[发明专利]一种基于RFID和卷积神经网络的非接触式用户身份认证方法

说明书

一种基于RFID和卷积神经网络的非接触式用户身份认证方法，模仿手机的九宫格解锁部署RFID标签矩阵，采集手部运动时的相位信息，利用卷积神经网络实现对用户的身份认证。其实现步骤包括：1.采集用于身份认证的动作的相位信息；2.对采集到的相位信息进行预处理；3.从预处理后的相位信息中提取各个动作样本的起始点信息；4.将获取的相位信息制成数据集，然后采用深度学习卷积神经网络对数据进行训练，得到用于认证的卷积神经网络模型；5.在用户进行身份认证时利用训练好的模型识别用户的动作；6.得到认证结果，判断是否认证成功。本发明采用基于CNN的卷积神经网络提取相位中的特征，进行动作识别，从而进行身份认证，具有较好的准确性、安全性和鲁棒性。

技术领域

本发明涉及动作识别技术领域，具体涉及一种基于RFID和卷积神经网络的非接触式用户身份认证方法。

背景技术

近些年无线传感在各领域都发展迅速，如活动感知、室内定位、智能家居和行为分析等。越来越多的家庭都部署了物联网设备，它给人们带来了智能和方便的同时，安全问题却常常被忽视了。有些物联网设备可以控制建筑物的访问和环境，更甚可能监视使用者的音频和视频设备，因此进行身份认证至关重要。

传统的接触式识别技术已经存在专用设备携带的问题，因此不依赖识别对象携带专用设别的非接触式识别概念逐渐成为近几年的研究焦点。主要利用用户动作对收发设备之间无线信号的干扰和反射，提取接收信号特征，然后根据设计的模型进行匹配识别。非接触式动作识别技术具有易操作，易部署和多场景等特点，可以被广泛的应用于智慧家庭、医疗看护、工业制造等方面。

卷积神经网络(CNN)是深度学习的代表算法之一，是一种包括卷积计算且具有深度结构的前馈神经网络。目前已在众多领域取得了成功，例如：图像识别，图像分割，语音识别和自然语言处理等。它的原理是可以自动从数据中学习特征，并把结果向同类型的未知数据泛化。因此它可以应用于动作识别领域，并且具有极高的效率和准确率。

发明内容

本发明的主要目的在于提供了一种基于RFID和卷积神经网络的非接触式用户身份认证方法，该技术模仿手机上的九宫格解锁部署三行三列的标签矩阵，采集识别动作的相位信息，使用卷积神经网络算法与预先训练的身份认证动作进行匹配，可以安全有效的识别用户身份。

一种基于RFID和卷积神经网络的非接触式用户身份认证方法，包括如下步骤：

步骤1：在室内环境中布置无源RFID标签矩阵，布置方式为3×3的九宫格结构，采集用于身份认证的相位数据；

步骤2：将步骤1采集到的相位信息进行预处理；

步骤3：从步骤2预处理后的相位信息中获取各个动作样本的起始点和结束点信息；

步骤4：将所述相位信息数据制成身份认证的数据集，并采用深度学习卷积神经网络CNN对数据进行训练，得到用于身份认证的CNN模型；

步骤5：用户进行身份认证时，监测用户的动作，标签矩阵收集相位信息，然后经过步骤2和步骤3的处理后，将数据送入步骤4中得到的CNN模型中，识别用户的身份；

步骤6：根据步骤5的结果，判断用户身份认证是否成功。

进一步地，步骤1中，布置的无源RFID标签矩阵由9个标签组成，在平面上按照三行三列等距排列，每个标签之间间距为12.5cm；在标签后方1.2m处放置天线；通过RFID阅读器与标签间的相互通信，获取标签矩阵中多个标签的相位信息。

进一步地，所述的步骤2中，对采集到的相位信息进行预处理，具体包括以下步骤：