一种基于行为特征的车主身份预认证方法

摘要

本发明公开了一种基于行为特征的车主身份预认证方法，该方法具体为：使用压力传感器采集不同志愿者打开车门时的压力数据，并进行人工标注；对压力数据进行预处理，利用预处理后的压力数据对认证模型进行训练，得到训练好的认证模型；采集车辆的合法用户多次打开车门时的压力数据，并进行预处理，作为合法用户的参考样本集；采集未知用户打开车门时的压力数据，并进行预处理，作为认证样本；使用训练好的认证模型对认证样本和参考样本集中的各参考样本进行相似度对比，并进行预认证，若预认证通过则打开车门，否则需要用户使用钥匙解锁。本发明利用用户在开车门的过程中的动作特征来对用户身份的合法性进行预认证，提高了用户体验以及安全性。

说明书

技术领域

本发明涉及一种基于行为特征的车主身份预认证方法，属于身份认证技术领域。

背景技术

在交通领域中，对于车主的身份认证方法主要是使用钥匙对车辆进行解锁、使用无线的车钥匙发射无线电波对车辆进行远程解锁和使用无钥匙进入技术对车辆进行解锁等。但是这些技术都存在着弊端：基本上所有的解锁方式都需要携带额外的解锁设备，车钥匙容易被攻击者仿制，远程解锁和无钥匙进入都有重放攻击的威胁，同时无钥匙进入系统存在着签名和证书方面的缺陷，容易受到攻击。因此，为能够对车主的身份进行有效认证，同时提高用户体验和安全性，需要提出一种新的身份认证方法。

发明内容

本发明所要解决的技术问题是：提供一种基于行为特征的车主身份预认证方法，可以有效对车主的身份进行预认证以提高用户体验和安全性。

本发明为解决上述技术问题采用以下技术方案：

一种基于行为特征的车主身份预认证方法，该方法包括模型训练阶段、用户注册阶段和认证阶段，其中，

模型训练阶段包括如下步骤：

步骤1，使用压力传感器采集不同志愿者打开车门时的压力数据，并进行人工标注，标明压力数据来源；

步骤2，对压力数据进行预处理，利用预处理后的压力数据对认证模型进行训练，得到训练好的认证模型；

用户注册阶段包括如下步骤：

步骤3，使用压力传感器采集车辆的合法用户多次打开车门时的压力数据，并进行预处理，作为合法用户的参考样本集；

认证阶段包括如下步骤：

步骤4，使用压力传感器采集未知用户打开车门时的压力数据，并进行预处理，作为认证样本；

步骤5，使用训练好的认证模型对认证样本和参考样本集中的各参考样本进行相似度对比，并进行预认证，若预认证通过则打开车门，若预认证失败则需要用户使用钥匙解锁。

作为本发明的一种优选方案，所述压力传感器为薄膜式压力传感器，且安装于车门把手内侧。

作为本发明的一种优选方案，所述预处理具体为对压力数据进行0-1标准归一化。

作为本发明的一种优选方案，所述认证模型为孪生神经网络，由两个结构相同参数共享的特征提取网络构成，特征提取网络由卷积神经网络和金字塔池化层依次连接而成，卷积神经网络包括依次连接的第一卷积层、第一激活层、第二卷积层和第二激活层，金字塔池化层的层数为8；

在认证模型训练过程中，使用对比损失函数来对模型的训练进行衡量，对比损失函数为：

其中，L(w,(Y，S

作为本发明的一种优选方案，所述步骤5的具体过程如下：

步骤51，使用训练好的认证模型计算认证样本和参考样本集中各参考样本之间的相似度，得到相似度集合；

步骤52，使用基于投票思想的认证方法对未知用户的认证样本进行预认证，将相似度集合中的每个相似度与阈值T

步骤53，对投票集C中的投票进行计数，如果认证成功的投票占据总票数的比例大于阈值T

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提供一种基于行为特征的车主身份预认证方法，该方法通过分析用户拉动车门时传感器的压力数据，提取用户的行为特征，并和存储的合法用户的参考集进行相似度对比以实现对车主的预认证。相对于传统的车主认证手段，提高了用户体验和安全性。

附图说明

图1是本发明一种基于行为特征的车主身份预认证方法的整体架构图。

图2是本发明中基于孪生神经网络的认证模型示意图。

图3是孪生神经网络卷积层的示意图。

图4是孪生神经网络金字塔池化层的示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明利用薄膜式的压力传感器采集用户拉动车门把手时的压力数据，从中分析用户的行为习惯并进行预认证，如果用户通过认证则打开车门，否则使用传统的钥匙解锁。

如图1所示，为本发明一种基于行为特征的车主身份预认证方法的整体架构图，该方法分为三个阶段：模型训练阶段、用户注册阶段和认证阶段，三阶段包括两个共同的步骤：数据采集步骤、数据预处理步骤；同时模型训练阶段还包括对认证模型进行训练，用户注册阶段还包括对合法用户的认证参考集进行存储，认证阶段还包括使用训练好的模型对未知用户进行认证。

数据采集步骤：在车门把手内侧加装薄膜式的压力传感器，实时采集用户拉动门把手时对门把手的压力变化，并进行人工的数据标注，标明数据来源，采集的数据格式为时间序列数据；

数据预处理步骤：在数据预处理步骤中对压力数据进行0-1标准归一化；

认证模型训练步骤：在出厂前，预先采集若干名志愿者多次打开车门时的压力数据作为训练集，对孪生神经网络进行训练，使其获取对时间序列数据进行相似度计算的能力。

孪生神经网络的结构示意图如图2所示，其由两个结构相同参数共享的特征提取网络构成，特征提取网络由一个一维卷积神经网络(图3)和一个金字塔池化层构成(图4)。前者由两个一维卷积层和激活层构成，后者的层数为8，用于生成长度相同的特征向量以便于进行相似度计算。使用L2范数对两个长度相同的特征向量进行相似度计算。在训练的过程中，使用对比损失来对网络的训练进行衡量，对比损失函数为：

其中E

注册步骤：在注册阶段中，合法用户多次拉动车门，压力传感器采集用户的压力数据，进行预处理、存储后，形成合法用户的参考样本集。

身份认证步骤：在认证阶段中，用户拉动车门时采集到压力数据，对压力数据进行预处理后得到用户的认证样本，使用训练好的认证模型来计算认证样本和参考样本集中所有的参考样本之间的相似度，得到相似度集合。使用基于投票思想的认证方法来对用户的认证样本进行认证。对于相似度集合中的每个相似度系数与阈值T

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。