[发明专利]一种基于图像特征的射频指纹识别方法

说明书

本发明属于物联网安全技术领域，具体来说是涉及一种基于图像特征的射频指纹识别方法。本发明首先将信号的样本序列被转换成时频图像，通过提取图像特征来扩充指纹库，可以提升设备的识别准确度。其次，时频转换后得到的时频图中像素点的“亮暗”反映了信号时域和频域的特征，同时也反映了任意时刻信号的能量强度。而且，无线设备信号的时频图像在几何形状以及纹理特征上的差异比较明显，故对时频图的形状特征和纹理特征提取方法进行研究和改进具有重要实现价值。

技术领域

本发明属于物联网安全技术领域，具体来说是涉及一种基于图像特征的射频指纹识别方法。

背景技术

在通信技术发展的近二十年间，随着越来越多的先进技术民用化普及化，无线通信如今已经和每一个人息息相关，应用在诸如智能家居，无人驾驶，智能通信，万物互联等诸多领域，除此之外，军事领域也是无线通信技术重点涉及的领域，比如协同作战、同步作战计划等方面。在此大趋势下，通信安全的重要性跃然纸上，传统的保障通信安全的方式多建立在网络层及传输层以上，以安全协议的形式来实现。但是这种方式极易遭受非法用户攻击。基于此，无线通信领域急需一种新的安全认证技术，以保障用户安全。

1995年，Choe已提出利用通信信号自身特征进行设备识别。2003年，无线电设备射频指纹(Radio Frequency Fingerprint[2],RFF)概念被正式提出，这些特征与人的指纹类似，属于设备的独一无二的特征。不同的设备即使发射相同内容的射频信号，也会因为无线通信设备的硬件差异导致实际发射的信号存在差异，通过分析这些射频信号的差异，可以确定发送信号的设备。该技术建立于物理层，可作为网络层安全防御方法的有力补充。

射频指纹识别技术所设计的分类方法主要包括传统的机器学习以及深度学习。前者基于专家经验提取射频指纹特征，再进入相应的分类器，并将此训练好的分类器用在确认无线通信设备的身份。后者通常直接将IQ原始信号数据作为模型输入，应用深度学习模型训练较大规模的数据量。现有的射频指纹识别技术多以信号样本序列作为研究对象，但信号样本序列仅包含了信号时间维度上的特征信息，部分射频指纹特征在时域中并不明显。另外，随着信号样本序列长度的增加，一方面，需要更大的存储空间来进行信号数据的存储；另一方面，会影响后续算法的处理结构，提升射频指纹特征提取和识别的复杂度。

发明内容

本发明提出了一种基于图像特征的射频指纹识别分析方法，将信号样本序列转换成固定大小的时频图像，以时频图像的角度，扩充了射频指纹特征，提升了设备的识别准确度。图像的边缘、角以及区域性的结构都可以作为特征的表征形式，丰富射频指纹特征，为实现设备识别提供新的方法。

本发明的技术方案为：

一种基于图像特征的射频指纹识别方法，包括以下步骤：

S1、将获取到的无线电设备I/Q信号通过Choi-Williams分布转化为时频图；

S2、对得到的时频图进行形状特征和纹理特征的提取，具体为：

提取形状特征：对时频图进行预处理获得第一特征提取时频图，然后通过计算第一特征提取时频图的Zernike矩，Zernike矩的计算公式为：

式中*表示共轭，n和m都是整数，n大于等于0，且|m|≤n。V_nm(x,y)定义如下所示：

式中r，θ，R_nm(r)的定义如下示：

通过计算低阶矩Z₁₀，Z₃₁和高阶矩Z₄₃，Z₅₃，Z₆₆组成特征向量，作为提取的形状特征，其表达式为：