基于触控轨迹图像处理的操作者年龄判定方法与流程

本发明属于计算机技术领域，具体涉及基于触控轨迹图像处理的操作者年龄判定方法。

背景技术：

随着互联网技术的快速发展，笔记本、手机、ipad、游戏机等智能设备越来越普及，使用智能设备的人群范围也不断扩大，上至七八十岁的老人，下至幼儿园小孩。目前，电子设备中的应用程序越来越多，各种系统软件、游戏软件和社交软件等，由于未成年人的心智还不够成熟，对很多应用程序中带有的欺诈、暴力等信息判断力不足，容易误入歧途；同时，在家庭环境中，年龄过小的孩子有可能不小心将父母手机中的重要应用程序删除，造成不可避免的损失。如果可以判断操作者的年龄从而设置权限就可以避免以上问题的发生。

现有技术中有根据人体肌肤纹理来估计人的年龄的算法模型，也有通过人脸识别来估计人的年龄的算法模型，但还没有通过手指滑动触屏的信息推断年龄估计值的数学模型。

技术实现要素：

针对以上问题的不足，本发明提供了一种基于触控轨迹图像处理的操作者年龄判定方法，通过获取操作者手指在触摸屏上的触控轨迹图像，获取图像的相关参数，然后分析这些参数与年龄估计值之间的关系，最后得出根据手指触控轨迹图像信息推断年龄的分类算法，从而实现对年龄的估计。

为实现上述目的，本发明基于触控轨迹图像处理的操作者年龄判定方法，包括以下步骤：

S1：进入年龄判定进程，触控屏幕虚拟雾化；

S2：操作者在触控屏上滑动，对应轨迹的虚拟雾化消失；

S3：通过截屏程序获取当前触控界面的雾化图片形成触控轨迹图像；

S4：将步骤S3所得的触控轨迹图像进行预处理，所述预处理包括灰度变换、高斯滤波法和图像二值化；

S5：获取预处理后触控轨迹图像的特征参数，所述特征参数包括滑动轨迹的长度信息、滑动轨迹的宽度信息和滑动轨迹的平均转角信息；

S6：将滑动轨迹的长度信息、滑动轨迹的宽度信息、滑动轨迹的平均转角信息作为输入，将年龄作为输出，通过KNN分类算法进行判断，得到年龄估计值。

进一步地，获取滑动轨迹的长度信息、滑动轨迹的宽度信息的具体步骤如下：

1)：提取触控轨迹图像的所有像素，通过边缘检测法获取触控轨迹图像的边缘像素；

2)：根据触控轨迹图像的所有像素得到轨迹面积S；根据触控轨迹图像的边缘像素得到轨迹的边缘周长C；

3)：预设滑动轨迹的宽度为M、长度为L；根据S＝LM，C＝2(L+M)，得到滑动轨迹的宽度值M和长度值L。

进一步地，所述边缘检测法采用Canny算子或者Soble边缘检测算法。

进一步地，所述年龄估计值为阶段年龄值Yi：第一阶段年龄值Y1、第二阶段年龄值Y2、第三阶段年龄值Y3和第四阶段年龄值Y4。

进一步地，所述第一阶段年龄值Y1：0～7岁；

所述第一阶段年龄值Y2：8～15岁；

所述第一阶段年龄值Y3：15～50岁；

所述第四阶段年龄值Y4：50岁以上。

进一步地，所述KNN分类算法的具体实现步骤如下：

1)：收集n个训练样本，所述训练样本中每个样本记为A_j，且：

A_j＝(x_j1，x_j2，x_j3，h_j)

设置近邻数k，所述EVEN()为向上取偶的函数；

j＝1～n，表示第j个样本；

x_j1为第j个样本的滑动轨迹长度归一化处理后的值；

x_j2为第j个样本的滑动轨迹宽度归一化处理后的值；

x_j3为第j个样本的滑动轨迹平均转角归一化处理后的值；

h_j为第j个样本所属年龄估计值；

2)：随机选择k个训练样本作为测试样本B＝(y₁，y₂，y₃)的初始近邻样本，计算k个初始近邻样本与测试样本的距离，并按升序排序，确定最远距离D；

3)：计算B与其余的n-k个训练样本的距离dist(A_j，B)，若dist(A_j，B)小于最远距离D，则将该样本加入测试样本B的k最近邻样本中，并将距离最远的一个训练样本挤出，以此方法轮询比较所有样本，得出最终的k最邻近样本；

4)：统计k最邻近样本中每个年龄估计值出现的次数，将出现频率最高的样本的年龄估计值作为测试样本B的年龄估计值。

进一步地，所述距离dist(A_j，B)的计算公式如下：

dist(A_j，B)＝[|x_j1-y₁|^p+(|x_j2-y₂|^p+|x_j3-y₃|^p]^1/p，p为取整的指数系数；

进一步地，所述n个训练样本中每个年龄的样本数量一样。

由上述方案可知，本发明提供了一种基于触控轨迹图像处理的操作者年龄判定方法，通过获取操作者手指在触摸屏上的触控轨迹图像，获取图像的相关参数：滑动轨迹的长度信息、滑动轨迹的宽度信息、滑动轨迹的平均转角信息，然后分析这些参数与年龄估计值之间的关系，最后得出根据手指触控轨迹图像信息推断年龄的分类算法，从而实现对年龄的估计。

附图说明

为了更清楚地说明本发明，下面对所需要使用的附图作简单地介绍。附图中，各元件并不一定按照实际的比例绘制。

图1为本实施例年龄判定方法的流程图；

图2为本实施例滑动轨迹长度和宽度的计算方法流程图；

图3为本实施例KNN分类算法流程图。

具体实施方式

下面将结合附图对本发明的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的产品，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例：

本发明提供一种基于触控轨迹图像处理的操作者年龄判定方法，如图1～图3所示，包括以下步骤：

S1：进入年龄判定进程，触控屏幕虚拟雾化；

S2：操作者在触控屏上滑动，对应轨迹的虚拟雾化消失；

S3：通过截屏程序获取当前触控界面的雾化图片形成触控轨迹图像；

S4：将步骤S3所得的触控轨迹图像进行预处理，所述预处理包括灰度变换、高斯滤波法和图像二值化；

S5：获取预处理后触控轨迹图像的特征参数，所述特征参数包括滑动轨迹的长度信息、滑动轨迹的宽度信息和滑动轨迹的平均转角信息；

S6：将滑动轨迹的长度信息、滑动轨迹的宽度信息、滑动轨迹的平均转角信息作为输入，将年龄作为输出，通过KNN分类算法进行判断，得到年龄估计值。

本实施例的触屏滑动信息样本来自于200名不同年龄的自愿者，包括小孩、成年人和老人等，年龄范围为1～70岁，4个年龄阶段的志愿者分别为50名。年龄不一样，手指的大小不一样，则在触摸屏上滑动时的轨迹宽度就不一样；年龄不一样，每个人的习惯不一样，则每个人在触摸屏上滑动的长度和转角角度就不一样。本实施从以上三个方面综合考虑，通过KNN分类算法，依据统计学方法推导出根据手指触屏信息推断年龄估计值的数学模型，从而实现对年龄的估计。

本实施例中，在虚拟雾化的触屏上滑动就类似于生活中在雾化的玻璃窗上上滑动，从而留下滑动的轨迹图像；截屏获取图像后对图像进行预处理就可以获得滑动轨迹的二值图像；根据图像获取所需参数，通过KNN分类算法计算后，得到操作者的年龄估计值。

如图2所示，本实施例获取滑动轨迹的长度信息、滑动轨迹的宽度信息的具体步骤如下：

1)：提取触控轨迹图像的所有像素，通过边缘检测法获取触控轨迹图像的边缘像素；

2)：根据触控轨迹图像的所有像素得到轨迹面积S；根据触控轨迹图像的边缘像素得到轨迹的边缘周长C；

3)：预设滑动轨迹的宽度为M、长度为L；根据S＝LM，C＝2(L+M)，得到滑动轨迹的宽度值M和长度值L。

本实施例计算轨迹图像时将轨迹图像等效为长方形，再计算其长宽。

所述边缘检测法采用Canny算子或者Soble边缘检测算法。

所述年龄估计值为阶段年龄值Yi：第一阶段年龄值Y1、第二阶段年龄值Y2、第三阶段年龄值Y3和第四阶段年龄值Y4。

进一步地，所述第一阶段年龄值Y1：0～7岁；

所述第一阶段年龄值Y2：8～15岁；

所述第一阶段年龄值Y3：15～50岁；

所述第四阶段年龄值Y4：50岁以上。

如图3所示，所述KNN分类算法的具体实现步骤如下：

1)：收集n个训练样本，所述训练样本中每个样本记为A_j，且：

A_j＝(x_j1，x_j2，x_j3，h_j)

设置近邻数k，所述EVEN()为向上取偶的函数；

j＝1～n，表示第j个样本；

x_j1为第j个样本的滑动轨迹长度归一化处理后的值；

x_j2为第j个样本的滑动轨迹宽度归一化处理后的值；

x_j3为第j个样本的滑动轨迹平均转角归一化处理后的值；

h_j为第j个样本所属年龄估计值；

2)：随机选择k个训练样本作为测试样本B＝(y₁，y₂，y₃)的初始近邻样本，计算k个初始近邻样本与测试样本的距离，并按升序排序，确定最远距离D；

3)：计算B与其余的n-k个训练样本的距离dist(A_j，B)，若dist(A_j，B)小于最远距离D，则将该样本加入测试样本B的k最近邻样本中，并将距离最远的一个训练样本挤出，以此方法轮询比较所有样本，得出最终的k最邻近样本；

4)：统计k最邻近样本中每个年龄估计值出现的次数，将出现频率最高的样本的年龄估计值作为测试样本B的年龄估计值。

所述距离dist(A_j，B)的计算公式如下：

dist(A_j，B)＝[|x_j1-y₁|^p+(|x_j2-y₂|^p+|x_j3-y₃|^p]^1/p，p为取整的指数系数；

本实施例中的距离dist(Aj，B)也就是测试样本与训练样本的相似程度，通过计算训练样本中与测试样本相似程度最高的k个样本，对k个样本中的分类进行统计，出现频率最高的类别就是测试样本的类别。为了人测试结果更准确，因而所述n个训练样本中每个年龄的样本数量一样。

具体实施例：有500个训练样本，选择20个最邻近样本，进行距离计算并升序排序，得出最远距离为D，计算测试样本与其余的480个训练样本的距离，进行距离的比较后选出最终的20个最邻样本，这20个样本中Y2(8～15岁)出现的次数最多，则确定测试样本的年龄估计值为Y2(8～15岁)。

本实施例可以应用于各种设有触摸屏的电子设备，如电脑、手机、ipad、游戏机等，通过在触摸屏中设置触摸传感器，由触摸传感器来采集操作者使用电子设备时的触屏信息；此处的操纵者指使用电子设备的人群，可以是老人、小孩、成年人等；通过本发明得到的最终神经网络进行年龄的估计，得到不同的年龄阶段值，可以应用于通过年龄设置权限的场景，例如游戏软件、社交软件、支付软件等，通过年龄权限的设置控制青少年的行为，让成年人正常使用应用程序，未成年人则使用适合对应年龄阶段的应用程序；在实际应用中，可以防止未成年人沉溺于电子设备的游戏之后，防止被繁杂的社交软件中信息欺骗，促进未成年人的身心健康发展。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。