可能取決于近期的執(zhí)行的解鎖操作。

當(dāng)進(jìn)行一次置零，對(duì)th 值進(jìn)行一次縮減，縮減公式如式（4）所示：

對(duì)th 按比例縮減，為縮減因子。

當(dāng)進(jìn)行兩次置零，對(duì)手勢(shì)模板和閾值th 進(jìn)行重新計(jì)算。基于最近10 次解鎖成功的手勢(shì)數(shù)據(jù)，訓(xùn)練新的手勢(shì)模板，并計(jì)算該模板的閾值。

2 基于滑動(dòng)手勢(shì)的身份認(rèn)證算法RL-DTW

2.1 動(dòng)態(tài)時(shí)間規(guī)整算法的基本原理

DTW 算法作為一種非線性規(guī)劃方法，將時(shí)間規(guī)整和距離測(cè)度結(jié)合起來(lái)，能對(duì)時(shí)間序列不完全一致的兩個(gè)序列進(jìn)行最優(yōu)匹配，匹配的主要思想是在需要匹配的兩個(gè)序列之間建立一條最優(yōu)匹配的路徑。

假設(shè)有兩個(gè)單位時(shí)間特征序列和：

當(dāng)我們要對(duì)和這兩個(gè)特征序列進(jìn)行匹配時(shí)，首先需要進(jìn)行時(shí)間規(guī)整，是和的時(shí)間尺度保持一致，時(shí)間規(guī)整函數(shù)如式（7）所示：

其中，()=(()，())，()為序列中第個(gè)元素，()為序列中第個(gè)元素，()即將()與()進(jìn)行比較。連接點(diǎn)() 形成的曲線即為特征序列和的最優(yōu)匹配路徑。

2.2 強(qiáng)化學(xué)習(xí)模型

強(qiáng)化學(xué)習(xí)(RL-reinforcement learning)的基本原理是，把學(xué)習(xí)看作一個(gè)試探評(píng)價(jià)的過程，構(gòu)造一個(gè)智能體（Agent），Agent 可以從環(huán)境中獲取信息作為動(dòng)作的反饋。這個(gè)反饋?zhàn)鳛楠?jiǎng)賞值，可以為正（獎(jiǎng)勵(lì)）或負(fù)（懲罰）。Agent 通過不斷地做出動(dòng)作，獲得獎(jiǎng)賞，根據(jù)獲得的獎(jiǎng)賞信息來(lái)決定接下來(lái)的動(dòng)作，以此來(lái)不斷優(yōu)化原有的策略，最終得到能夠達(dá)到預(yù)期目標(biāo)的最優(yōu)動(dòng)作。強(qiáng)化學(xué)習(xí)的基本模型如圖4所示。

圖4 強(qiáng)化學(xué)習(xí)的基本模型

RL-DTW 算法在經(jīng)典DTW 算法的基礎(chǔ)上，根據(jù)身份認(rèn)證的匹配結(jié)果，以強(qiáng)化學(xué)習(xí)的方式設(shè)置回報(bào)，使每次解鎖成功都能對(duì)算法的調(diào)整產(chǎn)生影響，通過這樣不斷地學(xué)習(xí)，可以對(duì)DTW 算法的匹配模板和閾值進(jìn)行優(yōu)化，在使用過程中不斷提高DTW 算法的匹配性能。

3 實(shí)驗(yàn)與結(jié)果分析

本文研究基于Android 系統(tǒng)，使用JDK+Eclipse+Android SDK 作為Android 開發(fā)環(huán)境。在開發(fā)過程中，對(duì)應(yīng)用程序進(jìn)行測(cè)試運(yùn)行時(shí)，操作系統(tǒng)為基于Android 的one UI、EMUI、ColorOS、MIUI 等；設(shè)備類型主要包括三星、華為、OPPO、vivo、小米等品牌。

參與到手勢(shì)滑動(dòng)解鎖實(shí)驗(yàn)的實(shí)驗(yàn)人員共50 名，依次對(duì)類“S”字形、類“C”字形和類“L”字形三種解鎖手勢(shì)進(jìn)行了詳細(xì)測(cè)試。分別進(jìn)行基于DTW 算法的解鎖測(cè)試階段和基于RL-DTW 算法的解鎖測(cè)試階段，在一周內(nèi)至少完成解鎖成功的解鎖實(shí)驗(yàn)500 次，累積執(zhí)行滑動(dòng)手勢(shì)超過30 000次。其中根據(jù)本人的訓(xùn)練測(cè)試數(shù)據(jù)建立標(biāo)準(zhǔn)加速度數(shù)據(jù)模型，其他模仿訓(xùn)練的人群根據(jù)獲取坐標(biāo)數(shù)據(jù)進(jìn)行加速度求值，測(cè)試數(shù)據(jù)視圖如圖5至圖10所示。

圖5 類“S”字形DWT 算法加速度模仿辨別分布圖

圖6 類“S”字形RL-DWT 算法加速度模仿辨別分布圖

圖7 類“C”字形DWT 算法加速度模仿辨別分布圖

圖8 類“C”字形RL-DWT 算法加速度模仿辨別分布圖

圖9 類“L”字形DWT 算法加速度模仿辨別分布圖

圖10 類“L”字形RL-DWT 算法加速度模仿辨別分布圖

其中中心隱藏線段為本人解鎖屏幕標(biāo)準(zhǔn)加速度數(shù)據(jù)線，黃點(diǎn)和紅點(diǎn)為模仿者根據(jù)本人解鎖手勢(shì)進(jìn)行解鎖的加速度分布（黃點(diǎn)代表辨別出是模仿者操作的確定概率值的范圍為30%～60%，紅點(diǎn)代表辨別出是模仿者操作的確定概率值的范圍為60%～90%左右），從以上三個(gè)類型圖的對(duì)比中可以看出，基于RL-DTW 算法的模仿解鎖手勢(shì)的識(shí)別準(zhǔn)確率明顯高于基于DTW 算法。

3.1 DTW 算法性能測(cè)試

在DTW 算法性能階段的測(cè)試中，初始手勢(shì)模板的選擇是由10 個(gè)訓(xùn)練的滑動(dòng)手勢(shì)以最小二乘法訓(xùn)練所得，在確定手勢(shì)模板后，用DTW 算法計(jì)算10 個(gè)訓(xùn)練手勢(shì)與模板之間的距離，閾值th 初始設(shè)定為訓(xùn)練手勢(shì)與模板的最大距離的1.5 倍。

表1 不同手勢(shì)的認(rèn)證性能比較

由表1中的數(shù)據(jù)可以得知，手勢(shì)一的FRR 較低，可以滿足解鎖系統(tǒng)的需求；手勢(shì)二和手勢(shì)三的FRR 值偏高。三種手勢(shì)的FAR 值普遍偏高，都處于10%左右。在當(dāng)前的DTW 算法性能測(cè)試中，沒有取得良好的實(shí)驗(yàn)效果，認(rèn)證系統(tǒng)不適合應(yīng)用于實(shí)際。

在基于DTW 算法的手勢(shì)熟練度訓(xùn)練階段的測(cè)試中，用戶本人向其他實(shí)驗(yàn)人員不斷演示滑動(dòng)手勢(shì)解鎖過程，其他實(shí)驗(yàn)者在觀察用戶本人解鎖的基礎(chǔ)上，不斷進(jìn)行解鎖練習(xí)，在進(jìn)行過50 次練習(xí)之后，用戶本人和其他實(shí)驗(yàn)者各進(jìn)行了50次解鎖實(shí)驗(yàn)。認(rèn)證系統(tǒng)的FAR、FRR 值如表2所示。

表2 經(jīng)過練習(xí)之后不同手勢(shì)的認(rèn)證性能比較

由表2中的數(shù)據(jù)可以看出，對(duì)比表1中的數(shù)據(jù)，經(jīng)過觀察和練習(xí)，三種手勢(shì)的FAR 值都有了大幅提高，手勢(shì)一的FAR 值甚至達(dá)到了30%以上。三種手勢(shì)的FRR 值也有的變化但幅度不大，其中手勢(shì)二和手勢(shì)三的FRR 值略有降低。

3.2 RL-DTW 算法性能測(cè)試

在基于RL-DTW 算法的手勢(shì)熟練度訓(xùn)練階段中，在第二個(gè)階段練習(xí)的基礎(chǔ)上，為使用戶對(duì)解鎖手勢(shì)養(yǎng)成習(xí)慣，提高熟練度從而在解鎖手勢(shì)執(zhí)行時(shí)的動(dòng)作穩(wěn)定。在7 天內(nèi)每天多次進(jìn)行解鎖，實(shí)驗(yàn)者對(duì)單個(gè)手勢(shì)總的練習(xí)次數(shù)高于100 次，訓(xùn)練使解鎖系統(tǒng)的閾值或手勢(shì)模板至少更新了一次。

在基于RL-DTW 算法的解鎖測(cè)試階段中，以第三階段的熟練度練習(xí)和更新后的手勢(shì)模板與閾值為基礎(chǔ)，用戶本人和其他實(shí)驗(yàn)者各進(jìn)行了50 次解鎖實(shí)驗(yàn)。認(rèn)證系統(tǒng)的FAR、FRR 值如表3所示。

表3 不同手勢(shì)的認(rèn)證性能比較

對(duì)比表1和表2中的數(shù)據(jù)，表3中的數(shù)據(jù)顯示，經(jīng)過熟練度訓(xùn)練的RL-DTW 算法性能較DTW 算法有了較大的提高，三種手勢(shì)的FRR 值略有降低，但差別不明顯，三種手勢(shì)的FAR 值有了大幅降低，F(xiàn)AR 值都不高于6%。算法性能有了極大的提高。

為與第二階段的手勢(shì)熟練度訓(xùn)練相比較，在基于RLDTW 算法的解鎖測(cè)試階段，同樣進(jìn)行一次手勢(shì)熟練度訓(xùn)練。用戶本人向其他實(shí)驗(yàn)人員不斷演示滑動(dòng)手勢(shì)解鎖過程，其他實(shí)驗(yàn)者在觀察用戶本人解鎖的基礎(chǔ)上，不斷進(jìn)行解鎖練習(xí)，在進(jìn)行過50 次練習(xí)之后，用戶本人和其他實(shí)驗(yàn)者各進(jìn)行了50 次解鎖實(shí)驗(yàn)。認(rèn)證系統(tǒng)的FAR、FRR 值如表4所示。

表4 經(jīng)過練習(xí)之后不同手勢(shì)的認(rèn)證性能比較

由表4中的數(shù)據(jù)與表3中的數(shù)據(jù)對(duì)比可知，經(jīng)過手勢(shì)熟練度訓(xùn)練后，三種手勢(shì)的FRR 值并沒有明顯的變化規(guī)律，F(xiàn)AR 值略有提高，但提高幅度不明顯。三種手勢(shì)的FAR 值和FRR 值都低于10%，實(shí)驗(yàn)取得了良好的結(jié)果，RL-DTW算法經(jīng)過訓(xùn)練后，性能較DTW 算法有了極大的提高。

3.3 主要參數(shù)設(shè)置

本文所研究的基于滑動(dòng)手勢(shì)的身份認(rèn)證鎖屏系統(tǒng)涉及的主要參數(shù)有回報(bào)值（式（2））、衰減因子（式（3））、閾值th（式（4））三個(gè)。

其中的作用是減少一個(gè)手勢(shì)回報(bào)值對(duì)累積回報(bào)的長(zhǎng)遠(yuǎn)影響，使累積回報(bào)的值盡可能取決于近期的執(zhí)行的解鎖操作。∈(0,1)，值越大，對(duì)閾值和模板的更新越快。這里的值設(shè)置為0.85。在經(jīng)過15 次解鎖成功后，15 次之前的回報(bào)值變?yōu)椴蛔阍瓉?lái)的10%。

閾值th 的作用是用于判斷解鎖是否成功，th 值過大會(huì)使FRR 值降低，F(xiàn)AR 值提高；th 值過小，會(huì)使FRR 值提高，F(xiàn)AR 值降低；本文中的初始th 值設(shè)置為th=1.2（為訓(xùn)練手勢(shì)與模板的最大距離）。當(dāng)th進(jìn)行更新使，縮減因子（式（4））的值設(shè)置為0.9，當(dāng)值太小，th 值一次縮減的比例過大，會(huì)導(dǎo)致FRR 突然增大。閾值的影響曲線如圖11所示。其中紅色曲線反應(yīng)的是FRR 的變化，藍(lán)色曲線反映的是FAR 的變化，橫坐標(biāo)是閾值th 相對(duì)于最大距離的倍率。

圖11 閾值變化對(duì)FAR 和FRR 的影響

回報(bào)是影響算法對(duì)于閾值和模板的調(diào)整的主要原因，本文中的值設(shè)置為=0.85th-，為解鎖手勢(shì)與th 的距離。當(dāng)值低于th 的85%，回報(bào)值才是正數(shù)，當(dāng)多次的回報(bào)值為正，就會(huì)導(dǎo)致th 值進(jìn)行一次更新。

3.4 實(shí)驗(yàn)結(jié)果分析

在3.1 和3.2 中對(duì)DTW 和RL-DTW 算法的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行了展示，從實(shí)驗(yàn)數(shù)據(jù)對(duì)比如表5、表6所示。

表5 訓(xùn)練前后FAR 數(shù)據(jù)對(duì)比

表6 訓(xùn)練前后FRR 數(shù)據(jù)對(duì)比

由對(duì)比數(shù)據(jù)發(fā)現(xiàn)，經(jīng)過訓(xùn)練后的RL-DTW 算法對(duì)比DTW算法，在性能方面有了極大的提高，F(xiàn)AR和FRR值較低，能滿足實(shí)際應(yīng)用需求，最終傳統(tǒng)DTW 算法和優(yōu)化RL-DTW算法的識(shí)別解鎖的數(shù)據(jù)準(zhǔn)確變化情況如圖12所示。

圖12 傳統(tǒng)DTW 算法和優(yōu)化RL-DTW 算法數(shù)據(jù)變化對(duì)比圖

通過數(shù)據(jù)對(duì)比可明顯發(fā)現(xiàn)，優(yōu)化的RL-DTW 算法在準(zhǔn)確識(shí)別范圍內(nèi)的概率較大接近93%，而傳統(tǒng)RL-DTW 算法只有72%。顯而易見，本文通過優(yōu)化的RL-DTW 算法在解鎖智能手機(jī)方面具有較高的準(zhǔn)確辨識(shí)度，能夠在保證安全的前提下滿足用戶對(duì)智能手機(jī)隨意形狀滑屏解鎖的需求。

4 結(jié) 論

本文在研究當(dāng)前多種基于生物特征的識(shí)別方法的基礎(chǔ)上，針對(duì)移動(dòng)終端的特點(diǎn)和存在的問題，提出了一種基于RL-DTW 的滑動(dòng)手勢(shì)認(rèn)證方法，并在Android 系統(tǒng)上進(jìn)行實(shí)現(xiàn)。但仍有改進(jìn)的余地，下一步的研究工作主要有以下幾個(gè)方面：（1）本文的身份認(rèn)證系統(tǒng)不適用與過于簡(jiǎn)單或過于復(fù)雜的手勢(shì)，進(jìn)一步對(duì)用戶執(zhí)行簡(jiǎn)單或復(fù)雜手勢(shì)的特點(diǎn)進(jìn)行研究，提取更有代表性的特征，以適應(yīng)更加多樣性的手勢(shì)。（2）對(duì)算法進(jìn)一步優(yōu)化，減少在使用過程中算法訓(xùn)練所需的次數(shù)，使精度的提高更快。（3）通過更多的實(shí)驗(yàn)，進(jìn)一步精確算法的主要參數(shù)值，以盡可能提高算法性能。