融合多模信息感知的低功耗行为识别

行为识别在普适计算领域有着极大的应用前景,可广泛应用于医疗监护、智能家居/办公、商业服务等方面.其中基于传感器的行为识别因其分布范围广、不具侵扰性等优点,已成为目前的研究热点之一.采用机器学习理论和方法,提出了一种基于多模传感信息感知和融合的行为识别层次框架.该框架综合加速度和无线网络信号两种传感器信息、利用多种基于融合的识别方法,能同时解决“用户在哪里”、“用户在做什么”、“用户将要去做什么”等行为相关问题.采用智能手机作为实验平台,利用其内置的多种传感器收集用户的行为信息,更符合普适计算的发展趋势.最后通过实际采集的数据和大量的实验说明了各种方法的有效性.     

多维数据特征融合的用户情绪识别

针对目前基于智能手机的情绪识别研究中所用数据较为单一,不能全面反应用户行为模式,进而不能真实反应用户情绪这一问题展开研究,基于智能手机从多个维度全面收集反应用户日常行为的细粒度感知数据,采用多维数据特征融合方法,利用支持向量机(support vector machine,SVM)、随机森林(random forest)等6种分类方法,基于离散情绪模型和环状情绪模型两种情绪分类模型,对12名志愿者的混合数据和个人数据分别进行情绪识别,并进行了对比实验。实验结果表明,该全面反应用户行为的多维数据特征融合方法能够很好地对用户的情绪进行识别,其中使用个人数据进行情绪识别的准确率最高可达到79.78%,而且环状情感模型分类结果明显优于离散分类模型。     

用于驾驶员分心行为识别的姿态引导实例感知学习

目的 基于图像的驾驶员分心行为识别可认为是一种二级图像子分类问题，与传统的图像分类不同，驾驶员分心识别任务中的各类区别比较微小，如区分一幅图像是在弄头发还是打电话完全取决于驾驶员手上是否有手机这个物体，即图像中的较小区域就决定了该图像的类别。对于那些图像差异较小的类别，通常的图像分类方法无法高精度地区分。因此，为了能够学习到不同驾驶行为之间微小的表征区别，提出了一种姿态引导的实例感知学习网络用于驾驶员行为识别。方法 首先利用人体检测器检测到人体框，利用人体姿态估计获取具有辨识性的手部相关区域，将人体和手部区域的特征作为实例级别的特征，以此设计一种实例感知学习模块充分获取不同层级的上下文语义信息。其次利用手部相关特征构建双通道交互模块来对关键空间信息进行表征的同时，对视觉特征进行优化，组建成一个多分支的深度神经网络。最后将不同分支的结果进行融合。结果 实验结果表明，本文方法在AUC（American University in Cairo）数据集和自建三客一危数据集上的测试准确率分别达到96.17%和96.97%，相较于未使用实例感知模块和通道交互的模型，准确率显著改善，在复杂数据集下识别效果提升明显。结论 本文提出的姿态引导的实例感知学习网络，在一定程度上降低了环境的干扰，准确度高，能辅助驾驶员安全行车，减少交通事故的发生。     

智能驾驶中的行为辅助压力感知方法

人的压力与其行为紧密相关,特别是在智能驾驶时,驾驶员压力感知对实现辅助驾驶具有巨大的应用潜力.现有压力感知方法多用于静态环境,检测过程也缺乏便捷性,难以适应高度动态的智能驾驶应用需求.为了实现智能驾驶中自然、准确和可靠的压力检测,提出一种基于可穿戴系统的行为辅助压力感知方法.该方法基于行为伴随实现压力检测,并基于多指标执行压力状态判别,能够有效提高压力检测准确度.其基本原理在于每个人在不同压力状态下的生理特征和行为模式不同,会对压力相关的PPG数据和行为相关的IMU数据产生独特影响.首先使用嵌入多传感器的可穿戴手套测量驾驶员的生理和运动信息,通过多信号融合技术获得可靠的生理行为指标,最终使用泛化性能较好的SVM模型分类驾驶员的压力状态.基于所提出的方法在模拟驾驶环境下部署了验证实验,实验结果显示,压力分类精确度可达到95%.     

群智感知网络个性化位置隐私保护算法

群智感知网络中现有隐私保护算法对所有位置采用相同的隐私保护策略,导致位置隐私或保护过度或保护不足,且获得的感知数据精度较低。针对这一问题,提出了一种满足用户个性化隐私安全需求的位置隐私保护算法。首先,根据用户的历史移动轨迹,挖掘用户对不同位置的访问时长、访问频率以及访问的规律性来预测位置对用户的社会属性;然后,结合位置的自然属性,预测用户—位置的敏感等级;最后,结合用户在不同的位置有不同的隐私安全需求的特点,设置动态的隐私判定方案,在每个位置选敏感度低的用户参与感知任务,以确保用户在隐私安全的前提下,贡献时空相关性精确高的感知数据。仿真结果表明,该算法在提高隐私保护水平的同时还提高了感知数据的精度。     

基于物联网定位模型的网络节点能耗感知识别

由于现有网络节点能耗感知识别方没有对网络节点信号进行映射,不能获取节点对应的物理坐标位置,导致在网络节点能耗感知识别速度较慢,识别结果不理想.提出基于物联网定位模型的网络节点能耗感知识别方法,建立物联网定位模型,对网络节点信号进行映射,获取网络节点对应的物理坐标位置,将全局网络非线性问题进行优化,分别进行求解;结合网络节点能耗感知识别方法选择对应簇首节点,将该节点作为依据设定感知识别区域并对相关节点数据进行提取,建立数据回传节点集,对感知识别区域内数据回传节点集进行分析,通过数据回传节点集完成网络节点能耗的感知与识别.实验结果表明,所提方法的感知识别速度较快,感知识别结果的可信度较高以及准确性更高.     

利用在线异常感知的无线电网络抗SSDF攻击协作频谱感知方案

该文提出了一种时空频率CSS框架,用于检测和跟踪CR网络中的恶意用户和异常测量。联合频谱感知和恶意用户识别问题构成优化问题,且利用固有稀疏到频谱占用和恶意用户发生。提出的方案利用在线异常感进行实时识别和跟踪,通过节点位置信息获得了改进的性能,可有效处理错过或不正确的位置信息,以及PU功率级噪声SU测量。实验结果表明,提出的方案在协作感知中能够有效克服感知数据错误化(SSDF)攻击。此外,提出的方案优于现有的较为先进的基于PCA方法,具有足够的灵活性来抵御SU网络中的各种攻击。     

群智感知污染数据收集技术综述

传统的污染监测方法主要是通过固定基站进行监测的,但是这种方法缺乏灵活性且成本高昂,已不足以应对日益严重的污染问题。一种新的数据获取模式——移动群智感知为大范围感知数据提供了新思路。为了及时掌握移动群智感知收集污染数据的研究现状,本文对国内外现有研究进行系统全面的综述,并结合现有研究,为群智感知在智能手机上的应用提供可行方案。首先,对污染收集技术不同发展阶段问题进行总结;然后,对比分析不同众包污染收集系统的优缺点,并对所用的关键技术优缺点及适用场景进行说明;最后,对群智感知下收集污染数据存在的问题进行总结,并提出未来的研究重点。     

穿戴位置无关的手机用户行为识别模型

基于智能手机的人体行为识别能用于健康监控和个人运动管理,针对不同用户携带手机的位置和习惯,分析基于手机传感器获取的三轴加速度信息,从人体不同位置的行为数据中提取多种特征,优选出与行为相关度高且与手机位置相关度低的特征,构建三种决策树分类模型:(行为位置)矢量模型、位置—行为模型和行为模型,其中行为模型准确率最高;针对手机放置在三种不同位置的混合样本,其行为判断准确率为80.29％,耗时最短,能有效进行用户行为识别.     

使用Wi-Fi感知连续行为动作的跨域身份认证

目前，面向智能物联网场景的用户身份认证方法正蓬勃发展。一些工作利用室内环境中广泛存在的Wi-Fi信号感知用户的行为动作，并提取用户行为动作中蕴含的个体行为的独特性来实现用户身份认证。然而，用户必须在已知域背景(环境、位置、方向)下执行独立的行为动作，系统才能有效地进行身份认证。为突破现有方法的限制，提出了使用Wi-Fi信号感知人体连续行为动作的跨域身份认证系统CroAuth,其能够在用户执行连续行为动作时实现跨环境、位置、方向的用户身份认证。为突破执行独立行为动作的限制，提出了基于动态时间规整的连续行为动作分离算法，在用户多样化的连续行为中分离出特定的行为动作序列，以实现有效的行为信息提取。之后，提出了基于孪生神经网络的跨域身份认证方法，提取域无关的个体行为特征，并进一步利用知识蒸馏方法构建小样本学习的跨域身份认证模型，以实现在不同环境、位置和方向下的用户身份认证。实验结果表明，CroAuth能够在用户执行多样化的连续行为动作时，在跨环境、位置、方向的场景下对用户身份进行认证。     

基于人体关节点的低头异常行人检测

近年来,随着智能手机的快速发展,低头族行人在过马路时依然保持浏览手机的姿态,由此造成的交通事故时有发生。如何有效检测低头族成为了当下亟待解决的问题。现有的检测方法需要大量的真实低头异常的数据集,且最终结果存在识别精度不高、速度不尽人意的问题。基于此,提出了一种快速有效的低头异常行人检测方法,与现有方法的区别在于该方法是基于关节点而不是图像。首先设计了一种构造数据集的方法,在识别人体关节点的基础上,调整左右腕关节坐标来模拟行人手持电子设备的姿态,解决了数据集缺少且需要大量标注的问题;其次,提出复杂环境中高效检测行人异常行为的算法,对上述关节点坐标进行分类识别,充分利用手臂与头部信息来实现行人异常行为检测。实验证明,所提算法能够实现实时检测,且检测精度达到了94.08%,从而可以为视频监控、驾驶员、辅助驾驶以及自动驾驶系统提供必要的参考信息。     

移动设备佩戴位置自适应识别的跌倒检测方法

随着智能手机的普及,使用移动设备检测跌倒事件正变得越来越有意义。移动设备的佩戴位置作为一种重要的情境信息,影响着跌倒检测活动的识别效果。为此,提出一种移动设备佩戴位置自适应识别的人体跌倒检测方法,首先采用旋转模式分量和姿态角融合的特征提取方法,利用加速度计和陀螺仪数据计算出旋转半径、角速度幅度、姿态角并提取特征,然后用LR（Logistic Regression）模型将其分类得到移动设备的佩戴位置;随后根据位置自适应调整一种基于时序分析的跌倒检测方法。实验结果表明,该方法的移动设备佩戴位置平均识别率为95.32%,在不同位置,时序跌倒检测算法的准确率均在92%以上。与传统跌倒检测方法相比,该方法在不同佩戴位置均有更好的跌倒检测识别效果。     

Smart driver assistance system using raspberry pi and sensor networks

With the evolution of science and technology, monitoring human reactions and activities have become really easy and smooth. These new technologies have the potential to revolutionize the domain of safety and security in different realms of the society. Surveillance being the key factor of security measures has been elevated to a whole new level with the advancement in signal processing techniques. This paper basically focuses on the implementation of a smart surveillance system using signal processing and embedded tools which is applied in automobiles to ultimately develop the holistic driver assistance system. Earlier methods were based on physiological and analog data, but the present day scenario demands a smarter and digitalized working system so as to employ integrity and compatibility with other smart sub-systems like mobile phones and tablets. Transportation as we all know is one of the key sectors in the society. But the safety and security measures which people implement for their homes is not being employed for their vehicles. Apart from the vehicular anti-theft burglar systems, driver monitoring systems are also crucial to the lives of the driver and the passengers. Hence, this paper consists of three inter-linked modules which are the driver fatigue detection, alcohol content detection and vehicular crash detection along with control to monitor the driver's physiological state that can affect the vehicular control. A variety of input extraction hardware tools and software algorithms have been utilized in a collaborative way to implement this process.     

A smartphone based technique to monitor driving behavior using DTW and crowdsensing

Safety issues while driving in smart cities are considered to be top-notch priority in contrast to traveling. Today’s fast paced society, often leads to accidents. In order to reduce the road accidents, one key area of research is monitoring the driving behavior of drivers. Understanding the driver behavior is an essential component in Intelligent Driver Assistance Systems. One of potential cause of traffic fatalities is aggressive driving behavior. However, drivers are not fully aware of their aggressive actions. So, in order to increase awareness and to promote driver safety, a novel system has been proposed. In this work, we focus on DTW based event detection technique, which have not been researched in motion sensors based time series data to a great extent. Our motivation is to improve the classification accuracy to detect sudden braking and aggressive driving behaviors using sensory data collected from smartphone. A very significant feature of DTW is to be able to automatically cope with time deformations and different speeds associated with time-dependent data which makes it suitable for our chosen application where data might get affected due to factors such as: high variability in road and vehicle conditions, heterogeneous smartphone sensors, etc. Our technique is novel as it uses fusion of sensors to enhance detection accuracy. The experimental results show that proposed algorithm outperforms the existing machine learning and threshold-based techniques with 100% detection rate of braking events and 97% & 86.67% detection rate of normal left & right turns and aggressive left & right turns respectively.     

智能手机Rootkits原理与检测

Rootkits通过秘密修改操作系统内核代码和数据,给系统安全带来严重威胁。随着操作系统在手机中的不断普及,智能手机也开始面临这一威胁。针对智能手机中Rootkits的技术原理与攻击行为进行分析,并提出相应的检测技术。     

视觉协同的违规驾驶行为分析方法

本文针对危险驾驶识别中主流行为检测算法可靠性差的问题,提出了一种快速、可靠的视觉协同分析方法。对手机、水杯、香烟等敏感物体进行目标检测,提出的LW(low weight)-Yolov4(You only look once v4)通过去除CSPDarknet53(cross stage partial Darknet53)卷积层中不重要的要素通道提升了检测速度,并L₁正则化产生稀疏权值矩阵,添加到BN(batch normalization)层的梯度中,实现优化网络模型的目的;提出姿态检测算法对驾驶员指关节关键点进行检测,经过仿射逆变换得到原始帧中的坐标;通过视觉协同分析对比敏感物品的检测框位置与驾驶员手部坐标是否重合,判定驾驶员是否出现违规驾驶行为及类别。实验结果表明,该方法在识别精度与检测速度方面均优于主流的算法,能够满足实时性和可靠性的检测要求。     

Android恶意软件特征研究

智能手机的广泛应用导致手机恶意软件的数量急速增加,尤其是近几年,基于Android操作系统的手机在智能手机市场占据主导地位,针对Android系统的恶意软件数量快速增加。手机恶意软件主要收集手机用户地理位置、语音通信、短信等个人隐私信息,或进行恶意扣费、耗费系统资源等行为,给用户自身和手机系统带来很大危害。准确分析恶意软件行为特征可以为后续清除恶意软件提供有力依据。传统的恶意软件分析技术主要包括静态分析与动态分析,文中介绍了当前存在的一些手机恶意软件分析检测技术及其缺陷,并从安装、激活、恶意负载三方面对已知Android恶意软件主要行为特征进行详细分析。     

电子取证应用研究综述

近年来,电子数据取证对案件侦破起着重要的作用,由于电子数据具有易失性、易破坏性等特点,需要取证人员具备专业的电子取证技术和方法,才能最后分析出有用的证据,保证案件的真实性和客观性,详细分析三种取证技术和方法：基于Windows的电子取证、基于智能手机的电子取证,基于网络的电子取证,其中基于智能手机的电子取证包括Android手机和iPhone手机,并提出电子取证技术未来的发展方向.     

基于动态信任值的智能手机隐式认证方案

在智能手机隐私安全领域,隐式认证具有高安全性、友好交互体验等优点,但存在行为特征采集不便、认证模型复杂的问题。提出一种基于动态信任值的分级隐式认证方案。利用机器学习方法进行模型训练,提取用户划屏行为特征作为前级认证数据,并将前级输出概率经信任值检测作为后级认证数据,进而得到最终认证结果。同时基于真实用户历史认证变化的稳定性和连续性,通过计算一定时间窗口内的认证概率均值作为动态信任更新值,使信任值在真实用户认证结果变化范围内波动。实验结果表明,该方案的分类准确率达到98.63%,等错误率仅为3.43%,与只包含前级认证的方案相比准确性更高,并且能够有效阻挡冒名者非法使用手机。