本發(fā)明涉及設(shè)備安全認(rèn)證領(lǐng)域，特別涉及一種手腕穿戴電子設(shè)備使用者的安全身份認(rèn)證方法。

背景技術(shù)：

隨著社會(huì)信息化和智能化大潮的推進(jìn)，越來(lái)越多的個(gè)人信息(如短信、電子郵件、圖片等)和敏感信息(如銀行賬號(hào)、辦公資料等)被存儲(chǔ)于電子設(shè)備之中。此外，個(gè)人隱私信息泄露事件的頻頻發(fā)生，使得電子設(shè)備的安全防護(hù)問(wèn)題逐漸進(jìn)入大眾的視野。同時(shí)，隨著電子穿戴設(shè)備(智能手環(huán)、智能手表等)的普及，我們可以通過(guò)其進(jìn)行更為方便的身份認(rèn)證過(guò)程。

現(xiàn)有的電子設(shè)備的身份認(rèn)證方式主要包括記憶密碼(比如數(shù)字密碼)、生物靜態(tài)特征(比如指紋和虹膜)、生物行為特征三種。然而，第一種方式容易受到觀察攻擊和猜測(cè)攻擊，從而被攻擊者盜取解鎖方式；指紋、虹膜等認(rèn)證方式需要特殊的硬件支持；并且第二種方式也不是完全安全，有報(bào)道稱從一個(gè)人揮手的照片上就可以在電腦上復(fù)原出該人的指紋?，F(xiàn)有可穿戴設(shè)備的使用越來(lái)越廣泛，實(shí)有必要研究一種基于可穿戴設(shè)備的生物行為特征認(rèn)證方法，以實(shí)現(xiàn)更加快捷方便的認(rèn)證。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于手腕穿戴電子設(shè)備的書(shū)寫(xiě)行為特征認(rèn)證方法，以解決上述技術(shù)問(wèn)題。

為達(dá)到以上目的，本發(fā)明是采取如下技術(shù)方案實(shí)現(xiàn)的：

基于手腕穿戴電子設(shè)備的書(shū)寫(xiě)行為特征認(rèn)證方法，包括以下步驟：

s1、用戶身份模型構(gòu)建：

s1.1、用戶戴上手腕電子設(shè)備采集并記錄用戶多次書(shū)寫(xiě)同一個(gè)單詞、漢字、簽名或者圖案得到的傳感器數(shù)據(jù)，形成用戶特定書(shū)寫(xiě)習(xí)慣的訓(xùn)練數(shù)據(jù)集；傳感器數(shù)據(jù)分別為x、y、z軸加速度和x、y、z軸角速度；

s1.2、對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行濾波處理；

s1.3、針對(duì)濾波處理之后的數(shù)據(jù)集，提取特征向量以及選出顯著特征，獲得合法用戶的訓(xùn)練特征集合；

s1.4、將合法用戶的訓(xùn)練特征集合標(biāo)記為正類，采用單類分類器對(duì)書(shū)寫(xiě)行為構(gòu)建合法用戶的身份模型，并得到合法用戶在書(shū)寫(xiě)時(shí)的身份判定閾值；

s1.5、計(jì)算訓(xùn)練數(shù)據(jù)之間的dtw距離并取其中的下四分位數(shù)作為理想距離；

s2、用戶身份認(rèn)證：

s2.1、在用戶想要通過(guò)認(rèn)證時(shí)，讓用戶戴上電子設(shè)備并書(shū)寫(xiě)之前記錄的那個(gè)特定的單詞、漢字、簽名或者圖案，得到傳感器數(shù)據(jù)，作為測(cè)試數(shù)據(jù)；

s2.2、對(duì)測(cè)試數(shù)據(jù)進(jìn)行濾波；

s2.3、用戶身份合法性認(rèn)證；

s2.4、計(jì)算測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的dtw距離，從低到高排列，按照泊松分布前n位加權(quán)得到權(quán)重，并計(jì)算得到最終距離；將最終距離與理想距離的比值作為最終得分，將得分與設(shè)定的閾值相比較，判斷合法性；

s2.5、如果按照s2.3和s2.4的判定均合法，則通過(guò)認(rèn)證；否則拒絕認(rèn)證。

進(jìn)一步的，步驟s1.1和步驟s2.1中傳感器數(shù)據(jù)的基本格式為：{時(shí)間,x、y、z軸加速度，x、y、z軸角速度}，中坐標(biāo)軸是相對(duì)于穿戴設(shè)備的坐標(biāo)軸。

進(jìn)一步的，步驟s1.2和步驟s2.2中濾波具體為采用savitzky-golay濾波。

進(jìn)一步的，步驟s1.3具體包括：

s1.3.1、針對(duì)一次書(shū)寫(xiě)，提取書(shū)寫(xiě)行為特征向量，具體為書(shū)寫(xiě)時(shí)加速度儀和陀螺儀得到的手腕移動(dòng)數(shù)據(jù)所衍生出的一系列行為測(cè)量量，包括整體性特征和過(guò)程性特征兩類；

其中，過(guò)程性特征是對(duì)一次書(shū)寫(xiě)行為的細(xì)粒度描述，包括x、y、z軸加速度，x、y、z軸角速度六個(gè)方向的平均值、最小值、最大值、極差、方差、峰度值、偏度值、頻域能量和頻域熵；整體性特征是對(duì)一次書(shū)寫(xiě)行為的整體描述，包括以下兩項(xiàng)：

a、對(duì)于六個(gè)方向中的每一個(gè)方向，隨機(jī)取兩個(gè)時(shí)間點(diǎn)a和b，使得a在b之前，計(jì)算時(shí)間b對(duì)應(yīng)的值與時(shí)間a對(duì)應(yīng)值的差；將該過(guò)程重復(fù)多次，對(duì)于每一個(gè)方向得到一個(gè)分布列，將此分布列中每一個(gè)值都除以該放向的極差，即得到區(qū)間標(biāo)準(zhǔn)化的一個(gè)分布列；將得到的六個(gè)分布列作為書(shū)寫(xiě)行為的一個(gè)特征；

b、對(duì)于六個(gè)方向經(jīng)過(guò)濾波后的數(shù)據(jù)，定義峰值點(diǎn)：這個(gè)點(diǎn)的值比該點(diǎn)采樣時(shí)間左邊和右邊的三個(gè)相鄰采樣點(diǎn)的值都大或者都小；找到其中所有的峰值位置，按照峰值的取值范圍區(qū)分為四個(gè)區(qū)間：最小值至最小值一半，最小值一半至零，零至最大值一半，最大值一半至最大值；最終能得到一個(gè)分布列作為書(shū)寫(xiě)行為的一個(gè)特征；

s1.3.2、對(duì)于六個(gè)方向的過(guò)程性特征，一起使用lasso或者ridge算法提取區(qū)分度顯著的特征，并刪除其余的過(guò)程性特征；這些區(qū)分度顯著的特征與整體性特征一起構(gòu)成了特征向量。

進(jìn)一步的，單類分類器為單分類支持向量機(jī)、單分類神經(jīng)網(wǎng)絡(luò)或單分類最近鄰分類器。

進(jìn)一步的，選取泊松分布、指數(shù)分布或其它離散分布函數(shù)來(lái)加權(quán)。

基于手腕穿戴電子設(shè)備的書(shū)寫(xiě)行為特征認(rèn)證方法，包括兩大步驟：

第一步，用戶身份模型構(gòu)建：

(1)在用戶剛開(kāi)始使用該系統(tǒng)時(shí)，讓用戶戴上手腕電子設(shè)備采集并記錄用戶多次書(shū)寫(xiě)同一個(gè)單詞、漢字、簽名或者圖案得到的傳感器數(shù)據(jù)，形成用戶特定書(shū)寫(xiě)習(xí)慣的訓(xùn)練數(shù)據(jù)集。傳感器數(shù)據(jù)分別為x、y、z軸加速度和x、y、z軸角速度。所得數(shù)據(jù)需經(jīng)去噪處理；

(2)針對(duì)訓(xùn)練數(shù)據(jù)中的每次書(shū)寫(xiě)操作，提取其中的特征向量。稱x軸加速度為第一方向，y軸加速度為第二方向，z軸加速度為第三方向，x、y、z軸角速度分別為第四、五、六方向。對(duì)每個(gè)方向提取特征，形成書(shū)寫(xiě)行為訓(xùn)練特征集合；

(3)從得到的特征向量中提取最顯著的特征，將合法用戶的訓(xùn)練特征集合標(biāo)記為正類，采用單類分類器對(duì)書(shū)寫(xiě)行為構(gòu)建合法用戶的身份模型，并得到書(shū)寫(xiě)行為對(duì)應(yīng)的合法用戶的身份判定閾值。

(4)定義dtw距離，計(jì)算樣本之間的dtw距離并取其中的下四分位數(shù)作為理想距離(總共有六個(gè)方向)。

第二步，身份認(rèn)證：

(1)在用戶想要通過(guò)認(rèn)證系統(tǒng)時(shí)，讓用戶戴上電子設(shè)備并書(shū)寫(xiě)他之前記錄的那個(gè)特定的單詞、漢字、簽名或者圖案，得到傳感器數(shù)據(jù)，所得數(shù)據(jù)需經(jīng)去噪處理；

(2)提取書(shū)寫(xiě)輸入的特征向量，通過(guò)單分類器判定用戶身份是否合法；

(3)對(duì)于輸入數(shù)據(jù)，計(jì)算輸入數(shù)據(jù)與每個(gè)訓(xùn)練數(shù)據(jù)的dtw距離，并賦予根據(jù)距離的大小賦予不同的權(quán)值得到輸入數(shù)據(jù)與訓(xùn)練數(shù)據(jù)組的距離；計(jì)算該距離與理想距離的比值得到最終得分，判定用戶身份是否合法。

(4)對(duì)于以上兩個(gè)結(jié)果，若均通過(guò)，則判定用戶身份合法；若僅有一個(gè)通過(guò)，則要求用戶再次書(shū)寫(xiě)；若均不通過(guò)，則判定用戶非法，并在多次判定非法之后鎖定系統(tǒng)。

所述第一步(1)，第二步(1)中的用戶書(shū)寫(xiě)數(shù)據(jù)為手腕移動(dòng)事件所組成的序列，基本格式為：{時(shí)間,x、y、z軸加速度，x、y、z軸角速度}。其中坐標(biāo)軸是相對(duì)于穿戴設(shè)備的坐標(biāo)軸。

所述第一步(1)，第二步(1)中的去噪處理，使用的是savitzky-golay濾波，旨在平滑曲線的同時(shí)保留曲線的基本特征。

所述第一步(2)，第二步(2)中的書(shū)寫(xiě)特征向量是指由書(shū)寫(xiě)時(shí)手腕的移動(dòng)，加速度儀和陀螺儀得到的數(shù)據(jù)所衍生出的一系列行為測(cè)量量，包括整體性特征和過(guò)程性特征，具體如下：

首先說(shuō)明，以下“六個(gè)方向”意為分別對(duì)x軸加速度、y軸加速度、z軸加速度、x軸角速度、y軸角速度、z軸角速度數(shù)據(jù)做六次，得到六個(gè)向量。

整體性特征包括：

對(duì)于六個(gè)方向，隨機(jī)取兩個(gè)時(shí)間點(diǎn)a和b，使得a在b之前，計(jì)算時(shí)間b對(duì)應(yīng)的值與時(shí)間a對(duì)應(yīng)值的差。將該過(guò)程重復(fù)多次(比如一千次)，得到一個(gè)分布列，將此分布列中每一個(gè)值都除以極差，即得到區(qū)間標(biāo)準(zhǔn)化的一個(gè)分布列(在-1到1之間)。將此分布列作為書(shū)寫(xiě)行為的一個(gè)特征。

對(duì)于六個(gè)方向，定義一個(gè)點(diǎn)為峰值，如果這個(gè)點(diǎn)的值比時(shí)間點(diǎn)左邊和右邊的三個(gè)值都大或者都小。找到其中所有的峰值位置，按照峰值的位置區(qū)分為四個(gè)區(qū)間：最小值至最小值一半，最小值一半至零，零至最大值一半，最大值一半至最大值。最終也能得到一個(gè)分布列，分布列的橫坐標(biāo)為其時(shí)間點(diǎn)占本次書(shū)寫(xiě)總時(shí)間的百分比，縱坐標(biāo)為四種不同峰值的數(shù)量。

過(guò)程性特征包括：

六個(gè)方向的平均值、最小值、最大值、極差、方差、峰度值、偏度值、頻域能量和頻域熵。

所述第一步(3)中有效特征的提取，使用的是lasso算法和ridge算法，提取其中區(qū)分度顯著的向量。

所述第一步(3)中的單類分類器包括單分類支持向量機(jī)、單分類神經(jīng)網(wǎng)絡(luò)、單分類最近鄰分類器。

所述中dtw(dynamictimewarping)距離的計(jì)算，定義如下：由于兩次書(shū)寫(xiě)之間可能存在著時(shí)間錯(cuò)位的問(wèn)題，傳統(tǒng)的歐氏距離在此處已經(jīng)不再有效。我們采用動(dòng)態(tài)規(guī)劃的方法計(jì)算兩個(gè)不等長(zhǎng)時(shí)間序列之間的距離，可以將矯正時(shí)間上的錯(cuò)位。

加權(quán)處理，應(yīng)當(dāng)距離越近的權(quán)重越高。所以選取泊松分布、指數(shù)分布等離散分布函數(shù)來(lái)加權(quán)(只提取過(guò)程性特征)。

相對(duì)于現(xiàn)有技術(shù)，本發(fā)明具有以下有益效果：首先由于穿戴設(shè)備總是在用戶的手腕上，用戶需要解鎖時(shí)只需提筆書(shū)寫(xiě)，不需要其他的操作；其次，用戶的身份認(rèn)證是基于用戶書(shū)寫(xiě)時(shí)的生物特征，很難進(jìn)行模仿和偽造；另外，在特定的場(chǎng)合，該認(rèn)證方法是較為方便的，比如在辦公室或者課堂上；本發(fā)明方法還可用于類似于保險(xiǎn)箱等需要嚴(yán)格加密保護(hù)的實(shí)體上，作為密碼的一環(huán)而使用。此外，本發(fā)明把六個(gè)方向的傳感器數(shù)值全部納入考慮(x軸、y軸、z軸的加速度和角速度)，并且采用了單分類器和動(dòng)態(tài)距離規(guī)劃兩種方法，使得本發(fā)明的模型更具有魯棒性和容錯(cuò)性。

附圖說(shuō)明

下面結(jié)合附圖及具體實(shí)施方式對(duì)本發(fā)明做進(jìn)一步的詳細(xì)描述。

圖1是本發(fā)明方法的總體流程示意圖。

圖2是圖1書(shū)寫(xiě)特征向量生成的具體流程示意圖。

圖3是采用本發(fā)明進(jìn)行用戶身份認(rèn)證的實(shí)驗(yàn)結(jié)果圖。

具體實(shí)施方式

參見(jiàn)圖1，本發(fā)明一種基于手腕穿戴電子設(shè)備的書(shū)寫(xiě)行為特征認(rèn)證方法，可用于解鎖電子設(shè)備，實(shí)現(xiàn)對(duì)電子設(shè)備或者實(shí)體(比如保險(xiǎn)箱)的安全防護(hù)。本發(fā)明包含用戶身份模型構(gòu)建和用戶身份認(rèn)證兩個(gè)部分，具體的實(shí)施步驟如下：

s1、用戶身份模型構(gòu)建部分包括下述步驟：

s1.1、在用戶剛開(kāi)始訓(xùn)練該系統(tǒng)時(shí)，讓該用戶一直以同種習(xí)慣寫(xiě)同一個(gè)單詞、漢子、簽名或者圖案，使用加速度儀和陀螺儀采集并記錄用戶的書(shū)寫(xiě)數(shù)據(jù)，形成身份模型構(gòu)建所需的書(shū)寫(xiě)行為訓(xùn)練數(shù)據(jù)集；書(shū)寫(xiě)數(shù)據(jù)的格式為：{時(shí)間,x軸加速度,y軸加速度，z軸加速度，x軸角速度，y軸角速度，z軸角速度}(以下將x、y、z軸的加速度和角速度簡(jiǎn)稱為六個(gè)方向)；

s1.2、針對(duì)訓(xùn)練數(shù)據(jù)集，對(duì)六個(gè)方向均進(jìn)行savitzky-golay濾波，在平滑曲線的同時(shí)保留曲線的基本特征；

s1.3、針對(duì)濾波處理之后的數(shù)據(jù)集，提取書(shū)寫(xiě)行為特征向量以及選出顯著特征(參見(jiàn)圖2)。具體為：

s1.3.1、針對(duì)某一次書(shū)寫(xiě)，提取書(shū)寫(xiě)行為特征向量，具體為書(shū)寫(xiě)時(shí)加速度儀和陀螺儀得到的手腕移動(dòng)數(shù)據(jù)所衍生出的一系列行為測(cè)量量，包括整體性特征和過(guò)程性特征兩類。其中，過(guò)程性特征是對(duì)一次書(shū)寫(xiě)行為的細(xì)粒度描述，包括六個(gè)方向的平均值、最小值、最大值、極差、方差、峰度值、偏度值、頻域能量和頻域熵；整體性特征是對(duì)一次書(shū)寫(xiě)行為的整體描述，包括以下兩項(xiàng)：

1、對(duì)于六個(gè)方向中的每一個(gè)放向，隨機(jī)取兩個(gè)時(shí)間點(diǎn)a和b，使得a在b之前，計(jì)算時(shí)間b對(duì)應(yīng)的值與時(shí)間a對(duì)應(yīng)值的差。將該過(guò)程重復(fù)多次(比如一千次)，對(duì)于每一個(gè)放向得到一個(gè)分布列，將此分布列中每一個(gè)值都除以該放向的極差，即得到區(qū)間標(biāo)準(zhǔn)化的一個(gè)分布列(在-1到1之間)。將得到的六個(gè)分布列作為書(shū)寫(xiě)行為的一個(gè)特征。

2、對(duì)于六個(gè)方向經(jīng)過(guò)步驟s1.2濾波后的數(shù)據(jù)，定義峰值點(diǎn)：這個(gè)點(diǎn)的值比該點(diǎn)采樣時(shí)間左邊和右邊的三個(gè)相鄰采樣點(diǎn)的值都大或者都小。找到其中所有的峰值位置，按照峰值點(diǎn)的取值范圍將其區(qū)分為四類：峰值點(diǎn)處于輸入數(shù)據(jù)最小值至最小值的一半，最小值一半至零，零至最大值一半，最大值一半至最大值。最終也能得到一個(gè)分布列，分布列的橫坐標(biāo)為其時(shí)間點(diǎn)占本次書(shū)寫(xiě)總時(shí)間的百分比，縱坐標(biāo)為四種不同峰值的數(shù)量。

s1.3.2、對(duì)于六個(gè)方向的過(guò)程性特征，一起使用lasso或者ridge算法提取區(qū)分度顯著的特征，并刪除其余的過(guò)程性特征。這些區(qū)分度顯著的特征與整體性特征一起構(gòu)成了特征向量；其中區(qū)分度顯著特征定義為特征區(qū)分度由大到小排列前30％的特征所組成的集合。

s1.4、將合法用戶的訓(xùn)練特征集合標(biāo)記為正類，采用單類分類器對(duì)書(shū)寫(xiě)行為構(gòu)建合法用戶的身份模型，并得到合法用戶在書(shū)寫(xiě)時(shí)的身份判定閾值。

s1.5、計(jì)算訓(xùn)練數(shù)據(jù)之間的dtw距離并取其中的下四分位數(shù)作為理想距離。

s2、用戶身份認(rèn)證部分，包括下述步驟：

s2.1、在用戶想要通過(guò)認(rèn)證系統(tǒng)時(shí)，讓用戶戴上電子設(shè)備并書(shū)寫(xiě)他之前記錄的那個(gè)特定的單詞、漢字、簽名或者圖案，得到傳感器數(shù)據(jù)；

s2.2、針對(duì)傳感器數(shù)據(jù)，對(duì)六個(gè)方向均進(jìn)行savitzky-golay濾波獲得輸入數(shù)據(jù)，在平滑曲線的同時(shí)保留曲線的基本特征；

s2.3、按照s1中相同方法，提取輸入數(shù)據(jù)的特征向量(按照s1中已經(jīng)選好的區(qū)分度顯著的特征)，再通過(guò)單分類器判定用戶身份是否合法；

s2.4、對(duì)于輸入數(shù)據(jù)，計(jì)算輸入數(shù)據(jù)與每個(gè)訓(xùn)練數(shù)據(jù)之間的dtw距離，并根據(jù)距離的大小賦予不同的權(quán)值得到輸入數(shù)據(jù)與訓(xùn)練數(shù)據(jù)組的距離。該權(quán)值使用泊松分布或者指數(shù)分布的前n位的比值進(jìn)行分配，n為訓(xùn)練總樣本數(shù)。計(jì)算該距離與理想距離的比值得到最終得分，將該得分與用戶預(yù)先設(shè)定的閾值相比較，判定用戶身份是否合法。

s2.5、如果按照s2.3和s2.4的判定均合法，則通過(guò)認(rèn)證；否則拒絕認(rèn)證。

本發(fā)明以書(shū)寫(xiě)輸入解鎖為例進(jìn)行了實(shí)驗(yàn)驗(yàn)證，具體步驟如下：

s1、用戶身份模型構(gòu)建：

s1.1、訓(xùn)練數(shù)據(jù)的生成。實(shí)驗(yàn)要求10名用戶戴上智能手環(huán)，書(shū)寫(xiě)解鎖用的特定的單詞、漢字、簽名或者圖案，每名用戶對(duì)相同的內(nèi)容寫(xiě)10遍。傳感器采集到的數(shù)據(jù)為x軸加速度、y軸加速度、z軸加速度、x軸角速度、y角加速度、z角加速度關(guān)于時(shí)間的序列。

s1.2、對(duì)于每個(gè)序列，均進(jìn)行savitzky-golay濾波處理。

s1.3、生成特征向量：針對(duì)每個(gè)用戶，對(duì)得到的濾波數(shù)據(jù)按照前述方法提取書(shū)寫(xiě)特征向量；然后進(jìn)行顯著特征向量的篩選。對(duì)于得到的10個(gè)用戶共100組訓(xùn)練數(shù)據(jù)，對(duì)過(guò)程性特征進(jìn)行l(wèi)asso或ridge特征篩選，保留其中區(qū)分度顯著的過(guò)程性特征并剔除其余的過(guò)程性特征。

s1.4、用戶身份模型構(gòu)建。針對(duì)每個(gè)用戶，將該用戶的訓(xùn)練特征數(shù)據(jù)標(biāo)記為正類，采用單分類支持向量機(jī)對(duì)書(shū)寫(xiě)行為構(gòu)建合法用戶的身份模型，并利用訓(xùn)練特征數(shù)據(jù)對(duì)模型進(jìn)行學(xué)習(xí)。

s1.5、用戶訓(xùn)練數(shù)據(jù)的理想距離計(jì)算。針對(duì)每個(gè)用戶，計(jì)算兩兩訓(xùn)練數(shù)據(jù)之間六個(gè)序列中每個(gè)序列的dtw距離，并取其下四分位數(shù)作為理想距離。

s2、用戶身份認(rèn)證：

s2.1、測(cè)試數(shù)據(jù)的生成。針對(duì)每個(gè)用戶，要求其寫(xiě)三遍特定的單詞、漢字、簽名或者圖案，作為測(cè)試數(shù)據(jù)；

s2.2、對(duì)測(cè)試數(shù)據(jù)進(jìn)行savitzky-golay濾波。

s2.3、用戶身份合法性認(rèn)證。選擇某一用戶的測(cè)試數(shù)據(jù)，選擇某一用戶的身份模型，按照篩選過(guò)的特征提取相應(yīng)所需的特征，形成輸入的特征向量，放入單分類支持向量機(jī)中進(jìn)行比對(duì)并判斷用戶身份是否合法。

s2.4、再計(jì)算該測(cè)試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的dtw距離，從低到高排列，按照泊松分布前n位加權(quán)得到權(quán)重，并計(jì)算得到最終距離。將最終距離與理想距離的比值作為最終得分，將得分與設(shè)定的閾值相比較，判斷合法性。

s2.5、如果兩者均通過(guò)，則判斷用戶合法，否則判斷用戶非法。

選擇剩余用戶依次作為合法用戶，重復(fù)上述s2的過(guò)程，得到所有的用戶認(rèn)證結(jié)果。

針對(duì)所有用戶，測(cè)試本發(fā)明方法在用戶寫(xiě)單詞、漢字、簽名或者圖案時(shí)的準(zhǔn)確度。圖3是本實(shí)施例的結(jié)果，左邊為假陰性率，右邊為真陰性率?？梢钥闯黾訇幮月实钠骄禐?.78％，假陽(yáng)性率的平均值為6.70％，說(shuō)明該認(rèn)證方法還是很穩(wěn)定有效的。

從圖示的實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明能夠準(zhǔn)確且快速地對(duì)完成書(shū)寫(xiě)認(rèn)證。該結(jié)果驗(yàn)證了本發(fā)明的可行性和有效性，表明該方法可作為一種高效的設(shè)備使用者的身份安全防護(hù)技術(shù)。