TU Darmstadt / ULB / tuprints

Accelerometer-based Biometric Gait Recognition for Authentication on Smartphones

Nickel, Claudia :
Accelerometer-based Biometric Gait Recognition for Authentication on Smartphones.
TU Darmstadt
[Ph.D. Thesis], (2012)

[img]
Preview
PDF
20120620_Dissertation_Nickel_final.pdf
Available under Creative Commons Attribution Non-commercial No Derivatives.

Download (15Mb) | Preview
Item Type: Ph.D. Thesis
Title: Accelerometer-based Biometric Gait Recognition for Authentication on Smartphones
Language: English
Abstract:

The authentication via accelerometer-based biometric gait recognition offers a user-friendly alternative to common authentication methods on smartphones. It has the great advantage that the authentication can be performed without user interaction. When the user is walking, his walk-pattern can be extracted from the accelerations measured using the integrated sensors of the smartphone. This pattern can be used for authentication.

A study showed that users often deactivate the authentication methods of their mobile devices because they consume too much time. Because all steps necessary to perform biometric gait recognition can be executed in the background, no user interaction is necessary for the presented technique. Performing a continuous authentication while the user is walking, an up-to-date authentication result is available at any point in time. During log-in, no calculations are necessary anymore, hence there is no delay. Only in cases where the user is not walking, an alternative authentication method has to be used.

This is a great benefit for the user because he has the advantages of a phone which is protected by authentication but without the disadvantages common methods impose. This high user-friendliness is likely to increase the number of smartphones for which the screen-lock is linked with an authentication. Therefore, a higher security of the data stored in smartphones can be achieved. A misuse of the stored information by an unauthorized user can be prevented.

Due to the growing distribution of powerful smartphones, the number of available applications is increasing as well. These applications result in a growing amount of data stored on the devices, which make the protection of the device necessary. These data comprise e.g. addresses, appointments or GPS-information. Additionally, some applications, e.g. of e-mail-providers or social networks, require the user to authenticate himself. Often these credentials are stored by the user on the phone, such that it is not necessary to enter them each time. In case an unauthorized person has access to such a phone he can use these services without restrictions and therefore substantially harm the user.

The objective of this thesis was to develop methods for accelerometer-based biometric gait recognition which achieve sufficient low error rates, as well as to demonstrate that their computational effort is low and allows for an execution on current smartphones. Because the basis of existing methods is the extraction of gait cycles (i.e. two steps) from the accelerometer data, a cycle-based method was developed and evaluated in a scenario test. This method uses raw data of the gait cycles as feature vectors and accomplishes the classification using distance functions.

In addition, a further approach was selected, which does not need the time-costly and error-prone gait cycle extraction. Instead, it is using overlapping segments of a fixed time length. Several features are extracted from these segments and combined to feature vectors. Machine learning algorithms are used for classification. A benchmark of the approaches on a challenging database showed that these methods yield low equal error rates between 6% and 7% and are outperforming the cycle-based methods. These error rates were achieved under the realistic conditions that training and probe data are not collected on the same day.

It was shown that five minutes of gait data are sufficient to thoroughly train the models. It should be regarded that the training data contain the different walking velocities at which the user should be recognized later on. To obtain low false rejection rates, the classification should be based on around three minutes walk data. Two of the developed methods were implemented on a smartphone. It was shown that both methods are able to perform the classification fast enough to allow for an authentication without delay for the user.

Alternative Abstract:
Alternative AbstractLanguage
Die Authentisierung mittels beschleunigungsbasierter biometrischer Gangerkennung ist eine nutzerfreundliche Alternative zu herkömmlichen Authentisierungsverfahren für Smartphones. Diese hat den großen Vorteil, dass die Authentisierung ohne Nutzerinteraktion durchgeführt wird. Wenn der Nutzer geht, wird über die bereits werksseitig in das Telefon integrierten Beschleunigungssensoren sein spezifisches Gangmuster bestimmt und zur Authentisierung verwendet. In einer Studie wurde gezeigt, dass die Nutzer die Authentisierungsfunktionen ihres Handys häufig deaktivieren, da diese zu zeitaufwändig sind. Da alle für die Gangerkennung durchzuführenden Schritte im Hintergrund ablaufen, ist für das vorgestellte Verfahren keine Nutzerinteraktion notwendig. Durch eine fortlaufende Berechnung der Authentisierungsergebnisse während der Nutzer läuft, ist ein aktuelles Ergebnis jederzeit vorhanden. Zum Log-in Zeitpunkt sind daher keine Berechnungen mehr notwendig und es tritt somit auch kein Zeitverlust auf. Lediglich falls der Nutzer nicht geht, ist eine andere Authentisierungsmethode notwendig. Dies ist ein erheblicher Nutzen für den Anwender, da er von den Vorteilen eines durch Authentisierung geschützten Smartphones profitieren kann, ohne jedoch die Nachteile herkömmlicher Verfahren in Kauf nehmen zu müssen. Diese hohe Nutzerfreundlichkeit kann dazu führen, dass die Anzahl der Smartphones steigt, bei denen die Bildschirmentsperrung an eine Authentisierung gekoppelt ist. Somit kann der Sicherheitslevel der in den Smartphones gespeicherten Daten erhöht und ein Missbrauch dieser Informationen durch einen unberechtigten Nutzer verhindert werden. Durch die wachsende Verbreitung leistungsfähiger Smartphones steigt auch die Anzahl zur Verfügung stehender Anwendungen stetig. Diese Anwendungen führen dazu, dass immer mehr Daten auf den Geräten gespeichert werden, die einen Schutz des Gerätes notwendig machen. Dies können z.B. Adressen, Termine oder GPS-Daten sein. Außerdem erfordern einige dieser Applikationen, z.B. von sozialen Netzwerken oder E-Mail-Anbietern, dass sich der Nutzer authentisiert. Häufig werden diese Zugangsdaten gespeichert, so dass sie nicht bei jeder Nutzung eingegeben werden müssen. Hat ein unberechtigter Nutzer Zugriff auf das Smartphone kann er diese Dienste uneingeschränkt verwenden und somit dem Eigentümer erheblichen Schaden zufügen. Ziel dieser Arbeit war, Verfahren für die beschleunigungsbasierte biometrische Gangerkennung zu entwickeln, die ausreichend niedrige Fehlerraten bieten und zu zeigen, dass diese leistungsfähig genug sind, um auf aktuellen Smartphones ausgeführt zu werden. Da die Grundlage bestehender Verfahren die Extraktion von Gangzyklen (zwei Schritten) aus den Beschleunigungsdaten ist, wurde ein zyklusbasiertes Verfahren entwickelt und in einem Szenariotest evaluiert. Dieses Verfahren verwendet die Rohdaten der Gangzyklen als Merkmalsvektoren und führt eine Klassifizierung mit Hilfe von Distanzfunktionen durch. Desweiteren wurde ein Ansatz gewählt, der ohne die aufwändige und fehlerbehaftete Extraktion der Gangzyklen auskommt und stattdessen eine Segmentierung in überlappende Segmente fester Länge nutzt. Aus diesen Segmenten wurden verschiedene Merkmale extrahiert und zu Merkmalsvektoren kombiniert. Die Klassifizierung wurde mittels Verfahren des maschinellen Lernens durchgeführt. Ein Vergleich der Verfahren auf einer anspruchsvollen Datenbasis zeigte, dass diese Verfahren niedrige Gleichfehlerraten zwischen 6% und 7% erreichen und damit besser sind als das zyklusbasierte Verfahren. Diese Fehlerraten wurden unter der realistischen Bedingung erreicht, dass Trainings- und Probedaten nicht an dem selben Tag aufgenommen wurden. Es wurde gezeigt, dass fünf Minuten Gangdaten genügen, um die Modelle ausreichend zu trainieren. Hierbei sollte beachtet werden, dass die Trainingsdaten die verschiedenen Geschwindigkeiten enthalten bei denen der Nutzer später erkannt werden soll. Um niedrige Falschrückweisungsraten zu erhalten, sollte die Klassifizierung auf circa drei Minuten Gangdaten basieren. Zwei der entwickelten Verfahren wurden für Smartphones implementiert und evaluiert. Es wurde gezeigt, dass die Klassifizierung bei beiden Verfahren schnell genug durchgeführt werden kann, so dass es möglich ist, eine Authentisierung ohne Zeitverlust für den Nutzer durchzuführen.German
Classification DDC: 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Divisions: Fachbereich Informatik
Date Deposited: 20 Jun 2012 10:42
Last Modified: 07 Dec 2012 12:05
URN: urn:nbn:de:tuda-tuprints-30146
License: Creative Commons: Attribution-Noncommercial-No Derivative Works 3.0
Referees: Buchmann, Prof. Johannes and Busch, Prof. Christoph
Refereed: 2 May 2012
URI: http://tuprints.ulb.tu-darmstadt.de/id/eprint/3014
Export:

Actions (login required)

View Item View Item