身份识别方法、装置、存储介质及终端与流程

1.本技术涉及身份识别技术领域，尤其涉及一种身份识别方法、装置、存储介质及终端。


背景技术：

2.网络游戏作为网络文化产业的一个重要门类，近年来正在持续快速发展，已经成为人们的重要休闲娱乐方式。整个游戏行业的规模以及用户数量逐年递增，一些超人气游戏甚至包括许多儿童用户。
3.但是，网络游戏作为一种网络空间的娱乐方式，其丰富的社交表达在某种程度上已经超越了单纯的娱乐，儿童用户沉迷其中，非常不利于其身心健康发展。


技术实现要素：

4.本技术实施例提供了一种身份识别方法、装置、存储介质及终端，通过获取用户和终端交互时的数据，可以确认用户身份。所述技术方案如下：
5.第一方面，本技术实施例提供了一种身份识别方法，其特征在于，所述方法包括：
6.采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据；
7.基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据；
8.基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据；
9.基于所述第一身份识别数据以及所述第二身份识别数据对所述目标用户进行身份识别。
10.第二方面，本技术实施例提供了一种身份识别装置，所述目标身份识别装置包括：
11.目标数据采集模块，用于采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据；
12.第一数据生成模块，用于基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据；
13.第二数据生成模块，用于基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据；
14.身份确认模块，用于基于所述第一身份识别数据以及所述第二身份识别数据对所述目标用户进行身份识别。
15.第三方面，本技术实施例提供一种存储介质，所述存储介质存储有至少一条指令，所述至少一条指令适于由处理器加载并执行上述的方法步骤。
16.第四方面，本技术实施例提供一种终端，可包括：处理器和存储器；其中，所述存储器存储有至少一条指令，所述至少一条指令适于由所述处理器加载并执行上述的方法步骤。
17.本技术一些实施例提供的技术方案带来的有益效果至少包括：
18.采用本技术实施例提供的身份识别方法，通过采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据，然后基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据，以及基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据，最后基于所述第一身份识别数据以及所述第二身份识别数据对所述目标用户进行身份识别，在不需要获取用户隐私信息的情况下，实现了对目标用户的身份识别，并且将触控操作数据以及手势动作数据分别使用两个模型进行身份预测并获得两个身份识别数据，基于两个身份识别数据进行最终的身份识别，降低了模型复杂度以及训练复杂度，保证了身份识别结果的准确率。
附图说明
19.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。
20.图1为本技术实施例提供了一种身份识别方法的流程示意图；
21.图2为本技术实施例提供了一种身份识别方法的流程示意图；
22.图3为本技术实施例提供了一种身份识别方法的流程示意图；
23.图4为本技术实施例提供了一种数据采集的举例示意图；
24.图5为本技术实施例提供了一种第一触控特征向量和第一触控操作向量序列的举例示意图；
25.图6为本技术实施例提供了一种数据增强的举例示意图；
26.图7为本技术实施例提供了一种数据级联的举例示意图；
27.图8为本技术实施例提供了一种手势动作数据预处理的举例示意图；
28.图9为本技术实施例提供了一种身份识别方法的流程示意图；
29.图10为本技术实施例提供了一种身份识别装置的结构示意图；
30.图11为本技术实施例提供了一种身份确认模块的结构示意图；
31.图12为本技术实施例提供了一种身份识别装置的结构示意图；
32.图13为本技术实施例提供了一种触控模型训练模块的结构示意图；
33.图14为本技术实施例提供了一种终端的结构示意图。
具体实施方式
34.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
35.在本技术的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本技术的描述中，需要说明的是，除非另有明确的规定和限定，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选
地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
36.现有技术中，为实现针对儿童用户的网络防沉迷，游戏相关企业着手将新兴技术应用于防沉迷工作中，例如，基于人脸识别的儿童身份识别、基于声音识别的儿童身份识别技术，通过采集操控者的面部、声音等个人信息，判断操控者是否为儿童。但是，面部、声音等个人信息属于敏感个人信息，利用部、声音等个人信息用于身份识别，有泄露用户隐私的隐患。
37.基于此，本技术提出了一种身份识别方法，通过采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据，然后基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据，以及基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据，最后基于所述第一身份识别数据以及所述第二身份识别数据对所述目标用户进行身份识别，在不需要获取用户隐私信息的情况下，实现了对目标用户的身份识别。
38.下面结合具体的实施例进行详细说明。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。附图中所示的流程图仅是示例性说明，不是必须按照所示步骤执行。例如，有的步骤是并列的，在逻辑上并没有严格的先后关系，因此实际执行顺序是可变的。
39.请参见图1，为本技术实施例提供了一种身份识别方法的流程示意图。在具体的实施例中，所述身份识别方法应用于身份识别装置以及配置有身份识别装置的终端。下面将以终端为例，说明本实施例的具体流程，当然，可以理解的，本实施例所应用的终端可以为智能手机、平板电脑、台式电脑、可穿戴式设备等，在此不做限定。下面将针对图1所示的流程进行详细的阐述，所述身份识别方法具体可以包括以下步骤：
40.s101，采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据；
41.在一个实施例中，在目标用户对终端显示屏操作时，终端按照预设频率采集目标用户的触控操作对应的目标触控操作数据，并同时按照相同的预设频率采集目标用户对终端显示屏操作时终端的传感器对应的目标手势动作数据。
42.所述目标触控操作数据是指目标用户在对终端显示屏操作时的动作数据，所述目标手势动作数据是指目标用户在对终端显示屏操作时传感器的数据，所述传感器可以终端中的加速度计传感器、陀螺仪传感器等。
43.可以理解的是，用户在对终端显示屏操作时，用户手的运动会使得终端产生跟随用户手的运动，这时终端内的传感器的数值会发生改变，例如加速度计传感器、陀螺仪传感器等，同一时刻，这些传感器的数值和用户手的运动是对应的。
44.在一个实施例中，在某一时刻采集的所述目标触控操作数据可以包括：当前时刻
的时间戳、目标用户的手指触碰的坐标、屏幕方向标志位、手指编号等。
45.在一个实施例中，在某一时刻采集的所述目标手势动作数据可以包括：当前时刻的时间戳、加速度计数据、陀螺仪数据等。
46.应当理解的是，在目标用户针对终端进行一系列触控操作时，由于每个用户的使用习惯不同，不同目标用户的触控操作都有独属于自己的操作习惯特征，而目标触控操作数据以及目标手势动作数据响应于目标用户的触控操作的实时对应数据，其上包含了目标用户进行触控操作时独一无二的操作习惯特征，通过采集目标触控操作数据以及目标手势动作数据，终端即可获取到目标用户的操作习惯特征，以便于根据采集到的目标触控操作数据以及目标手势动作数据中包含的目标用户的操作习惯特征，识别目标用户的身份。
47.s102，基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据；
48.所述第一身份识别模型是指预先训练好的基于全连接模块的神经网络模型，第一身份识别模型可以根据目标触控操作数据输出用于预测目标用户的用户身份的第一身份识别数据。
49.在一个实施例中，所述第一身份识别数据可以是目标用户为某一身份用户的概率。
50.在一个实施例中，将所述目标触控操作数据进行数据预处理，将所述目标触控操作数据转换为适用于模型输入的数据，然后将格式转换后的数据输入至第一身份识别模型中，第一身份识别模型根据输入的数据经过运算后可以输出用于预测目标用户的用户身份的第一身份识别数据。
51.s103，基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据；
52.所述第二身份识别模型可以vb是预先训练好的基于全连接模块和卷积模块的卷积神经网络模型，第二身份识别模型可以根据目标手势动作数据输出用于预测用户身份的第二身份识别数据。
53.在一个实施例中，第二身份识别数据可以是目标用户为某一身份用户的概率。
54.在一个实施例中，将所述目标手势动作数据进行数据预处理，将所述目标手势动作数据转换为适用于第二身份识别模型输入的数据，然后将格式转换后的数据输入至第二身份识别模型中，第二身份识别模型根据输入的数据经过运算后可以输出用于预测目标用户的用户身份的第二身份识别数据。
55.s104，基于所述第一身份识别数据以及所述第二身份识别数据对所述目标用户进行身份识别。
56.在一个实施例中，按照预设权重对第一身份识别数据以及第二身份识别数据进行加权求和，根据加权求和后的结果最终确定用户的身份。
57.本技术实施例中，将目标用户针对显示屏幕进行触控操作时，将终端对应产生的数据划分为目标触控操作数据以及目标手势动作数据。其中，目标触控操作数据以及目标手势动作数据都是目标用户对显示屏幕进行触控操作时产生的数据，两种数据都具有目标用户的操作习惯特征。因此，在本技术一个或多个实施例中，既可以将与目标触控操作数据对应的第一身份识别数据以及与目标手势动作数据对应的第二身份识别数据进行结合来
预测目标用户的身份，也可以单独利用目标触控操作数据或目标手势动作数据中的其中一种数据来预测目标用户的身份。
58.可选的，在一个实施例中，采集目标用户在对终端显示屏操作时的目标触控操作数据，基于目标触控操作数据以及第一身份识别模型生成第一身份识别数据，基于第一身份识别数据确定目标用户的身份。
59.可选的，在一个实施例中，采集目标用户在对终端显示屏操作时的目标手势动作数据，基于目标手势动作数据以及第二身份识别模型生成第二身份识别数据，基于第二身份识别数据确定目标用户的身份。
60.采用本技术实施例提供的身份识别方法，通过采集目标用户在对终端显示屏操作时的目标触控操作数据以及所述触控操作对应的目标手势动作数据，然后利用目标触控操作数据以及预先训练好的第一身份识别模型生成预测用户身份的第一身份识别数据，利用目标手势动作数据以及预先训练好的第二身份识别模型生成预测用户身份的第二身份识别数据，最终结合第一身份识别数据以及第二身份识别数据确定目标用户的身份，在不需要获取用户隐私信息的情况下，实现了对目标用户的身份识别，并且将触控操作数据以及手势动作数据分别使用两个模型进行身份预测并获得两个身份识别数据，基于两个身份识别数据进行最终的身份识别，降低了模型复杂度以及训练复杂度，保证了身份识别结果的准确率。
61.请参见图2，本技术又一实施例提供了一种身份识别方法的流程示意图。如图2所示，所述身份识别方法可以包括以下步骤：
62.s201，获取样本触控操作数据以及样本手势动作数据，所述样本触控操作数据包括第一年龄段用户在对终端显示屏操作时的第一样本触控操作数据以及第二年龄段用户在对终端显示屏操作时的第二样本触控操作数据，所述样本手势动作数据包括第一年龄段用户在对终端显示屏操作时的第一样本手势动作数据以及第二年龄段用户在对终端显示屏操作时的第二样本手势动作数据；
63.一个实施例中，根据需要将用户群体划分为不同年龄段的两个用户群体，包括第一年龄段用户以及第二年龄段用户，采集一定数量的第一年龄段用户在对终端显示屏操作时的第一样本触控操作数据以及与触控操作对应的第一样本手势动作数据，以及采集一定数量的第二年龄段用户在对终端显示屏操作时的第二样本触控操作数据以及与触控操作对应的第二样本手势动作数据。其中，第一样本触控操作数据以及第二样本触控操作数据可以包括：当前时刻的时间戳、用户的手指触碰的坐标、屏幕方向标志位、手指编号、用户的年龄、用户的id等；第一样本手势动作数据以及第二样本手势动作数据可以包括：当前时刻的时间戳、加速度计数据、陀螺仪数据等。
64.其中，第一样本触控操作数据以及第二样本触控操作数据用于训练第一身份识别模型，第一样本手势动作数据以及第二样本手势动作数据用于训练第二身份识别模型。
65.在一个实施例中，选择第一预设数量的第一年龄段用户，分别采集一定时长内各第一年龄段用户在终端的显示屏幕进行触控操作的第一样本触控操作数据以及与触控操作对应的第一样本手势动作数据，然后选择第二预设数量的第二年龄段用户，分别采集一定时长内各第二年龄段用户在终端的显示屏幕进行触控操作的第二样本触控操作数据以及与触控操作对应的第二样本手势动作数据。
66.在一个实施例中，第一年龄段用户可以为0～18周岁的未成年用户，第二年龄端用户可以为18～70周岁的成人用户；或，第一年龄段用户为0～14周岁的儿童用户，第二年龄段用户为14～70周岁的非儿童用户，第一年龄段用户以及第二年龄段用户的年龄划分可以根据需求自行设定，对此，本技术实施例不作具体限定。
67.可选的，每个年龄段的用户群体都有独属于本年龄段而不同于其他年龄段用户的操作习惯特征，因此，本技术实施例中不仅仅局限于第一年龄段用户以及第二年龄段用户的用户群体划分，还可以包括第三年龄段用户、第四年龄段用户等等。例如，第一年龄段用户为0～14周岁的儿童用户，第二年龄段用户为14～20周岁的青少年用户，第三年龄段用户为20～35周岁的青年用户，第四年龄段用户为35～50周岁的中年用户。
68.s202，基于所述第一样本触控操作数据以及所述第二样本触控操作数据训练第一身份识别模型；
69.其中，第一样本触控操作数据为第一年龄段用户在显示屏幕进行触控操作时对应产生的触控操作数据，第二样本触控操作数据为第二年龄段用户在显示屏幕进行触控操作时对应产生的触控操作数据。
70.在一个实施例中，利用第一样本触控操作数据以及第二样本触控操作数据训练第一身份识别模型，以使得第一身份识别模型可以根据任一用户的触控操作数据，都能够准确的判断出该用户为第一年龄段用户还是第二年龄段用户。其中，第一身份识别模型可以为基于全连接模块的神经网络模型，还可以为其他基于深度学习的神经网络模型。
71.可以理解的是，第一样本触控操作数据以及第二样本触控操作数据为作为原始数据不能直接输入至神经网络模型中，因此，在基于第一样本触控操作数据以及第二样本触控操作数据训练第一身份识别模型的过程中，在将第一样本触控操作数据以及第二样本触控操作数据输入至模型之前，还包括数据处理过程。
72.示意性的，在图2的基础上，如图3所示，步骤s202可以包括步骤s2021、步骤s2022以及步骤s2023。
73.s2021，按照多个预设维度提取所述第一样本触控操作数据的特征，得到各第一年龄段用户在各预设维度分别对应的第一触控特征向量，以及，按照多个预设维度提取所述第二样本触控操作数据的特征，得到各第二年龄段用户在各预设维度分别对应的第二触控特征向量；
74.在一个实施例中，对所述第一样本触控操作数据以及所述第二样本触控操作数据分别进行数据预处理，得到各第一年龄段用户分别对应的第一触控操作向量序列以及各第二年龄段用户分别对应的第二触控操作向量序列，然后对各所述第一触控操作向量序列中的第一触控操作向量分别按照多个所述预设维度进行特征提取处理，得到各第一年龄段用户在各预设维度分别对应的第一触控特征向量，最后对各所述第二触控操作向量序列中的第二触控操作向量分别按照多个所述预设维度进行特征提取处理，得到各第二年龄段用户在各预设维度分别对应的第二触控特征向量。
75.不难理解，本技术实施例中，第一样本触控操作数据以及第二样本触控操作数据的采集为按照预设频率进行采集，每次采集的数据信息包括当前时刻的时间戳、用户的手指触碰的坐标、屏幕方向标志位、手指编号、用户的年龄、用户的id等多部分信息，而单次采集的信息无法体现用户的操作习惯特征，因此，按照时间戳的顺序，将连贯的多次采集的触
控操作数据进行整合，整合成一个触控操作向量。例如，一个用户在样本数据采集时间段内，单指共执行了4次触控操作，而按照预设频率共采集了20次有效的触控操作数据，这二十次的采集的触控操作数据均包括对应的时间戳标记，根据时间戳标记可以将这20次采集到的触控操作数据划分为4组连续的触控操作数据，其中每组触控操作数据分别对应1次触控操作。具体请参见图3，为本技术实施例提供了一种采集触控操作数据的举例示意图。
76.如图4所示，图4所示为在用户执行一次触控操作时的数据采集情况，如图所示，在一次滑动触控操作中，按照预设频率共采集到五次触控操作数据，按照时间戳的先后顺序将五次触控操作数据进行整合，即可得到如图所示的触控操作对应的触控操作向量。
77.此外，在样本数据的采集过程中，每个用户都执行了多次触控操作，将每个用户对应的所有触控操作数据(包括第一样本触控操作数据以及第二样本触控操作数据)分别进行整合预处理，即得到与每个用户对应的包含多个触控操作向量的触控操作向量序列。即上述，对第一样本触控操作数据以及第二样本触控操作数据分别进行数据预处理，得到各第一年龄段用户分别对应的第一触控操作向量序列以及各第二年龄段用户分别对应的第二触控操作向量序列。
78.接着从多个预设维度提取触控操作向量序列中每个触控操作向量的特征，得到与各预设维度对应的动作特征向量。即上述，对各所述第一触控操作向量序列中的第一触控操作向量分别按照多个所述预设维度进行特征提取处理，得到各第一年龄段用户在各预设维度分别对应的第一触控特征向量，最后对各所述第二触控操作向量序列中的第二触控操作向量分别按照多个所述预设维度进行特征提取处理，得到各第二年龄段用户在各预设维度分别对应的第二触控特征向量。其中，所述预设维度包括但不限于：持续时间；整个滑动动作中坐标的相对距离；整个滑动动作中坐标的范围；整个滑动动作中坐标的最大最小值；矢量距离；轨迹距离；轨迹的方向；接触面积的均值；接触面积的方差；矢量速度；轨迹速度；加速度计均值；加速度计方差；俯仰角的均值；偏航角的均值；翻滚角的均值；俯仰角的方差；偏航角的方差；翻滚角的方差；俯仰角的最小值；偏航角的最小值；翻滚角的最小值；俯仰角的最大值；偏航角的最大值；翻滚角的最大值；俯仰角的均方根；偏航角的均方根；翻滚角的均方根；俯仰角的平均偏差、偏航角的平均偏差；翻滚角的平均偏差等。每个用户对应的触控操作向量序列中的每个触控操作向量均可以提取出与上述维度对应的动作特征向量。
79.请参见图5，为本技术实施例提供了一种第一触控特征向量和第一触控操作向量序列的举例示意图。如图4所示，某一个第一年龄段用户对应的第一触控操作向量序列包括第一触控操作向量1、第一触控操作向量2、第一触控操作向量3
……
第一触控操作向量n，其中，对第一触控操作向量1进行特征提取可以得到与m个预设维度对应的m个第一触控特征向量。
80.进一步的，第二触控特征向量、第二触控操作向量序列和第二年龄段用户之间的关系可类比图5，在此不进行赘述。
81.在一个实施例中，在提取得到特征向量之后，将数据显著异常的特征向量进行剔除。
82.可选的，在一个实施例中，在提取到特征向量之后，对各第一年龄段用户的第一触控特征向量以及各第二年龄段用户的第二触控特征向量进行数据均衡处理。
83.应当理解，在进行样本数据的采集过程中，由于用于样本采集的各第一年龄段用户以及各第二年龄段用户的用户数量可能不同，以及各第一年龄段用户以及各第二年龄段用户在样本采集的预设时长内执行触控操作的频率数量可能也不相同，因此对各第一年龄段用户的第一触控特征向量以及各第二年龄段用户的第二触控特征向量进行数据均衡处理，以使得第一年龄段用户对应的第一触控特征向量以及第二年龄段用户对应的第二触控特征向量的样本数据量均衡。
84.可选的，基于少类样本合成过采样技术(synthetic minority oversampling technique，smote)对各第一触控特征向量以及各第二触控特征向量进行数据均衡处理。可选的，还可以是其他的数据均衡算法，本技术实施例对此不作限定。
85.可选的，在一个实施例中，在数据均衡之后，将第一年龄段用户对应的第一触控特征向量以及第二年龄段用户对应的第二触控特征向量按照预设数据增强倍率进行数据增强处理，得到数据增强后的第一年龄段用户对应的第一触控特征向量以及第二年龄段用户对应的第二触控特征向量。
86.具体的，所述将第一年龄段用户对应的第一触控特征向量以及第二年龄段用户对应的第二触控特征向量按照预设数据增强倍率进行数据增强处理，包括：计算每个用户的每个预设维度下各动作特征向量的方差，基于计算得到的方差，构造一个均值为0的高斯分布，在高斯分布的特定区间采集数值作为在该预设维度下新生成的噪声，并将新生成的噪声叠加至各分别对应的预设维度进行增强数据的合成。
87.可选的，所述预设数据增强倍率以及所述特定区间均是可以根据不同的任务自由进行调节的。
88.请参见图6，为本技术实施例提供了一种数据增强的举例示意图。如图6所示，某个第一年龄段用户对应的第一触控操作向量序列中包括第一触控操作向量1、第一触控操作向量2
……
第一触控操作向量n，其中第一触控操作向量序列中的每个第一触控操作向量均可以对应提取得到与预设维度对应的第一触控特征向量，所示第一触控特征向量x即为方差为预设维度1下的各第一触控特征向量的方差和均值为0的高斯分布中的采集的新噪声，将该新噪声叠加至对应的预设维度下，即为基于高斯分布的数据增强。
89.s2022，将各第一年龄段用户分别对应的第一触控特征向量进行数组级联，得到各第一年龄段用户分别对应的第一触控特征向量序列，以及，将各第二年龄段用户对应的各第二动作向量进行数组级联，得到各第二年龄段用户分别对应的第二触控特征向量序列；
90.在一个实施例中，将第一年龄段用户在每个预设维度的第一触控特征向量进行数组级联，得到二维的第一触控特征向量序列，其中进行数组级联的各第一触控特征向量从同一个第一触控操作向量中提取而来；将第二年龄段用户在每个预设维度的第二触控特征向量进行数组级联，得到二维的第二触控特征向量序列，其中进行数组级联的各第二触控特征向量从同二个第二触控操作向量中提取而来。
91.具体的，请参见图7，为本技术实施例提供了一种数据级联的举例示意图。如图7所示，采集的某第一年龄段用户的第一触控操作向量序列经过特征提取后，得到如图所示的对应于各预设维度的第一触控特征向量，将第一触控特征向量1、第一触控特征向量2、
……
第一触控特征向量n进行数组级联，即得到如图所示的二维的第一触控特征向量序列。
92.s2023，基于各所述第一触控特征向量序列以及各所述第二触控特征向量序列训
练所述第一身份识别模型。
93.具体的，将各第一年龄段用户对应的第一触控特征向量序列以及各第二年龄段用户对应的第二触控特征向量序列按照预设轮次依次输入至第一身份识别模型中，训练第一身份识别模型，以使得第一身份识别模型分别学习到第一年龄段用户以及第二年龄段用户的操作习惯特征。
94.s203，基于所述第一样本手势动作数据以及所述第二样本手势动作数据训练第二身份识别模型；
95.其中，第一样本手势动作数据为第一年龄段用户在显示屏幕进行触控操作时对应产生的手势动作数据，第二样本手势动作数据为第二年龄段用户在显示屏幕进行触控操作时对应产生的手势动作数据。
96.在一个实施例中，利用第一样本手势动作数据以及第二样本手势动作数据训练第二身份识别模型，以使得第二身份识别模型可以根据任一用户的手势动作数据，都能够准确的判断出该用户为第一年龄段用户还是第二年龄段用户。其中，第二身份识别模型可以为基于全连接模块以及卷积模块的卷积神经网络模型，还可以为其他基于深度学习的神经网络模型。
97.第一样本手势动作数据以及第二样本手势动作数据为在用户对终端显示屏操作时采集的终端上传感器的数据
98.可以理解的是，第一样本手势动作数据以及第二样本手势动作数据为作为原始数据不能直接输入至神经网络模型中，因此，在基于第一样本手势动作数据以及第二样本手势动作数据训练第二身份识别模型的过程中，在将第一样本手势动作数据以及第二样本手势动作数据输入至模型之前，还包括数据处理过程。
99.示意性的，在图2的基础上，如图3所示，步骤s203可以包括步骤s2031、步骤s2032以及步骤s2033。
100.s2031，对所述第一样本手势动作数据以及所述第二样本手势动作数据分别进行数据预处理，得到各第一年龄段用户分别对应的第一手势动作向量序列以及各第二年龄段用户分别对应的第二手势动作向量序列；
101.具体的，依据时间戳将第一样本手势动作数据均分为多个时间段，对每个时间段内的样本手势动作数据求均值，将每个时间段内求均值得到的各样本传感器的均值作为一个第一手势动作向量，每个时间段对应一个第一手势动作向量，多个时间段对应一个第一手势动作向量序列；依据时间戳将第二样本手势动作数据均分为多个时间段，对每个时间段内的样本手势动作数据求均值，将每个时间段内求均值得到的各样本传感器的均值作为一个第二传感器向量，每个时间段对应一个第二传感器向量，多个时间段对应一个第二手势动作向量序列。
102.请一并参见图8，为本技术实施例提供了一种手势动作数据预处理的举例示意图。如图8所示，所示为一个用户执行触控操作时，采集的手势动作数据情况，其中，途中所示数据的每一行数据代表一个时间戳下的采集到的手势动作数据，例如x1、y1、z1、x11、y11、z11，为同一个时间戳下采集的手势动作数据。通过划分时间段，如图所示，所述时间段包括三个时间戳对应的数据，将每一类手势动作数据的三个时间戳下的三个数值进行求均值，即得到如图所示的第一手势动作向量。将多个时间段求均值得到的第一手势动作向量进行
级联，即可得到第一手势动作向量序列，所述手势动作数据即为终端上传感器的数据。
103.s2032，基于所设置的连续时间窗口将各所述第一手势动作向量序列分别转换成第一三维向量矩阵，以及基于所设置的连续时间窗口将各所述第二手势动作向量序列分别转换成第二三维向量矩阵；
104.具体的，通过设置固定的连续时间窗口，将二维的第一手势动作向量序列转换为三维的第一三维向量矩阵，以及通过设置固定的连续时间窗口，将二维的第二手势动作向量序列转换为三维的第二三维向量矩阵。
105.s2033，基于各所述第一三维向量矩阵以及各所述第二三维向量矩阵训练所述第二身份识别模型。
106.具体的，将各第一年龄段用户对应的第一三维向量矩阵以及各第二年龄段用户对应的第二三维向量矩阵按照预设轮次依次输入至第二身份识别模型中，训练第二身份识别模型，以使得第二身份识别模型分别学习到第一年龄段用户以及第二年龄段用户的操作习惯特征。
107.s204，采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据；
108.s205，基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据；
109.示意性的，在图2的基础上，如图9所示，步骤s205可以包括步骤s2051、步骤s2052以及步骤s2053。
110.s2051，按照多个预设维度提取所述目标触控操作数据的特征，得到所述目标触控操作数据在各预设维度分别对应的目标触控特征向量；
111.具体的，步骤s2051中提取目标触控操作数据的特征的步骤与步骤s2021中，提取样本触控操作数据的特征的过程相同，本步骤的具体解释可一并参见步骤s2021中的具体解释，在此不再赘述。
112.s2052，将各所述目标触控特征向量进行数组级联，得到目标触控特征向量序列；
113.具体的，步骤s2052中数组级联的过程与步骤s2022中数组级联的过程相同，本步骤的具体解释可一并参见步骤s2022中的具体解释，在此不再赘述。
114.s2053，将所述目标触控特征向量序列输入至所述第一身份识别模型中，得到第一身份识别数据。
115.具体的，将二维的目标触控特征向量序列输入至训练完成的第一身份识别模型中，第一身份识别模型可根据目标触控特征向量序列中包含的各个维度的特征信息，输出用于确定所述目标触控特征向量序列对应的用户的身份的第一身份识别数据。
116.s206，基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据；
117.示意性的，在图2的基础上，如图9所示，步骤s206可以包括步骤s2061、步骤s2062以及步骤s2063。
118.s2061，对所述目标手势动作数据进行数据预处理，得到所述目标手势动作数据对应的目标手势动作向量序列；
119.具体的，本步骤的具体解释可一并参见步骤s2031中的具体解释，在此不再赘述。
120.s2062，基于所设置的连续时间窗口将所述目标手势动作向量序列转换成目标三维向量矩阵；
121.具体的，本步骤的具体解释可一并参见步骤s2032中的具体解释，在此不再赘述。
122.s2063，将所述目标三维向量矩阵输入至第二身份识别模型中，得到第二身份识别数据。
123.具体的，将二维的目标三维向量矩阵输入至训练完成的第二身份识别模型中，第二身份识别模型可根据目标三维向量矩阵中包含的各个维度的特征信息，输出用于确定所述目标三维向量矩阵对应的用户的身份的第二身份识别数据。
124.s207，将所述第一身份识别数据以及所述第二身份识别数据按照预设权重进行加权求和，得到目标身份识别数据；
125.不难理解，所述第一身份识别数据为基于目标触控操作数据生成的识别数据，而所述第二身份识别数据为基于目标手势动作数据生成的识别数据。其中，目标触控操作数据以及目标手势动作数据均可以表达目标用户的操作习惯特征。在一个实施例中，可以根据为第一身份识别数据以及第二身份识别数据预设的权重，进行加权求和，得到最终的目标身份识别数据。
126.在一个实施例中，第一身份识别数据以及第二身份识别数据为相同的权重值。
127.s208，基于所述目标身份识别数据以及预设识别数据阈值确定所述目标用户的身份。
128.具体的，若所述目标身份识别数据大于或等于所述预设识别数据阈值，确定所述目标用户为第一年龄段用户；若所述目标身份识别数据小于所述预设识别数据阈值，确定所述目标用户为第二年龄段用户，所述第二年龄段用户与所述第一年龄段用户为不同年龄段的用户。
129.例如，若目标身份识别数据为指示目标用户是否为第一年龄段用户的概率，假设预设识别阈值为80％，若目标身份识别数据为85％，则目标用户为第一年龄段用户，若目标身份识别数据为60％，则目标用户为第二年龄段用户。
130.在本技术实施例中，通过获取两个年龄段群体的样本触控操作数据以及样本手势动作数据，采用样本触控操作数据以及样本手势动作数据分别训练两个神经网络模型，降低了模型的复杂度，提升了模型效果；且在第一身份识别模型训练的过程中对样本触控操作数据采用数据均衡和数据增强技术，不仅扩充了样本触控操作数据的数据量，而且保持了数据的离散度和差异度，保证了第一身份识别模型训练过程中样本触控操作数据的数据数量和数据质量，保证了第一身份识别模型的模型效果；在第二身份识别模型的训练过程中，通过设置连续时间窗口，将模型引入了时间序列的处理问题当中，提高了数据维度，利用第二身份识别模型可以挖掘更丰富更深层次的信息，保证了第二身份识别模型的模型效果。
131.采用本技术实施例提供的身份识别方法，通过采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据，然后利用目标触控操作数据以及预先训练好的第一身份识别模型生成预测用户身份的第一身份识别数据，利用目标手势动作数据以及预先训练好的第二身份识别模型生成预测用户身份的第二身份识别数据，最终结合第一身份识别数据以及第二身份识别数据确定目标用户的身份，在不需要获取用户隐私信息的
情况下，实现了对目标用户的身份识别，并且将触控操作数据以及手势动作数据分别使用两个模型进行身份预测并获得两个身份识别数据，基于两个身份识别数据进行最终的身份识别，降低了模型复杂度以及训练复杂度，保证了身份识别结果的准确率。
132.一个实施例中，当需要针对特定场景对用户身份进行识别确认时，可以对已训练好的模型进行迁移学习，而不需要重复采集大量数据训练第一身份识别模型以及第二身份识别模型。例如，当需要针对一款游戏的用户进行身份识别确认时，只需要采集小部分游戏用户的触控操作数据以及手势动作数据分别对已训练好的第一身份识别模型以及第二身份识别模型进行训练，并微调网络模型的参数即可。
133.请参见图10，为本技术实施例提供了一种身份识别装置的结构示意图。如图10所示，该身份识别装置1可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。根据一些实施例，该身份识别装置1包括，目标数据采集模块11、第一数据生成模块12、第二数据生成模块13以及身份确认模块14，具体包括：
134.目标数据采集模块11，用于采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据；
135.第一数据生成模块12，用于基于所述目标触控操作数据以及第一身份识别模型，得到第一身份识别数据；
136.第二数据生成模块13，用于基于所述目标手势动作数据以及第二身份识别模型，得到第二身份识别数据；
137.身份确认模块14，用于基于所述第一身份识别数据以及所述第二身份识别数据对所述目标用户进行身份识别。
138.可选的，所述第一数据生成模块12，具体用于：
139.按照多个预设维度提取所述目标触控操作数据的特征，得到所述目标触控操作数据在各预设维度分别对应的目标触控特征向量；
140.将各所述目标触控特征向量进行数组级联，得到目标触控特征向量序列；
141.将所述目标触控特征向量序列输入至所述第一身份识别模型中，得到第一身份识别数据。
142.可选的，所述第二数据生成模块13，具体用于：
143.对所述目标手势动作数据进行数据预处理，得到所述目标手势动作数据对应的目标手势动作向量序列；
144.基于所设置的连续时间窗口将所述目标手势动作向量序列转换成目标三维向量矩阵；
145.将所述目标三维向量矩阵输入至第二身份识别模型中，得到第二身份识别数据。
146.可选的，请参见图11，为本技术实施例提供了一种身份确认模块的结构示意图。如图11所示，所述身份确认模块14，包括：
147.数据融合单元141，用于将所述第一身份识别数据以及所述第二身份识别数据按照预设权重进行加权求和，得到目标身份识别数据；
148.身份确认单元142，用于基于所述目标身份识别数据以及预设识别数据阈值确定所述目标用户的身份。
149.可选的，所述身份确认单元142，具体用于：
150.若所述目标身份识别数据大于或等于所述预设识别数据阈值，确定所述目标用户为第一年龄段用户；
151.若所述目标身份识别数据小于所述预设识别数据阈值，确定所述目标用户为第二年龄段用户，所述第二年龄段用户与所述第一年龄段用户为不同年龄段的用户。
152.可选的，请参见图12，为本技术实施例提供了一种身份识别装置的结构示意图。如图12所示，所述装置还包括：
153.样本数据获取模块15，用于获取样本触控操作数据以及样本手势动作数据，所述样本触控操作数据包括第一年龄段用户在对终端显示屏操作时的第一样本触控操作数据以及第二年龄段用户在对终端显示屏操作时的第二样本触控操作数据，所述样本手势动作数据包括第一年龄段用户在对终端显示屏操作时的第一样本手势动作数据以及第二年龄段用户在对终端显示屏操作时的第二样本手势动作数据；
154.触控模型训练模块16，用于基于所述第一样本触控操作数据以及所述第二样本触控操作数据训练第一身份识别模型；
155.传感器模型训练模块17，用于基于所述第一样本手势动作数据以及所述第二样本手势动作数据训练第二身份识别模型。
156.可选的，请参见图13，为本技术实施例提供了一种触控模型训练模块的结构示意图。如图13所示，所述触控模型训练模块16，包括：
157.特征提取单元161，用于按照多个预设维度提取所述第一样本触控操作数据的特征，得到各第一年龄段用户在各预设维度分别对应的第一触控特征向量，以及，按照多个预设维度提取所述第二样本触控操作数据的特征，得到各第二年龄段用户在各预设维度分别对应的第二触控特征向量；
158.数据转换单元162，用于将各第一年龄段用户分别对应的第一触控特征向量进行数组级联，得到各第一年龄段用户分别对应的第一触控特征向量序列，以及，将各第二年龄段用户对应的各第二动作向量进行数组级联，得到各第二年龄段用户分别对应的第二触控特征向量序列；
159.模型训练单元163，用于基于各所述第一触控特征向量序列以及各所述第二触控特征向量序列训练所述第一身份识别模型。
160.可选的，如图13所示，所述触控模型训练模块16，还包括：
161.数据处理单元164，用于对各所述第一触控特征向量以及各所述第二触控特征向量进行数据均衡处理和/或对各所述第一触控特征向量以及各所述第二触控特征向量进行数据增强处理，得到处理后的各所述第一触控特征向量以及各所述第二触控特征向量。
162.可选的，所述特征提取单元161，具体用于：
163.对所述第一样本触控操作数据以及所述第二样本触控操作数据分别进行数据预处理，得到各第一年龄段用户分别对应的第一触控操作向量序列以及各第二年龄段用户分别对应的第二触控操作向量序列；
164.对各所述第一触控操作向量序列中的第一触控操作向量分别按照多个所述预设维度进行特征提取处理，得到各第一年龄段用户在各预设维度分别对应的第一触控特征向量；
165.对各所述第二触控操作向量序列中的第二触控操作向量分别按照多个所述预设
维度进行特征提取处理，得到各第二年龄段用户在各预设维度分别对应的第二触控特征向量。
166.可选的，所述传感器模型训练模块17，具体用于：
167.对所述第一样本手势动作数据以及所述第二样本手势动作数据分别进行数据预处理，得到各第一年龄段用户分别对应的第一手势动作向量序列以及各第二年龄段用户分别对应的第二手势动作向量序列；
168.基于所设置的连续时间窗口将各所述第一手势动作向量序列分别转换成第一三维向量矩阵，以及基于所设置的连续时间窗口将各所述第二手势动作向量序列分别转换成第二三维向量矩阵；
169.基于各所述第一三维向量矩阵以及各所述第二三维向量矩阵训练所述第二身份识别模型。
170.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
171.采用本技术实施例提供的身份识别方法，通过采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据，然后利用目标触控操作数据以及预先训练好的第一身份识别模型生成预测用户身份的第一身份识别数据，利用目标手势动作数据以及预先训练好的第二身份识别模型生成预测用户身份的第二身份识别数据，最终结合第一身份识别数据以及第二身份识别数据确定目标用户的身份，在不需要获取用户隐私信息的情况下，实现了对目标用户的身份识别，并且将触控操作数据以及手势动作数据分别使用两个模型进行身份预测并获得两个身份识别数据，基于两个身份识别数据进行最终的身份识别，降低了模型复杂度以及训练复杂度，保证了身份识别结果的准确率。
172.本技术实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1～图9示实施例的所述身份识别方法，具体执行过程可以参见图1～图9示实施例的具体说明，在此不进行赘述。
173.本技术还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行如上述图1～图9示实施例的所述身份识别方法，具体执行过程可以参见图1～图9示实施例的具体说明，在此不进行赘述。
174.请参考图14示出了本技术一个示例性实施例提供的终端的结构方框图。本技术中的终端可以包括一个或多个如下部件：处理器110、存储器120、输入装置130、输出装置140和总线150。处理器110、存储器120、输入装置130和输出装置140之间可以通过总线150连接。
175.处理器110可以包括一个或者多个处理核心。处理器110利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器110可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也
可以不集成到处理器110中，单独通过一块通信芯片进行实现。
176.存储器120可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory，rom)。可选地，该存储器120包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器120可用于存储指令、程序、代码、代码集或指令集。
177.其中，输入装置130用于接收输入的指令或数据，输入装置130包括但不限于键盘、鼠标、摄像头、麦克风或触控设备。输出装置140用于输出指令或数据，输出装置140包括但不限于显示设备和扬声器等。在本技术实施例中，输入装置130可以为温度传感器，用于获取终端的运行温度。输出装置140可以为扬声器，用于输出音频信号。
178.除此之外，本领域技术人员可以理解，上述附图所示出的终端的结构并不构成对终端的限定，终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、无线保真(wireless fidelity，wifi)模块、电源、蓝牙模块等部件，在此不再赘述。
179.在本技术实施例中，各步骤的执行主体可以是上文介绍的终端。可选地，各步骤的执行主体为终端的操作系统。操作系统可以是安卓系统，也可以是ios系统，或者其它操作系统，本技术实施例对此不作限定。
180.在图14的终端中，处理器110可以用于调用存储器120中存储的身份识别程序，并执行以实现如本技术各个方法实施例所述的身份识别方法。
181.采用本技术实施例提供的身份识别方法，通过采集目标用户在对终端显示屏操作时的目标触控操作数据以及目标手势动作数据，然后利用目标触控操作数据以及预先训练好的第一身份识别模型生成预测用户身份的第一身份识别数据，利用目标手势动作数据以及预先训练好的第二身份识别模型生成预测用户身份的第二身份识别数据，最终结合第一身份识别数据以及第二身份识别数据确定目标用户的身份，在不需要获取用户隐私信息的情况下，实现了对目标用户的身份识别，并且将触控操作数据以及手势动作数据分别使用两个模型进行身份预测并获得两个身份识别数据，基于两个身份识别数据进行最终的身份识别，降低了模型复杂度以及训练复杂度，保证了身份识别结果的准确率。
182.本领域的技术人员可以清楚地了解到本技术的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(field－programmable gate array，fpga)、集成电路(integrated circuit，ic)等。
183.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
184.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
185.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种
逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
186.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
187.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
188.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(read-only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
189.以上所述者，仅为本技术的示例性实施例，不能以此限定本技术的范围。即但凡依本技术教导所作的等效变化与修饰，皆仍属本技术涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、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技术的一般性原理并包括本技术未记载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，本技术的范围和精神由权利要求限定。