基于射頻技術與智能動作識別的人員身份認證方法研究

王溢清

（河北北方學院附屬第一醫院，河北張家口 075000）

隨著物聯網技術的發展，醫療機構使用單一的人員身份認證方式已無法保障其環境和信息的安全，如何提高身份認證的可靠性是目前亟需解決的問題[1]。當前，常用的IC 卡身份認證技術已較為成熟。隨著人工智能技術的興起，出現了一些基于人臉或指紋等生物特征識別的身份認證方式[2-3]。文獻[4]提出了一種基于指紋的身份識別方法，而文獻[5]在指紋識別的基礎上，引入靜脈特征加強了對身份認證的可靠性。但上述兩種方法均采用單一特征認證，容易受到欺騙攻擊。文獻[6]提出了一種基于活體人臉檢測的身份識別安防系統，能有效識別欺騙攻擊，但識別效率仍有待提升。

因此為了能夠快速、準確地實現人員身份認證，該文提出了一種基于射頻技術與智能動作識別的身份認證方法。將無線射頻識別(RFID)技術與基于深度學習的智能動作識別方法相結合，經長短時記憶網絡(LSTM)處理分析得到人員的身份信息。

1 RFID識別

RFID 是一種非物理性接觸、低成本、低功耗的自動識別技術[7]。典型的RFID 系統由標簽、讀寫器和后端服務器（應答器）三部分組成，如圖1 所示。

圖1 RFID系統的結構

在RFID 系統中，應答器根據認證條件判定該標簽的合法性，以實現人員身份認證。通常應答器分為無源和有源兩種，無源應答器的能量是從讀寫器的磁場或電場中獲取。為了保證這種供電方式，讀寫器必須提供足夠的電源，且讀寫器與應答器之間的距離是有限的。有源應答器有一個內部電源，這使其能夠自主通信并增加了讀寫器與標簽之間的工作距離[8]。

此外，RFID 系統通常采用數字調制方式，如幅移鍵控（Amplitude Shift Keying，ASK）、頻移鍵控、相移鍵控等。在無源RFID 系統中，讀寫器采用一種ASK 調制方式。其是基于開關鍵控的特殊編碼方法，同時應答器不主動通信[9]。相比之下，有源RFID應答器能夠自主供電，降低了發射功率并增加了通信范圍。

2 基于深度學習的智能動作識別

在人體智能動作識別過程中，首先利用循環神經網絡(RNN)提取出圖像的輪廓。然后，采用t-分布隨機鄰域嵌入(t-SNE)技術將檢測到的輪廓變換到低維空間，并通過K-means 聚類分析得到圖像動作特征，實現雙向匹配與類論證[10]。最終，利用支持向量機(SVM)分類器對所得到的動作進行識別，同時將自適應模塊應用于識別樣本以外的動作。因此，基于深度學習的智能動作識別流程如圖2 所示。

圖2 基于深度學習的智能動作識別流程

2.1 預處理模塊

在檢測預處理環節，該文利用了RNN 進行圖像學習，即使目標在一段時間內為潛在的類型，也能被成功檢測到。其中，RNN 利用遞歸結構對時間序列的上下文信息進行建模，從而在未展開的網絡中產生循環連接。

給定一個輸入序列x=(x0,x1,…,xT-1)，循環層的隱態h=(h0,h1,…,hT-1)，則RNN 單個隱含層的輸出y=(y0,y1,…,yT-1)可表示為：

式中，ωxh、ωhh、ωho分別為輸入層到隱藏層、隱含層自身、隱含層到輸出層的連接權重；bo和bh是偏置量；φ(?)與σ(?)分別是隱含層和輸出層的激活函數。

2.2 轉換模塊

轉換模塊的作用在于圖像降維以及特征的提取，其中利用t-SNE 對提取的輪廓序列進行降維重構[11]。且類標簽信息的嵌入增加了類內相似度，降低了類間相似度，從而有效提高了識別率。在轉換過程中，首先將變換后的低維特征轉化為視覺詞包，然后利用K-均值聚類將所有相似的動作進行聚類，最終通過在雙向匹配中加入類確定性度量值來實現相似動作識別。

2.3 分類模塊

SVM 是一種有監督學習的分類方法，分類性能優越，但其是一個兩類分類器，因此在分類多類標簽方面仍存在不足[12]。同時，最近鄰分類器通過識別最近鄰的動作實現動作分類，其誤分類的可能性較小。故將SVM 與最近鄰分類器相結合，以構成鄰域分類器進行動作分類，其動作識別率更高。

2.4 自適應模塊

由于現有的大部分識別系統均無法學習動態背景，因此在該系統下，當數據庫中現有的視覺詞包與獲得的新視覺詞不匹配時，通過計算動作的確定性度量值實現自適應調整[13-14]。具體而言，當類確定性度量值小于固定閾值且可視詞不在現有存儲庫中時，將為該輪廓分配一個新的動作類標簽并存儲[15]。通過轉換所發現的兩個相似視覺詞包，計算得到兩個新的度量。當存在新動作時，這兩個新度量將高于先前計算的確定性度量，從而使系統能夠將其標識為新動作并添加到存儲庫中。

3 身份認證方法設計

當前人員身份認證的方式大多采用RFID 卡，通常情況下醫院內部為醫生均分配了相應的職工卡。但RFID 卡是物理實物，只要持卡即可，非本人也能使用。為了提高身份認證的可靠性，該文引入了智能動作識別技術。通過識別動作屬性與RFID 卡辨識結果，共同判定人員的身份信息。該文所提出的基于射頻技術和智能動作識別的人員身份認證系統的框架設計，如圖3 所示。

圖3 身份認證系統的框架設計

醫院工作人員在刷卡時，RFID 卡讀寫器能夠將人員基本身份信息和工作地點信息讀出。同時圖像識別系統會獲取人員的動作信息，并提取特征。然后將兩者的信息進行融合，共同輸入LSTM 進一步提取人員信息。最終利用Softmax 進行分類，實現身份認證。

3.1 LSTM

單個LSTM 存儲單元包含一個自連接存儲單元?和三個乘法單元，即輸入門i、遺忘門f和輸出門o，其用于存儲和訪問時間序列的遠程上下文信息[16]。LSTM的結構如圖4 所示。

圖4 LSTM的結構

存儲單元和3 個門的激活如下所示：

式中，σ(?)是Sigmoid 函數，所有ω均是兩個單元之間的連接權重。

3.2 身份認證流程

系統軟件的整個身份認證流程如圖5 所示。

圖5 人員身份認證的總體流程

首先讀寫器會定期檢測是否有RFID 卡，并不斷刷新系統顯示。當檢測到RFID 卡時，系統首先檢索卡內的人員信息，若不一致，則會提醒重新確認信息。然后采集人員的動作信息根據智能動作識別方法完成動作分類，并將相關數據存儲、同步到服務器中。若動作信息與系統內一致，則再次結合RFID 卡信息，共同判定人員身份。若匹配成功，則打開門禁系統并存儲相應信息。

所提的認證系統在運行過程中不會占用較多資源，且一次性從數據庫中提取信息，極大提高了驗證速度。同時，還解決了采集其他生物特征過程中存在侵犯性和消耗時間過多的問題。

4 實驗結果與分析

實驗采用基于Python 深度學習框架的PyTorch平臺，硬件選用Intel Core i7 3.10 GHz CPU的服務器。同時，采集某醫院的人員信息數據庫作為樣本，該數據庫中包含了120 名具有特征差異的人員信息。

4.1 智能動作識別性能

由于所提方法結合射頻技術和智能動作識別技術，而射頻技術主要由硬件設施完成，目前已較為成熟。因此，智能動作的識別效果是進行準確身份認證的前提。基于RNN的自適應動作識別準確率如圖6 所示。

圖6 智能動作識別的準確率

從圖6 中可以看出，當迭代次數在100 以內時，識別準確率快速增長，隨后增速放緩；當迭代次數達到1 200 時，識別準確率趨于穩定，大約為92%。因此基于深度學習的智能動作識別方法是有效的，具有較為理想的識別性能。

4.2 身份認證性能分析

在測試數據庫120 位人員信息中，選取12 位進行實驗。身份認證結果準確率與認證時間，如圖7所示。

圖7 身份認證準確率與時間

從圖7 中可以看出，大部分人員的認證準確率均達到了90%，個別人員的認證準確率較低，主要是因為角度或遮擋等情況。同時所提方法完成認證的速度較快，大多數均不超過40 ms，最快僅為20 ms。由于其采用了數據的降維處理，且RFID 卡的識別過程較為迅速，因此整體識別速度較為理想。

4.3 與其他方法的對比分析

為了論證所提方法的性能，將其與文獻[4]、文獻[6]、文獻[9]在認證準確率和速度兩個方面進行對比分析，結果如表1 所示。

表1 認證準確率和時間的對比結果

從表1 中可以看出，相比于其他對比方法，所提方法的識別準確率更高，為94.51%。由于該文方法結合了RFID 技術和智能動作識別技術，其能夠較好地保證識別認證準確性。認證時間為31 ms，其速度優于文獻[6]和文獻[9]。而文獻[4]僅利用CSI 指紋完成身份認證，由于方法單一，故認證速度較快，但認證準確率較低，僅為84.69%。文獻[9]基于區塊鏈技術完成身份管理，由于其技術較為復雜，因此認證速度較慢，但準確率有所提升。綜合認證準確率和速度兩個方面來看，所提方法能夠實現快速且高準確率的身份認證。

5 結束語

隨著信息技術的不斷發展以及公共衛生安全的防護需要，醫療機構對人員的管控日趨嚴苛。為此，該文提出了一種基于射頻技術與智能動作識別的人員身份認證方法，從而確保人員的精準管控。所提方法結合了RFID和基于深度學習的智能動作識別技術，將兩者的信息共同輸入LSTM 進行分析，以綜合判定人員身份。基于Python 仿真平臺利用所提方法對某醫院的人員數據集進行測試，結果證明所提方法的身份認證綜合性能良好。但由于該方法尚未考慮光照、噪聲等因素的干擾，實驗環境過于理想化。故在接下來的研究中將重點考慮各種環境因素的影響，使方法更具實用性。