人机识别方法及装置、电子设备、存储介质与流程

本公开涉及机器学习技术领域，具体而言，涉及一种人机识别方法、人机识别装置、电子设备以及计算机可读存储介质。

背景技术：

随着互联网技术的快速发展，各种欺诈行为频频发生，虽然网站一般有反欺诈或反作弊机制，但是黑色产业仍能够躲避这些机制，进行各种欺诈行为。

为了解决上述问题，相关技术中大多通过以下方式进行人机识别反欺诈：一、基于ip的检测，常用的限制手段例如包括速率限制、限制已知恶意ip地址黑名单、位置信息限制、数据中心异步检测限制；二、基于浏览器和设备指纹识别，首先从客户端代码中挖掘出例如插件、系统字体以及浏览器特征支持等关于浏览器的信息，并将这些信息通过javascript引擎对浏览器版本特征进行匹配以及将设备指纹识别与风险策略结合，提供更高层次的保护措施。

但是，虚拟机、模拟器技术结合低成本的ip，使得黑色产业依旧可以使用无限多的ip地址发起网络攻击，因此基于ip的检测的方法可靠性较差；部分网络攻击者精通于改变以及操纵数据，导致通过浏览器和设备指纹识别方法，并不能准确识别机器人操纵的数据，进行反欺诈的效果较差。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种人机识别方法及装置、电子设备、存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的识别准确率低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种人机识别方法，包括：通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；对所述待识别数据进行采样，以生成样本数据；将所述样本数据输入识别模型，以获取识别概率；通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

在本公开的一种示例性实施例中，所述方法还包括：获取来自于用户的传感器数据，生成第一数据；获取来自于机器人的传感器数据，生成第二数据；通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。

在本公开的一种示例性实施例中，加速度传感器的数据包括三个子维度数据，陀螺仪传感器的数据包括三个子维度数据，所述第一数据与所述第二数据的维度均为6维。

在本公开的一种示例性实施例中，通过第一数据与第二数据对卷积神经网络模型进行训练，以获取所述识别模型，包括：将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。

在本公开的一种示例性实施例中，所述方法还包括：在训练次数大于预设值时，停止对所述卷积神经网络模型进行训练，以将所述卷积神经网络模型确定为所述识别模型。

在本公开的一种示例性实施例中，通过所述第一数据与所述第二数据对卷积神经网络模型进行训练包括：通过正态分布对所述卷积神经网络模型的权重进行初始化。

在本公开的一种示例性实施例中，所述卷积神经网络模型包括一个输入层、两个卷积层、一个池化层、一个稠密层以及一个输出层。

在本公开的一种示例性实施例中，所述输入层包括6通道，且每个通道对应一个维度的传感器数据。

在本公开的一种示例性实施例中，通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人，包括：如果所述识别概率大于所述预设阈值，确定操作所述智能电子设备的对象是用户；如果所述识别概率小于所述预设阈值，确定操作所述智能电子设备的对象是机器人。

在本公开的一种示例性实施例中，采样频率为20hz，每个所述待识别数据的采样时间为6.4秒。

根据本公开的一个方面，提供一种人机识别装置，包括：数据获取模块，通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；数据采样模块，用于对所述待识别数据进行采样，以生成样本数据；概率确定模块，用于将所述样本数据输入识别模型，以获取识别概率；对象识别模块，用于通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

在本公开的一种示例性实施例中，所述装置还包括：第一数据生成模块，用于获取来自于用户的传感器数据，生成第一数据；第二数据生成模块，用于获取来自于机器人的传感器数据，生成第二数据；识别模型获取模块，用于通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。

在本公开的一种示例性实施例中，所述识别模型获取模块包括：归一化模块，用于将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；模型训练模块，用于通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。

在本公开的一种示例性实施例中，所述对象识别模块包括：第一识别模块，用于如果所述识别概率大于所述预设阈值，确定操作所述智能电子设备的对象是用户；第二识别模块，用于如果所述识别概率小于所述预设阈值，确定操作所述智能电子设备的对象是机器人。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的人机识别方法。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的人机识别方法。

本公开示例性实施例中提供的一种人机识别方法、人机识别装置、电子设备以及计算机可读存储介质中，通过加速度传感器以及陀螺仪传感器获取待识别数据，并根据识别模型获取识别概率，进而通过对比识别概率与预设阈值，确定操作智能电子设备的对象是用户或机器人。一方面，通过加速度传感器以及陀螺仪传感器获取待识别数据，由于数据不能被修改和操控，提高了可靠性；另一方面，通过对加速度传感器以及陀螺仪传感器获取的待识别数据采用识别模型进行识别，可以通过待识别数据准确确定操作智能电子设备的对象，提高识别准确率，进而能够有效进行反欺诈。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种人机识别方法示意图；

图2示意性示出本公开示例性实施例中一种卷积神经网络模型的结构图；

图3示意性示出本公开示例性实施例中构建识别模型的流程图；

图4示意性示出本公开示例性实施例中一种人机识别装置的框图；

图5示意性示出本公开示例性实施例中一种人机识别装置的具体框图；

图6示意性示出本公开示例性实施例中一种电子设备的框图；

图7示意性示出本公开示例性实施例中一种程序产品。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

本示例实施方式中首先提供了一种人机识别方法，可以用于识别黑色产业中的欺诈行为，或者也可以用于需要识别终端不同使用者的场景中。参考图1所示，该人机识别方法可以包括以下步骤：

在步骤s110中，通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；

在步骤s120中，对所述待识别数据进行采样，以生成样本数据；

在步骤s130中，将所述样本数据输入识别模型，以获取识别概率；

在步骤s140中，通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

在本示例性实施例中提供的人机识别方法中，一方面，通过加速度传感器以及陀螺仪传感器获取待识别数据，由于数据不能被修改和操控，提高了可靠性；另一方面，通过对加速度传感器以及陀螺仪传感器获取的待识别数据采用识别模型进行识别，可以准确确定操作智能电子设备的对象是用户或机器人，提高识别准确率，进而能够有效进行反欺诈。

接下来结合附图对本示例性实施例中的人机识别方法进行进一步解释说明。

在步骤s110中，通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据。

本示例中，加速度传感器以及陀螺仪传感器可以设置于智能电子设备中，智能电子设备例如可以为智能手机。待识别数据可以为通过加速度传感器以及陀螺仪传感器获取的传感器数据。加速度传感器和陀螺仪传感器能够记录该智能手机被使用过程中的各种数据。具体而言，加速度传感器能够记录手机的线加速度大小，陀螺仪传感器能够记录手机的角加速度。由于黑色产业需要大量的智能手机实施欺诈行为，因此一般不会去人为操作这些手机，而是会通过机器人例如虚拟机、模拟器等手段自动操控这些智能手机。

用户在使用手机时，可能会调整手机的位置、角度、方向或者是旋转手机等等；而机器人自动操控手机时，很少移动或者是改变手机的位置姿态，因此正常用户与机器人在使用手机时，其传感器数据具有明显的差异。举例而言，用户使用的手机的加速度传感器数据和陀螺仪传感器数据可以分布杂乱，且传感器数据比较大；机器人控制的手机的加速度传感器数据和陀螺仪传感器数据分布均匀，且可以为固定数值。因此可以通过加速度传感器以及陀螺仪传感器获取待识别数据，从而基于待识别数据中的明显差异对获取的待识别数据进行识别测试，提高数据识别稳定性。

具体而言，可以利用测试仪、编写程序或者是其他方式，通过软件开发工具包采集加速度传感器数据以及陀螺仪传感器数据。其中，加速度传感器数据以及陀螺仪传感器数据分别包括x轴、y轴和z轴三个子维度的数据，因此采集的待识别数据对应为6维数据。

在步骤s120中，对所述待识别数据进行采样，以生成样本数据。

本示例中，可以将时间上、幅值上都连续的模拟信号，在采样脉冲的作用下，转换成时间上离散、但幅值上仍然连续的离散模拟信号。可以通过随机采样方法、分层采样方法或者是窗口方法对获取的待识别数据进行采样。例如，可以通过窗口方法从待识别数据中找出相应的数据子集来降低复杂性。

具体而言，对获取的待识别数据的采样频率可以为20hz，对每个待识别数据的采样时间可以为6.4秒，进而可以根据该采样频率和采样时间生成对应的样本数据。该样本数据的维度可以与待识别数据的维度保持一致，例如为6维，且每一个维度上都可以包括128个数据点，因此得到的样本数据的大小为6×128维。需要说明的是，对获取的待识别数据的采样频率和采样时间均可以根据实际需求进行设置和调整，进而可以根据采样频率和采样时间的乘积确定每一个维度上的数据点。

接下来，在步骤s130中，将所述样本数据输入识别模型，以获取识别概率。

此处的识别模型也可以称为分类器，可以通过训练好的卷积神经网络模型得到，并且可以用于确定待识别数据的类型。例如，可以通过将采样后得到的所有样本数据输入该识别模型，生成与待识别数据对应的识别概率，进而可以通过识别概率确定待识别数据的来源或类型。

为了实现上述过程，首先需要构建该识别模型。具体包括：获取来自于用户的传感器数据，生成第一数据；获取来自于机器人的传感器数据，生成第二数据；通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。

卷积神经网络模型的训练过程就是对大量带标签数据，例如已知类别的数据，通过反向传播算法或者是正向传播算法学习网络结构中的参数。其基本思想是：基于一组设置的初始化模型参数，比如利用高斯分布来随机初始化网络结构中的参数，输入数据在卷积神经网络中经过前向传播会得到一个期望输出，如果这个期望输出与数据的实际类别标签不相同，则将误差逐层反向传播至输入层，每层的神经元会根据该误差对网络结构中的参数进行更新。对卷积神经网络模型而言，待学习的参数包括卷积核参数、层间的连接参数以及各层的偏置等等。训练好的模型能够计算新的输入数据对应的类别标签，从而完成分类、预测或者是识别任务。

基于此，在本示例中，可以从用户原始数据库中获取来自于用户的传感器数据，同时可以从机器人的原始数据库中获取来自于机器人的传感器，且用户和机器人的传感器数据均可以包括加速度传感器数据以及陀螺仪传感器数据。接下来，可以对用户的传感器数据进行去均值处理或者是进行其他操作，得到第一数据且该第一数据为6维数据；同时也可以对机器人的传感器数据进行去均值处理或者是进行其他操作，得到第二数据且该第二数据为6维数据，以使第一数据和第二数据更加规范，从而可以更好地应用于卷积神经网络模型。进一步地，可以将已知类别或者类型的第一数据和第二数据作为输入数据，输入某一个已知的卷积神经网络模型，通过对该卷积神经网络模型进行训练，得到更稳定、更准确的模型，实现构建识别模型的目的。需要说明的是，该卷积神经网络模型可以为事先建立好的或者是已有的模型，在进行模型训练时，直接调用即可。

在此基础上，通过第一数据与第二数据对卷积神经网络模型进行训练，以获取所述识别模型具体可以包括：将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。

具体而言，首先可以将用户对应的第一数据标记为第一标识，例如0；将机器人对应的第二数据标记为第二标识，例如1。需要注意的是，第一标识和第二标识也可以根据实际需求设置为其他数值，只要能够实现区分第一数据和第二数据的目的即可。接下来，可以对标记完的第一数据在每个维度上做归一化处理，得到第一训练数据；同时对标记完的第二数据在每个维度上做归一化处理，得到第二训练数据。

归一化处理指的是将所有需要训练的数据经过处理后限定在一定的范围内，以使数据更容易正确地收敛到最优解，提高数据处理的准确性。比如，可以对所有数据进行归一化处理，限制在区间[0，1]或者[-1，1]内。可以利用最大-最小标准化方法、z-score标准化方法，函数转化方法等方法对需要训练的数据进行归一化处理。本示例中，通过对用户对应的第一数据和机器人对应的第二数据分别在每个维度上做归一化处理，得到第一训练数据和第二训练数据，可以使卷积神经网络模型更精准地收敛，提高卷积神经网络模型的训练准确度，间接提高了识别模型的准确率。

接下来，可以将第一训练数据和第二训练数据作为输入数据输入卷积神经网络模型，通过不断迭代对卷积神经网络模型进行训练，得到性能较好、稳定性较好的卷积神经网络模型，进一步地可以将训练好的卷积神经网络模型确定为识别模型。

例如，可以事先设置一个预设值，例如2000次，表示最大迭代次数。在对卷积神经网络模型的训练次数大于预设值时，可以停止迭代训练，并将训练结束时得到的卷积神经网络模型确定为识别模型。

需要说明的是，该卷积神经网络模型的结构可以为六层结构，例如可以包括：1个输入层、2个卷积层，1个池化层、1个稠密层以及1个输出层。

其中，输入层可以为多维矩阵或者是图像。输入层的通道数量可以与传感器数据的维度保持一致，例如可以包括6个通道；每个通道的大小可以与每个维度上包含的数据点数量保持一致，例如每个通道大小可以为1×128维，因此每个通道分别对应一个维度的传感器数据。

卷积层可以用于进行特征提取，通过一个卷积核可以得到一种特征。为了更全面地获取输入数据的特征，可以利用多核卷积。例如可以利用64个卷积核获取64种特征，其中每个卷积核都可以对应输入数据的不同通道。通过多层卷积，可以使学到的特征全局化。

池化层的输入一般来源于上一个卷积层，主要作用是通过对输入数据的各个子矩阵进行压缩，以减少数据数量，防止过拟合现象的发生。假如是2×2的池化，那么就将子矩阵的每2×2个元素变成一个元素；如果是3×3的池化，那么就将子矩阵的每3×3个元素变成一个元素，这样输入矩阵的维度就变小了。其中的池化标准例如可以为max或者是average，即取对应区域的最大值或者平均值作为池化后的元素值。

稠密层可以包括全联接层，其输入可以包括大量输入特征和变换特征。在该层可以采用超参数调优手段，例如通过设置学习率控制模型训练速度和架构的复杂度，能够使得误差最小化。

输出层可以使用softmax激励函数代替sigmoid函数，并将每一个神经元的输出理解为每个输入数据所属类型的概率，进行数据分类。

进一步的，当上述卷积神经网络模型设计完成以后，可以利用第一训练数据和第二训练数据对卷积神经网络模型进行训练，从而得到识别模型。模型训练过程具体可以包括：

设置卷积神经网络模型的学习率，其中，学习率越小，学习的越精细，例如可以将学习率设为0.001或者是设置为其他数值；卷积核的大小可以设为64，以获取64种特征；可以采用批处理方法进行模型训练，以提高训练效率，其中每个批大小可以为16。

在开始训练网络之前，还需要初始化网络的参数，例如权重，以避免由于权重而导致的训练缓慢的问题，提高卷积神经网络模型的训练速度。举例而言，可以采用正态分布将卷积神经网络模型的权重初始化。可以采用高斯初始化权重矩阵，修改权重的分布，使得除输入层和输出层之外的其他层服从均值为0、方差为1的标准正态分布。具体可以根据正态分布期望与方差的特性，将权重除以输入数据维数的开方实现初始化。

接下来，可以将归一化处理之后的第一训练数据和第二训练数据输入卷积神经网络模型进行训练，当迭代次数达到设定的预设值后，结束训练过程，此时的卷积神经网络模型即为识别模型。进一步可以将对待识别数据进行采样后得到的所有样本数据输入该识别模型，生成与待识别数据对应的识别概率，以通过识别概率判断获取的待识别数据的类型。

在步骤s140中，通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

本示例中，预设阈值可以设置为0至1之间的任意数值，例如0.4或0.6等等，具体可以根据测试集的评价指标，例如准确率和覆盖率而确定。识别概率即为识别模型的输出，是一个取值范围为0至1之间的概率值，可以用于表示待识别数据类型的概率。可以通过识别概率与预设阈值之间的大小关系，确定待识别数据来自于用户或者是来自于机器人，进而确定操作智能电子设备的对象是用户或者是机器人，以准确识别欺诈行为。例如，当识别模型输出的识别概率低于预设阈值时，可以认为待识别数据来自于用户；当识别概率高于预设阈值时，可以认为待识别数据来自于机器人。也可以在识别概率低于预设阈值时，认为待识别数据来自于机器人；在识别概率高于预设阈值时，认为待识别数据来自于用户。除此之外，还可以通过其他方式确定识别概率与待识别数据类型之间的对应关系。

例如，预设阈值可以设置为0.6，在通过加速度传感器以及陀螺仪传感器获取一条待识别数据，并对其进行采样处理生成样本数据之后，可以将样本数据输入训练好的识别模型，假设识别模型输出的识别概率为0.9，由于该识别概率大于预设阈值0.6，因此可以认为该条待识别数据来自于机器人。如果识别模型输出的识别概率为0.5，由于该识别概率小于预设阈值0.6，因此可以认为该条待识别数据来自于用户，进而确定操作智能电子设备的对象是用户。通过这种方式，可以准确地确定待识别数据的类型，并根据待识别数据的类型准确确定操作智能电子设备的对象，因此可以有效识别和避免欺诈行为。

图2示意性示出卷积神经网络模型的结构图，具体包括：

输入层可以为多维矩阵，输入层的通道数量可以与传感器数据的维度相对应，例如可以包括6个通道；每个通道的大小可以与每个维度上包含的数据点数量一致，例如每个通道大小可以为1×128维。

卷积层可以用于进行特征提取，用一个卷积核操作可以得到一种特征，为了获取输入数据的全部特征，可以采用多层卷积，例如可以利用64个卷积层提取64种特征。

池化层的输入一般来源于上一个卷积层，主要用于通过对输入数据的各个子矩阵进行压缩减少了数据的数量，防止过拟合现象的发生。例如通过max或者是average进行池化操作。

稠密层可以包括全联接层，可以通过设置学习率控制模型训练速度和架构的复杂度，能够使得误差最小化。

输出层可以使用softmax激励函数代替sigmoid函数，以进行数据分类。

图3示意性示出构建识别模型的流程图，参考图3所示，本示例中构建识别模型具体可以包括以下步骤：

步骤s310，获取来自于用户的传感器数据，生成第一数据。例如可以从用户原始数据库中获取来自于用户的传感器数据，且用户的传感器数据可以包括加速度传感器数据以及陀螺仪传感器数据。接下来，可以对用户的传感器数据进行去均值处理或者是进行其他操作，得到第一数据，因此第一数据为6维数据。

步骤s320，获取来自于机器人的传感器数据，生成第二数据。例如可以从机器人原始数据库中获取来自于机器人的传感器数据，且该传感器数据可以为包括加速度传感器数据以及陀螺仪传感器数据的6维数据。接下来，可以对机器人的传感器数据进行去均值处理，得到6维的第二数据。

步骤s330，通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。卷积神经网络模型可以为已有的模型，通过对该卷积神经网络模型进行训练，得到更稳定、更准确的模型，实现构建识别模型的目的。构建识别模型具体包括：

s3301，将第一数据在每个维度上做归一化处理，以生成第一训练数据。例如可以对步骤s310中得到的第一数据在6个维度上，利用最大-最小标准化方法或者是z-score标准化方法进行归一化处理，以将其限定在一定的范围内，以使第一数据更容易正确地收敛到最优解。

s3302，将第二数据在每个维度上做归一化处理，以生成第二训练数据。例如可以对步骤s320中得到的第二数据在6个维度上，进行归一化处理，以将其限定在一定的范围内，以使第二数据更容易正确地收敛到最优解。

s3303，通过第一训练数据与第二训练数据对卷积神经网络模型进行训练，以获取所述识别模型。将归一化处理得到的第一训练数据和第二训练数据作为输入数据输入卷积神经网络模型中，对模型进行迭代训练，并将训练结束时的模型确定为识别模型，以提高识别准确率。

需要注意的是，本示例中的所有步骤均可以通过编写程序而实现。本示例中，通过识别模型可以准确确定待识别数据来自于用户或者是机器人，提高了数据识别准确率；进一步可以根据待识别数据确定操作智能电子设备的对象，有效进行反欺诈行为；通过加速度传感器和陀螺仪传感器获取待识别数据，基于待识别数据中的明显差异进行识别，可以提高数据识别的可靠性；通过对待识别数据进行采样，可以降低数据的复杂性；通过对卷积神经网络模型进行训练，得到识别模型，可以提高识别准确率，从而提高反欺诈行为的有效性。

本公开还提供了一种人机识别装置。参考图4所示，该人机识别装置400可以包括：

数据获取模块401，可以用于通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；

数据采样模块402，可以用于对所述待识别数据进行采样，以生成样本数据；

概率确定模块403，可以用于将所述样本数据输入识别模型，以获取识别概率；

对象识别模块404，可以用于通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

除此之外，在本公开的一种示例性实施例中，所述装置400还可以包括：

第一数据生成模块405，用于获取来自于用户的传感器数据，生成第一数据；

第二数据生成模块406，用于获取来自于机器人的传感器数据，生成第二数据；

识别模型获取模块407，用于通过所述第一数据与所述第二数据对卷积神经网络模型进行训练，以获取所述识别模型。

在本公开的一种示例性实施例中，所述识别模型获取模块407可以包括：

归一化模块4071，用于将所述第一数据与所述第二数据在每个维度上做归一化处理，以生成第一训练数据与第二训练数据；

模型训练模块4072，用于通过第一训练数据与第二训练数据对所述卷积神经网络模型进行训练，以获取所述识别模型。

在本公开的一种示例性实施例中，所述对象识别模块404可以包括：

第一识别模块4041，用于如果所述识别概率大于所述预设阈值，确定操作所述智能电子设备的对象是用户；

第二识别模块4042，用于如果所述识别概率小于所述预设阈值，确定操作所述智能电子设备的对象是机器人。

需要说明的是，上述人机识别装置中各模块的具体细节已经在对应的人机识别方法中进行了详细描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本发明的这种实施方式的电子设备500。图6显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行如图1中所示的步骤：在步骤s110中，通过智能电子设备的加速度传感器以及陀螺仪传感器获取待识别数据；在步骤s120中，对所述待识别数据进行采样，以生成样本数据；在步骤s130中，将所述样本数据输入识别模型，以获取识别概率；在步骤s140中，通过对比所述识别概率与预设阈值，确定操作所述智能电子设备的对象是用户或机器人。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。