基于步态行为的身份认证方法、装置、设备及存储介质

技术领域

本公开涉及身份认证技术领域，尤其涉及一种基于步态行为的身份认证。

背景技术

近年来随着移动终端的迅猛发展，隐式身份认证的研究已成为一种趋势。这种隐式身份认证机制静默收集各种可测量的用户行为模式来对用户进行身份认证。现有的隐式身份认证框架通常需要用户与设备进行交互，例如基于点击和基于滑动手势的隐式身份认证。目前仍然存在许多缺陷，例如点击或滑动过程具有随机化的缺点，实际环境下的噪声问题对检测模型带来的影响较大，并且使用原始传感器输出的一维信号数据作为输入，未考虑到原始信号的时间相性，无法使用高维神经网络。因此，现有技术中的隐式身份认证技术存在噪声大、认证不精确等问题。

发明内容

有鉴于此，本公开的目的在于提出一种基于步态行为的身份认证方法、装置、设备及存储装置。

基于上述目的，根据本公开的第一方面，提供了一种基于步态行为的身份认证方法，包括：

获取目标对象的步态惯性数据；

基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列；

将所述步态周期序列转换为可视化的二维图形，包括：对所述步态周期序列进行可视化处理，得到基于递归图、马尔可夫变迁场、或格拉姆角场的二维图形；

基于所述二维图形进行身份认证，得到所述目标对象的身份认证结果。

可选地，所述基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列，包括：

将所述步态惯性数据合成得到步态时间序列；

基于所述步态时间序列进行步态周期划分，得到所述步态周期序列。

可选地，所述步态惯性数据包括至少一个方向上的加速度信号；所述将所述步态惯性数据合成得到步态时间序列，包括：

计算所述至少一个方向上的加速度信号的平方和的方根，得到所述步态时间序列；或，

将所述步态惯性数据经过移除异常数据、插值处理、或噪声过滤中至少一种处理，得到经处理的步态惯性数据；

计算所述经处理的步态惯性数据中的所述至少一个方向上的加速度信号的平方和的方根，得到所述步态时间序列。

可选地，所述基于所述步态时间序列进行步态周期划分，得到所述步态周期序列，包括：

检测所述步态时间序列的步态周期，得到初始步态周期序列；

根据所述初始步态周期序列中的每个步态周期得到所述每个步态周期的平均值；

计算每个步态周期与所述平均值的相似度；

基于所述相似度对所述初始步态周期序列中的所有步态周期进行聚类，得到正常周期类和非正常周期类；

基于所述正常周期类中的步态周期形成所述步态周期序列。

可选地，所述检测所述步态时间序列的步态周期，得到初始步态周期序列，包括：

对所述步态时间序列进行峰值检测，得到峰值检测结果；

基于所述峰值检测结果对所述步态时间序列进行步态周期划分，得到所述初始步态周期序列。

可选地，所述获取目标对象的步态惯性数据包括：从所述目标对象所携带的终端设备获取所述步态惯性数据。

根据本公开的第二方面，提供了一种基于步态行为的身份认证装置，包括：

获取模块，用于获取目标对象的步态惯性数据；

特征模块，用于基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列；

可视化模块，用于将所述步态周期序列转换为可视化的二维图形，包括：对所述步态周期序列进行可视化处理，得到基于递归图、马尔可夫变迁场、或格拉姆角场的二维图形；

认证模块，用于基于所述二维图形进行身份认证，得到所述目标对象的身份认证结果。

根据本公开的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法。

根据本公开的第四方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述方法。

从上面所述可以看出，根据本公开实施例的基于步态行为的身份认证方法、装置、设备及存储介质，通过对目标对象的步态惯性数据进行特征提取得到稳定的步态周期，形成步态周期序列，再将该步态周期序列转换为可视化的二维图形，可以有效利用二维神经网络，提高身份认证的准确性和效率。

附图说明

为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本公开实施例的基于步态行为的身份认证方法的示意性流程图；

图2-图4为根据本公开实施例的基于步态行为的身份认证方法的示例；

图5为根据本公开实施例的身份认证模型的示例；

图6为根据本公开实施例的第一目标对象在不同时段的基于马尔可夫变迁场的二维图形的示例；

图7为根据本公开实施例的第二目标对象在不同时段的基于马尔可夫变迁场的二维图形的示例；

图8为根据本公开实施例的基于步态行为的身份认证装置的示意性框图；

图9为根据本公开实施例的一种更为具体的电子设备硬件结构示意图。

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

近些年来随着机器学习与深度学习技术的不断发展，移动终端隐式身份认证领域取得了许多进展。然而，传统的机器学习算法都需要复杂且耗时的特征提取工程，这不仅需要人工设计提取的特征，还需要特征选择或降维以筛选出具有高度代表性的特征。并且，传统的机器学习算法所使用的滑动窗口算法未考虑信号数据的周期性，识别精度低；深度学习算法虽然避免了特征提取以及选择的步骤，但其基于卷积神经网络的认证方法大多使用一维卷积核，难以充分利用其丰富的高维数据特征，并且大多使用原始的一维信号数据作为输入，未考虑到原始信号的时间相性；基于循环神经网络的识别方法只能按顺序执行，因为训练过程中下一步的计算取决于上一步的结果，并且训练过程耗时很长。同时，传统的隐式身份认证机制中大多未考虑到实际环境下的噪声问题，例如异常信号数据等，这些问题都会影响采集的信号数据的数值以及周期等，导致隐式身份认证难度加大。

基于上述考虑，本公开实施例提供了一种基于步态行为的身份认证方法。参见图1，图1示出了根据本公开实施例的基于步态行为的身份认证方法的示意性流程图。如图1所示，基于步态行为的身份认证方法100，包括：

步骤S110，获取目标对象的步态惯性数据；

步骤S120，基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列；

步骤S130，将所述步态周期序列转换为可视化的二维图形，包括：对所述步态周期序列进行可视化处理，得到基于递归图、马尔可夫变迁场、或格拉姆角场的二维图形；

步骤S140，基于所述二维图形进行身份认证，得到所述目标对象的身份认证结果。

其中，通过对目标对象的步态惯性数据进行特征提取得到稳定的步态周期，形成步态周期序列，再将该步态周期序列转换为可视化的二维图形，该二维图形中既保留了步态周期序列中的信息，又没有一维特征的局限性，在该二维图形的基础上进行身份认证，可以有效利用二维神经网络，提高身份认证的准确性和效率。相比于传统方法的采用一维时间序列作为输入，根据本公开实施例的方法能够有效的用于二维神经网络，更加具有可实施性。

参见图2-图4，图2-图4示出了根据本公开实施例的基于步态行为的身份认证方法的示例。结合图1-图4，对本公开实施例进行详细描述。

根据本公开实施例，参见图2，步骤S110，获取目标对象的步态惯性数据。

在一些实施例中，获取目标对象的步态惯性数据，可以进一步包括：基于图像采集装置或压力采集装置获取所述目标对象的步态惯性数据。

在一些实施例中，获取目标对象的步态惯性数据，还可以进一步包括：从所述目标对象所携带的终端设备获取所述步态惯性数据。

其中，步态惯性数据可以是指能够反映目标对象在步行过程中步态行为的数据，如加速度数据。该步态惯性数据可以通过目标对象所携带的设置有传感器（如加速度传感器）的终端设备（如智能手机、智能穿戴设备、智能平板电脑等等）进行采集。

具体来说，目标对象在步行过程中，所携带的终端设备与目标对象具有类似或相同的步态行为，通过目标对象所携带的终端设备自身的传感器可以检测该终端设备的惯性数据，并作为目标对象的步态惯性数据。相比于通过其他方式，如基于图像采集装置或压力采集装置获取所述目标对象的步态惯性数据，从目标对象所携带的终端设备采集惯性数据，不容易受限于摄像头的拍摄范围、角度有限、以及视频图像采集容易受到光照强度、遮挡物等的影响，也不需要处理大量的视频图像数据量和计算控制；同时，也无需目标对象脚下具有压力传感器。

在一些实施例中，步态惯性数据可以包括至少一个方向上的加速度信号。进一步地，步态惯性数据可以包括直角坐标系中x、y、z轴三个方向上的加速度信号。例如，步态惯性数据可以包括：[（x1，y1，z1），（x2，y2，z2），……，（xi，yi，zi），……，（xn，yn，zn）]，其中，i和n为正整数，xi为x轴方向上的加速度信号，yi为y轴方向上的加速度信号，zi为z轴方向上的加速度信号。

根据本公开实施例，步骤S120，基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列。

在一些实施例中，基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列，可以进一步包括：

步骤S121，将所述步态惯性数据合成得到步态时间序列；

步骤S122，基于所述步态时间序列进行步态周期划分，得到所述步态周期序列。

在一些实施例中，参见图3，步骤S121中，将所述步态惯性数据合成得到步态时间序列，可以进一步包括：

计算所述至少一个方向上的加速度信号的平方和的方根，得到所述步态时间序列。

在一些实施例中，计算所述至少一个方向上的加速度信号的平方和的方根，可以根据如下公式进行计算：

具体来说，步态惯性数据 [（x1，y1，z1），（x2，y2，z2），……，（xi，yi，zi），……，（xn，yn，zn）]，可以合成得到相应的步态时间序列[A1，A2，……，Ai，……，An] 。

在实际应用中，使用目标对象所携带的终端设备中的加速度传感器收集步行过程中的步态惯性数据后，可以对原始的步态惯性数据进行预处理，分别包括异常值去除、线性插值、噪声过滤等处理中的至少一种，然后基于预处理之后的x、y、z三轴信号数据合成合加速度数据作为下一阶段的输入。

在一些实施例中，在步骤S121中，参见图3，所述计算所述至少一个方向上的加速度信号的平方和的方根之前，还可以包括：移除所述步态惯性数据中的异常数据，得到正常范围的步态惯性数据。

其中，目标对象在步行过程中会出现突然跌倒或抬手看手机再放下等区别于正常步行时的异常情况，相对应地体现在其所携带的终端设备中加速度传感器收集的原始步态惯性数据上就会出现数值的异常变化，例如迅速增大或者减小，可以移除加速度传感器三轴的异常峰值，保留处于正常范围的步态惯性数据，为后续合成数据提供良好的数据基础，有利于提高目标对象的身份认证的准确度。

在一些实施例中，参见图3，在所述移除所述步态惯性数据中的异常数据这一步骤之后，还可以包括：对所述步态惯性数据进行插值处理，得到经插值的步态惯性数据。

其中，在收集原始的步态惯性数据的过程中，由于终端设备的加速度传感器存在的固有硬件问题，导致来自传感器的数据可能没有等距的时间间隔。例如，以50Hz的频率收集步行期间的加速度值，由于硬件的原因传感器可能在一秒钟内无法生成50个采样数据点，为了校正这种不一致性导致的误差，可以对加速度传感器应用线性插值法来近似估计时间序列及其对应的传感器值之间的相关性。

在一些实施例中，所述插值处理可以包括线性插值处理。

在一些实施例中，线性插值处理具体可以根据如下公式计算：

在一些实施例中，参见图3，在所述对所述正常范围的步态惯性数据进行插值处理之后，还可以包括：对所述步态惯性数据进行噪声过滤，得到经过滤的步态惯性数据。进一步地，可以采用低通滤波器执行所述噪声过滤。更进一步地，低通滤波器可以包括巴特沃斯低通滤波器。

其中，参见图4，在实际收集原始的步态惯性数据过程中会产生噪声，例如路面不平坦或传感器本身抖动存在的噪声等，相对应体现在终端设备的加速度传感器收集的原始步态惯性信号数据上就会出现数值的高频变化，因此为了消除高频噪声，可以采用低通滤波器进行低通过滤，进一步提高数据的准确性。

应了解，步骤S121中基于步态惯性数据合成得到步态时间序列中，在满足精度要求的前提下，步态惯性数据可以不经过移除异常数据、插值处理、和噪声过滤，直接合成得到步态时间序列；也可以经过移除异常数据、插值处理、或噪声过滤中至少一种处理后，基于处理后的步态惯性数据合成得到步态时间序列，在此不做限制。

在一些实施例中，所述将所述步态惯性数据合成得到步态时间序列，还可以包括：

将所述步态惯性数据经过移除异常数据、插值处理、或噪声过滤中至少一种处理，得到经处理的步态惯性数据；

计算所述经处理的步态惯性数据中的所述至少一个方向上的加速度信号的平方和的方根，得到所述步态时间序列。

可见，通过对目标对象所携带的终端设备中加速度传感器收集的原始加速度数据进行移除异常数据、插值处理、噪声处理等预处理操作，解决了传统方法中实际环境的噪声对数据精度的影响，保证了后续步态周期划分的数据基础的准确性，有利于提高身份认证的精度。

在一些实施例中，参见图4，对步骤S121进行具体说明，步态惯性数据中[（x1，y1，z1），（x2，y2，z2），……，（xi-1，yi-1，zi-1），（xi+1，yi+1，zi+1），……，（xn，yn，zn）]，其中，（x2，y2，z2）为异常数据，（xi，yi，zi）为采集到的点即需要进行插值的点；具体地，将所述步态惯性数据合成得到步态时间序列，可以进一步包括：

移除所述步态惯性数据中的异常数据（x2，y2，z2），得到正常范围的步态惯性数据[（x1，y1，z1），（x3，y3，z3），……，（xi-1，yi-1，zi-1），（xi+1，yi+1，zi+1），……，（xn，yn，zn）]；

对所述正常范围的步态惯性数据进行进行插值处理，得到经插值的步态惯性数据B=[ B

对所述经插值的步态惯性数据进行噪声过滤，得到经过滤的步态惯性数据[（x1，y1，z1），（x2′，y2′，z2′），（x3，y3，z3），……，（xi′，yi′，zi′），……，（xn-1，yn-1，zn-1）]；

计算所述经过滤的步态惯性数据中至少一个方向上的加速度信号的平方和的方根，得到所述步态时间序列[A1，A2，A3，……，Ai，……，An-1]。

在一些实施例中，参见图3，步骤S122，基于所述步态时间序列进行步态周期划分，得到所述步态周期序列，可以包括：

检测所述步态时间序列的步态周期，得到初始步态周期序列；

基于所述初始步态周期序列中的每个步态周期与所述每个步态周期的平均值的相似度对所述步态周期进行聚类，得到所述步态周期序列。

在一些实施例中，检测所述步态时间序列的步态周期，得到初始步态周期序列，可以包括：

对所述步态时间序列进行峰值检测，得到峰值检测结果；

基于所述峰值检测结果对所述步态时间序列进行步态周期划分，得到所述初始步态周期序列。

在一些实施例中，对所述步态时间序列进行峰值检测，得到峰值检测结果，可以进一步包括：

基于所述步态时间序列中的预设范围进行最小值点检测，并不断以上一次检测到的最小值点作为起点开始当次检测，得到所有的最小值点为所述峰值检测结果。

具体地，采用峰值检测法检测步行周期时，由于人体步行正常周期时间为0.8s～1.2s，因此可以设置搜索范围为起点范围开始0.8s～1.2s内的最小值点，并不断更新起点为检测到的最小值点。与此同时，还可以基于随机梯度下降法解决短时间内出现多峰值抖动的情况，以避免陷入局部极小值点。

在一些实施例中，参见图4，基于所述峰值检测结果对所述步态时间序列进行步态周期划分，得到所述初始步态周期序列，可以进一步包括：基于所述最小值点划分所述步态时间序列，得到初始所述步态周期序列。

其中，在上述实施例中，最小值点可以将步态时间序列[A1，A2，A3，……，Ai，……，An-1]划分得到多个子序列[T1，T2，……，Tp，……，Tq]=[（A1，A2，A3），（A3，A4，A5），……，（Am-1，Am），……，（An-3，An-2，An-1）]，Tp=（Am-1，Am），Tq=（An-3，An-2，An-1），m，p，q均为正整数，每个子序列即为步态周期，得到的该多个子序列则为初始步态周期序列。

应了解，可以将最小值点作为初始步态周期的起点，也可以作为步态周期的终点，在此不做限制。

在一些实施例中，参见图3，在得到所述初始步态周期序列之后，还可以包括：对所述初始步态周期序列进行插值处理，得到经插值的初始步态周期序列。

其中，对于划分后初始步态周期序列中长度不等的步态周期可以再次进行插值处理以便提高后续计算的准确度。进一步地，参见图4，该插值处理可以包括线性插值。例如，在上述实施例中，对于初始步态周期序列[T1，T2，……，Tp，……，Tq]=[（A1，A2，A3），（A3，A4，A5），……，（Am-1，Am），……，（An-3，An-2，An-1）]中长度不等的步态周期Tp=（Am-1，Am）进行线性插值，得到经插值的初始步态周期序列[T1，T2，……，Tp′，……，Tq]。应了解，对步态周期Tp=（Am-1，Am）进行线性插值可以是在Am-1之前、Am-1与Am之间或Am之后，在此不做限制，具体的线性插值过程与前述S121中的插值处理相同，在此不再赘述。

在一些实施例中，参见图3和图4，基于所述初始步态周期序列中的每个步态周期与所述每个步态周期的平均值的相似度对所述步态周期进行聚类，得到所述步态周期序列，可以包括：

根据所述初始步态周期序列中的每个步态周期得到所述每个步态周期的平均值；

计算每个步态周期与所述平均值的相似度；

基于所述相似度对所述初始步态周期序列中的所有步态周期进行聚类，得到正常周期类和非正常周期类；

基于所述正常周期类中的步态周期形成所述步态周期序列。

其中，划分后的初始步态周期序列中不仅包含了稳定的步态周期，同时也包含了异常的步态周期例如步行过程中突然静止等，异常步态周期会影响后续的身份认证的准确性，所以需要对异常的步态周期进行过滤。具体来说，可以基于初始步态周期序列中的每个步态周期生成平均值即为平均周期，然后比对平均值以及每个步态周期以计算皮尔逊相关系数，皮尔逊相关系数值表示平均周期和每个步态周期之间的相似度，其范围为-1和1之间的标量值。在此基础上，基于机器学习中的k-means聚类算法对初始步态周期序列中的所有步态周期进行聚类，进行异常周期检测以过滤掉可能降低最终身份认证性能的异常周期。其中，对步态周期进行聚类仅需要得到正常周期类和非正常周期类两类，所以，k-means聚类算法中可以将k值设置为2。

可见，在步骤S120中，本公开考虑了实际应用环境下目标对象所携带的终端设备的加速度传感器进行步态惯性数据采集时，可能出现的噪声问题，并通过对原始的步态惯性数据进行移除异常数据、线性插值、噪声过滤等预处理后，使用峰值检测法检测步态周期并计算平均周期，利用平均周期与步态周期间的皮尔逊相关系数进行聚类，从而实现对步态周期的提取与过滤，提高了步态数据序列的精度，从而改善了后续身份认证的准确性。

应了解，基于初始步态周期序列对步态时间序列进行步态周期划分，得到步态周期序列的过程中，在满足精度要求的前提下，初始步态周期序列可以不经过插值处理直接进行聚类；也可以经过插值处理处理后，基于处理后的初始步态周期序列进行聚类，在此不做限制。

根据本公开实施例，步骤S130，将所述步态周期序列转换为可视化的二维图形。

在一些实施例中，参见图3和图4，将所述步态周期序列转换为可视化的二维图形，可以包括：对所述步态周期序列进行可视化处理，得到基于递归图（Recurrence Plot，RP）、马尔可夫变迁场（Markov Transition Field，MTF）、或格拉姆角场（Gramian AngularField ，GAF）的二维图形。

可见，通过将步态周期提取与过滤后得到稳定的步态周期序列使用马尔可夫变迁场算法转换为二维图形，该转换对于从时间序列到二维图像的映射具有明确的物理含义，因此可以更有效地应用于二维卷积神经网络，从而提高对目标对象的身份认证的准确性。

在一些实施例中，将所述步态周期序列进行可视化处理，得到基于马尔可夫变迁场的二维图形，具体包括：

首先，对于步态周期序列X={x

其次，基于前述得到的Q×Q的马尔可夫变迁矩阵W2构建马尔可夫变迁场M，M中的M

最后，为了使图像尺寸易于管理和更高效地计算，通过将每个不重叠的m×m色块中的像素与模糊核

根据本公开实施例，参见图3和图4，步骤S140，基于所述二维图形进行身份认证，得到所述目标对象的身份认证结果，可以包括：

将所述二维图形输入训练好的身份认证模型，得到所述目标对象的身份认证结果。

其中，参见图5，图5示出了根据本公开实施例的身份认证模型的示例。如图5所示，训练好的身份认证模型可以对所述二维图形进行二维图形特征提取，经过卷积层和池化层后，连接至全连接层进行分类，得到所述目标对象的身份认证结果。参见图6和图7，图6 示出了根据本公开实施例的第一目标对象在不同时段的基于马尔可夫变迁场的二维图形的示例，图7示出了根据本公开实施例的第二目标对象在不同时段的基于马尔可夫变迁场的二维图形的示例。图6中（a）和（b）的二维图形相同，同为第一目标对象，图7中（a）和（b）的二维图形相同，同为第二目标对象，而图6中（a）和（b）均与图7中（a）和（b）的二维图形不同，表示不同的目标对象。可见，基于不同的二维图形可以区分不同的目标对象。

在一些实施例中，身份认证结果可以包括：所述目标对象为授权用户，身份认证通过；或所述目标对象为非授权用户，身份认证不通过。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种基于步态行为的身份认证装置。

参见图8，图8示出了根据本公开实施例的基于步态行为的身份认证装置的示意性框图。如图8所示，基于步态行为的身份认证装置，包括：

获取模块，用于获取目标对象的步态惯性数据；

特征模块，用于基于所述步态惯性数据进行步态周期特征提取，得到步态周期序列；

可视化模块，用于将所述步态周期序列转换为可视化的二维图形，包括：对所述步态周期序列进行可视化处理，得到基于递归图、马尔可夫变迁场、或格拉姆角场的二维图形；

认证模块，用于基于所述二维图形进行身份认证，得到所述目标对象的身份认证结果。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的基于步态行为的身份认证方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于步态行为的身份认证方法。

图9示出了根据本公开实施例的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。

总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的基于步态行为的身份认证方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于步态行为的身份认证方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于步态行为的身份认证方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

综上所述，根据本公开实施例的基于步态行为的身份认证方法、装置、电子设备及存储介质，通过对目标对象的步态惯性数据进行特征提取得到稳定的步态周期，形成步态周期序列，再将该步态周期序列转换为可视化的二维图形，可以有效利用二维神经网络，提高身份认证的准确性和效率。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。