大规模用户场景下的非约束智能手机步态识别与身份验证

Gait recognition has been a hot research topic in the field of biometrics because of its non-contact and concealment characteristics. Under the condition of non-constraint that does not require user cooperation, smartphone-based gait recognition and person identification can be used for mobile network security management and user privacy protection. This project studies: 1) acurate extraction of valid gait data under non-constrained conditions, 2) large-scale classification of inertial gait and robust gait feature description, and 3) efficient retrieval of gait information under large-scale user scenarios, and robust person identification and authentication. Through the modeling and solving of the technical problem with the core technologies based on deep learning, the essential characteristics of inertial gait will be revealed, and gait recognition and person identification methods with high efficiency and high accuracy will be constructed. This research and the expected achievements will provide technical support for the national mobile network security management and user privacy security protection.

步态识别由于其非接触性、隐蔽性等特点一直是生物特征识别领域的研究热点。在非约束的情况下（不需要用户主动配合），采用手机传感器进行步态识别和用户身份识别，可以用于移动网络安全管理和用户隐私保护。本项目研究：1）非约束条件下有效步态数据的精确提取，2）惯性步态大规模分类和稳健的步态特征描述，3）大规模用户场景下的步态信息快速检索与身份识别。通过以深度学习为核心的技术路线对问题进行建模和求解，揭示惯性步态的本质特征，构建具有高效率、高准确度的步态识别和身份验证方法，为国家移动网络安全管理和用户隐私安全保护提供技术支撑。

本项目研究了非约束条件下的步态识别和身份验证的原理和方法。在不需要用户主动配合的情况下，采用手机传感器进行步态识别和用户身份识别，具体研究内容包括：1）非约束条件下有效步态数据的精确提取，2）惯性步态大规模分类和稳健的步态特征描述，3）大规模用户场景下的步态信息快速检索与身份识别。通过四年的科技攻关，取得了一系列成果：1）构建了一个规模较大的惯性步态数据集，包括118人参与的步态数据采集，6个子数据集用于步态识别和身份验证，2个子数据集用于步态数据分割；2）提出了结合卷积网络和递归网络的步态特征提取模型，在此基础上构建了高精度的步态识别和身份验证方法，精度分别达到93.5%和93.7%；3）提出了基于软相似度的深度哈希检索方法和直推式零样本深度哈希方法，实现了步态数据的快速检索；4）提出了一种多尺度卷积特征融合方法，显著提高了语义分割的精度。通过以上系列研究和成果，实现了对非约束条件下步态识别问题的建模和求解，提取了稳健的惯性步态特征，构建了具有高效率、高准确度的步态识别和身份验证方法。