身份识别方法、装置、移动终端及存储介质.pdf

《身份识别方法、装置、移动终端及存储介质.pdf》由会员分享，可在线阅读，更多相关《身份识别方法、装置、移动终端及存储介质.pdf（23页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911008522.5 (22)申请日 2019.10.22 (71)申请人 OPPO广东移动通信有限公司 地址 523860 广东省东莞市长安镇乌沙海 滨路18号 (72)发明人 郭子亮 (74)专利代理机构 深圳市智圈知识产权代理事 务所(普通合伙) 44351 代理人 苗燕 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G06F 21/32(2013.01) (54)发明名称 身份识别方法、 装置、 移动终端及存储。

2、介质 (57)摘要 本申请公开了一种身份识别方法、 装置、 移 动终端及存储介质， 该身份识别方法应用于移动 终端， 移动终端包括用于采集行为数据的传感 器， 该身份识别方法包括： 获取所述传感器采集 的行为数据； 对所述行为数据进行特征提取， 获 得行为特征； 将所述行为特征输入预先训练的行 为分类模型， 获得所述行为分类模型输出的行为 类别； 将所述行为特征输入所述行为类别对应的 身份识别模型， 获得所述身份识别模型输出的身 份识别结果， 所述身份识别模型被预先训练， 以 根据输入的行为特征而输出身份识别结果。 本方 法可以实现无感身份识别， 提升用户体验。 权利要求书2页 说明书12页 。

3、附图8页 CN 110765939 A 2020.02.07 CN 110765939 A 1.一种身份识别方法， 其特征在于， 应用于移动终端， 所述移动终端包括用于采集行为 数据的传感器， 所述方法包括： 获取所述传感器采集的行为数据； 对所述行为数据进行特征提取， 获得行为特征； 将所述行为特征输入预先训练的行为分类模型， 获得所述行为分类模型输出的行为类 别； 将所述行为特征输入所述行为类别对应的身份识别模型， 获得所述身份识别模型输出 的身份识别结果， 所述身份识别模型被预先训练， 以根据输入的行为特征而输出身份识别 结果。 2.根据权利要求1所述的方法， 其特征在于， 所述将所述行。

4、为特征输入预先训练的行为 分类模型， 获得所述行为分类模型输出的行为类别， 包括： 对所述行为特征进行特征处理， 获得处理后的行为特征， 所述特征处理至少包括特征 清洗以及特征挖掘； 将所述特征处理后的行为特征输入预先训练的行为分类模型， 获得所述行为分类模型 输出的行为类别； 所述将所述行为特征输入所述行为类别对应的身份识别模型， 包括： 将所述特征处理后的行为特征输入所述行为类别对应的身份识别模型。 3.根据权利要求1所述的方法， 其特征在于， 在所述将所述行为特征输入所述行为类别 对应的身份识别模型， 获得所述身份识别模型输出的身份识别结果之前， 所述方法还包括： 判断所述行为类别是否为。

5、设定类别； 如果所述行为类别不为所述设定类别， 执行所述将所述行为特征输入所述行为类别对 应的身份识别模型， 获得所述身份识别模型输出的身份识别结果。 4.根据权利要求3所述的方法， 其特征在于， 所述方法还包括： 如果所述行为类别为所述设定类别， 输出第一提示内容， 所述第一提示内容用于提示 用户进行非所述设定类别的人体行为。 5.根据权利要求1所述的方法， 其特征在于， 所述身份识别模型通过如下步骤训练得 到： 获取训练数据集合， 所述训练数据集合包括设定用户的身份信息以及与所述身份信息 对应的样本行为特征， 所述样本行为特征为所述行为类别对应的行为特征； 将所述训练数据集合输入神经网络，。

6、 对所述神经网络进行训练， 获得所述行为类别对 应的所述身份识别模型。 6.根据权利要求5所述的方法， 其特征在于， 所述获取训练数据集合， 包括： 获取所述传感器采集的所述设定用户的行为数据； 对所述设定用户的行为数据进行特征提取， 获得所述设定用户的样本行为特征； 将所述设定用户的样本行为特征输入所述预先训练的行为分类模型， 获得输入预先训 练的行为分类模型， 获得所述行为分类模型输出的行为分类结果； 如果所述行为分类结果为所述行为类别时， 建立所述设定用户的样本行为特征与所述 设定用户的身份信息的对应关系， 获得所述训练数据集合。 7.根据权利要求6所述的方法， 其特征在于， 在所述获取。

7、所述传感器采集的所述设定用 权利要求书 1/2 页 2 CN 110765939 A 2 户的行为数据之前， 所述方法还包括： 输出第二提示内容， 所述第二提示内容用于提示所述设定用户进行所述行为类别的人 体行为。 8.根据权利要求1-7任一项所述的方法， 其特征在于， 所述获取所述传感器采集的行为 数据， 包括： 当身份识别的场景触发时， 获取当前进行身份识别的方式； 如果所述方式为人体行为的识别方式时， 获取所述传感器采集的行为数据。 9.一种身份识别装置， 其特征在于， 应用于移动终端， 所述移动终端包括用于采集行为 数据的传感器， 所述装置包括： 数据获取模块、 特征提取模块、 行为分。

8、类模块以及特征识别 模块， 其中， 所述数据获取模块用于获取所述传感器采集的行为数据； 所述特征提取模块用于对所述行为数据进行特征提取， 获得行为特征； 所述行为分类模块用于将所述行为特征输入预先训练的行为分类模型， 获得所述行为 分类模型输出的行为类别； 所述特征识别模块用于将所述行为特征输入所述行为类别对应的身份识别模型， 获得 所述身份识别模型输出的身份识别结果， 所述身份识别模型被预先训练， 以根据输入的行 为特征而输出身份识别结果。 10.一种移动终端， 其特征在于， 包括： 一个或多个处理器； 存储器； 一个或多个应用程序， 其中所述一个或多个应用程序被存储在所述存储器中并被配置 。

9、为由所述一个或多个处理器执行， 所述一个或多个程序配置用于执行如权利要求1-8任一 项所述的方法。 11.一种计算机可读取存储介质， 其特征在于， 所述计算机可读取存储介质中存储有程 序代码， 所述程序代码可被处理器调用执行如权利要求1-8任一项所述的方法。 权利要求书 2/2 页 3 CN 110765939 A 3 身份识别方法、 装置、 移动终端及存储介质 技术领域 0001 本申请涉及移动终端技术领域， 更具体地， 涉及一种身份识别方法、 装置、 移动终 端及存储介质。 背景技术 0002 移动终端， 例如智能手表、 手机等， 已经成为人们日常生活中最常用的消费型电子 产品之一。 随着。

10、科技的发展， 移动终端可实现的功能越来越多， 并随着移动终端可实现的功 能增多， 身份识别也逐渐出现于移动终端。 移动终端的身份识别技术中， 通常利用密码、 人 脸识别等技术进行身份识别， 而这些身份识别方法通常需要用户主动的参与， 会造成一些 特殊情况下的不便。 发明内容 0003 鉴于上述问题， 本申请提出了一种身份识别方法、 装置、 移动终端及存储介质， 以 改善上述问题。 0004 第一方面， 本申请实施例提供了一种身份识别方法， 应用于移动终端， 所述移动终 端包括用于采集行为数据的传感器， 所述方法包括： 获取所述传感器采集的行为数据； 对所 述行为数据进行特征提取， 获得行为特征。

11、； 将所述行为特征输入预先训练的行为分类模型， 获得所述行为分类模型输出的行为类别； 将所述行为特征输入所述行为类别对应的身份识 别模型， 获得所述身份识别模型输出的身份识别结果， 所述身份识别模型被预先训练， 以根 据输入的行为特征而输出身份识别结果。 0005 第二方面， 本申请实施例提供了一种身份识别装置， 所述装置包括： 应用于移动终 端， 所述移动终端包括用于采集行为数据的传感器， 所述装置包括： 数据获取模块、 特征提 取模块、 行为分类模块以及特征识别模块， 其中， 所述数据获取模块用于获取所述传感器采 集的行为数据； 所述特征提取模块用于对所述行为数据进行特征提取， 获得行为特。

12、征； 所述 行为分类模块用于将所述行为特征输入预先训练的行为分类模型， 获得所述行为分类模型 输出的行为类别； 所述特征识别模块用于将所述行为特征输入所述行为类别对应的身份识 别模型， 获得所述身份识别模型输出的身份识别结果， 所述身份识别模型被预先训练， 以根 据输入的行为特征而输出身份识别结果。 0006 第三方面， 本申请实施例提供了一种移动终端， 包括： 一个或多个处理器； 存储器； 一个或多个应用程序， 其中所述一个或多个应用程序被存储在所述存储器中并被配置为由 所述一个或多个处理器执行， 所述一个或多个程序配置用于执行上述第一方面提供的身份 识别方法。 0007 第四方面， 本申请。

13、实施例提供了一种计算机可读取存储介质， 所述计算机可读取 存储介质中存储有程序代码， 所述程序代码可被处理器调用执行上述第一方面提供的身份 识别方法。 0008 本申请提供的方案， 通过移动终端的传感器采集行为数据， 对行为数据进行特征 说明书 1/12 页 4 CN 110765939 A 4 提取， 获得行为特征， 将行为特征输入预先训练的行为分类模型， 获得行为分类模型输出的 行为类别， 然后将行为特征输入行为类别对应的身份识别模型， 获得身份识别模型输出的 身份识别结果， 该身份识别模型被预先训练， 以根据输入的行为特征而输出身份识别结果， 从而可以实现身份识别过程中不需要用户的主动参。

14、与， 用户无感知的情况下即可实现身份 识别， 提升用户体验。 附图说明 0009 为了更清楚地说明本申请实施例中的技术方案， 下面将对实施例描述中所需要使 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申请的一些实施例， 对于 本领域技术人员来讲， 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。 0010 图1示出了根据本申请一个实施例的身份识别方法流程图。 0011 图2示出了本申请实施例提供的加速度与时间的变化曲线图。 0012 图3示出了本申请实施例提供的加速度与频率的变化曲线图。 0013 图4示出了根据本申请另一个实施例的身份识别方法流程图。 00。

15、14 图5示出了本申请实施例提供的身份识别方法中行为分类的原理示意图。 0015 图6示出了本申请实施例提供的身份识别方法的原理示意图。 0016 图7示出了根据本申请又一个实施例的身份识别方法流程图。 0017 图8示出了根据本申请再一个实施例的身份识别方法流程图。 0018 图9示出了根据本申请一个实施例的身份识别装置的一种框图。 0019 图10示出了根据本申请一个实施例的身份识别装置中行为分类模块的框图。 0020 图11是本申请实施例的用于执行根据本申请实施例的身份识别方法的移动终端 的框图。 0021 图12是本申请实施例的用于保存或者携带实现根据本申请实施例的身份识别方 法的程序。

16、代码的存储单元。 具体实施方式 0022 为了使本技术领域的人员更好地理解本申请方案， 下面将结合本申请实施例中的 附图， 对本申请实施例中的技术方案进行清楚、 完整地描述。 0023 目前， 人类身份识别技术已被广泛研究， 因为人类身份识别在人机交互中起着重 要作用， 可以支持许多新兴应用， 如智能家居， 增强现实， 医疗保健等。 并且， 随着移动终端 的发展， 身份识别也广泛应用于移动终端上。 0024 在传统的身份识别技术中， 最为传统的基于密码核对的身份识别技术便利性较 差， 对于弱口令， 轻易可被攻破， 可靠性也得不到保障。 指纹识别、 声纹识别、 虹膜识别、 人脸 识别等方案相比密。

17、码核对便利性上得到了一定的提升， 但这些方案都需要用户主动完成一 定的动作， 用户有明显的感知。 遇到突发事件， 而急需进行身份识别时， 可能面临验证失败 (指纹湿手、 面部无法识别等)， 而造成无法身份识别成功而进行相应的操作。 0025 针对上述问题， 发明人提出了本申请实施例提供的身份识别方法、 装置、 移动终端 以及存储介质， 可以通过移动终端的传感器采集的行为数据， 并利用相应行为类别的身份 说明书 2/12 页 5 CN 110765939 A 5 识别模型对行为数据对应的行为特征进行识别， 从而获得身份识别结果， 无需用户进行主 动的动作， 实现无感知的身份识别， 提升用户体验。。

18、 其中， 具体的身份识别方法在后续的实 施例中进行详细的说明。 0026 请参阅图1， 图1示出了本申请一个实施例提供的身份识别方法的流程示意图。 所 述身份识别方法用于通过移动终端的传感器采集的行为数据， 并利用相应行为类别的身份 识别模型对行为数据对应的行为特征进行识别， 从而获得身份识别结果， 无需用户进行主 动的动作， 实现无感知的身份识别， 提升用户体验。 在具体的实施例中， 所述身份识别方法 应用于如图9所示的身份识别装置400以及配置有所述身份识别装置400的移动终端100(图 11)。 其中， 移动终端可以包括用于采集行为数据的传感器， 传感器可以包括加速度传感器、 陀螺仪传感。

19、器、 重力传感器、 心率传感器、 脑电波传感器、 定位传感器、 红外传感器等， 在此 不做限定。 下面将以移动终端为例， 说明本实施例的具体流程， 当然， 可以理解的， 本实施例 所应用的移动终端可以为智能手表、 手机等， 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： 0027 步骤S110： 获取所述传感器采集的行为数据。 0028 在本申请实施例中， 移动终端中可以设置有用于采集行为数据的多种传感器， 例 如加速度传感器、 陀螺仪传感器、 重力传感器、 心率传感器、 脑电波传感器、 定位传感器、 红 外传感器等。 其中， 行为数据可以指。

20、用于表征用户行为的数据， 用户行为可以包括走动、 静 止、 跑动、 下蹲、 手部的运动、 头部晃动等不同类型的用户行为， 具体的用户行为可以不做限 定。 不同的用户行为下， 这些传感器采集的行为数据也不同， 例如， 用户走路时与用户静止 时采集的行为数据不同。 行为数据并且对于不同的用户而言， 人体行为的特征是不同的， 因 此可以利用传感器采集的行为数据进行身份识别。 0029 在一些实施方式中， 移动终端在进行身份识别时， 可以获取用于采集行为数据的 传感器采集的行为数据。 其中， 移动终端获取的行为数据可以包括多种传感器采集的行为 数据， 例如， 可以获取全部的可以采集行为数据的传感器采集。

21、的行为数据， 也可以获取部分 传感器采集的行为数据， 在此不做限定。 可以理解的， 获取的行为数据的种类越多(即采集 行为数据的传感器的种类越多)， 用于进行身份识别的人体行为特征的维度越多， 越有利于 身份识别的识别率以及准确率。 0030 步骤S120： 对所述行为数据进行特征提取， 获得行为特征。 0031 在本申请实施例中， 移动终端在获取到用于采集行为数据的传感器采集的行为数 据后， 则可以对行为数据进行特征提取， 以获得行为特征， 以便后续根据行为特征进行身份 识别的过程。 0032 在一些实施方式中， 对获取的行为数据进行特征提取， 可以包括、 时序特征、 频域 特征以及统计特征。

22、， 具体提取的特征可以不作为限定。 其中， 移动终端获取的传感器采集的 行为数据可以为时序数据(即时域数据)， 例如， 如图2， 传感器为加速度传感器时， 图2示出 了加速度随时间的变化曲线图。 移动终端可以进行统计特征的提取， 例如， 从传感器检测的 行为数据中， 获取中位数、 均值、 最大值、 最小值、 峰值等， 从而得到时序数据中的统计特征， 例如， 针对图2所示的加速度随时间变化的曲线图中， 可以提取最大值以及最小值等； 移动 终端还可以根据时序数据， 获取时间轴上某一点的但前之以及预设时间间隔前后的值等， 从而得到时序特征； 移动终端还可以对时序数据进行快速傅里叶变换， 从而得到频域。

23、数据， 说明书 3/12 页 6 CN 110765939 A 6 然后分离高低频信号， 计算频域信号总体能力并取至少部分系数作为频域特征， 例如， 如图 3所示， 在对图2所示的加速度随时间变化的曲线进行快速傅里叶变换后， 可以获得加速度 与频率的变化曲线， 根据获得的加速度与频率曲线的变化曲线， 可以计算频域特征。 当然， 具体提取行为数据对应的行为特征的方式可以不作为限定。 0033 步骤S130： 将所述行为特征输入预先训练的行为分类模型， 获得所述行为分类模 型输出的行为类别。 0034 在本申请实施例中， 移动终端在对行为数据进行特征提取， 获得行为特征之后， 则 可以将获得的行为。

24、特征输入到预先训练的行为分类模型中， 得到行为分类区输出的分类结 果， 分类结果可以包括与该行为特征对应的行为类别。 0035 在一些实施方式中， 行为分类模型可以预先根据大量训练样本， 对初始模型训练 得到。 训练样本可以包括输入样本及输出样本， 输入样本可以包括各类传感器检测的行为 特征数据对应的行为特征， 输出样本可以为行为特征对应的行为类别， 从而已训练的行为 分类模型可以用于根据获取的行为特征， 输出行为类别。 输出的行为类别可以包括水平行 走、 垂直行走、 水平跑动、 垂直跑动、 站立、 静止等， 在此不做限定。 其中， 行为分类模型可以 由支持向量机(Support Vector。

25、 Machine， SVM)、 神经网络等训练得到， 在此不做限定。 0036 步骤S140： 将所述行为特征输入所述行为类别对应的身份识别模型， 获得所述身 份识别模型输出的身份识别结果， 所述身份识别模型被预先训练， 以根据输入的行为特征 而输出身份识别结果。 0037 在本申请实施例中， 不同行为类别可以对应有不同的身份识别模型。 在根据获得 的行为特征进行身份识别时， 移动终端可以将行为特征输入至行为类别对应的身份识别模 型中， 以获得身份识别结果。 0038 在一些实施方式中， 每个行为类别对应的身份识别模型， 也可以由大量训练样本 训练得到。 用于训练身份识别模型的训练样本同样可以。

26、包括输入样本及输出样本， 输入样 本可以包括同一行为类别对应的行为特征， 输出样本可以为与行为特征对应的用户的身份 信息， 从而已训练的身份识别模型可以用于根据输入的行为特征， 输出身份识别结果， 身份 识别结果可以包括与输入的行为特征匹配的身份信息、 或者不存在与输入的行为特征匹配 的身份信息等， 在此不做限定。 其中， 身份识别模型可以包括支持向量机(Support Vector Machine， SVM)、 神经网络等， 在此不做限定。 可以理解的， 由于不同行为类别的行为数据相 差较大， 因此对应的行为特征差距也较大， 而如果将大量的不同行为类别对应的行为特征 进行训练， 则最后得到的。

27、身份识别模型可能无法精确的区分不同用户的行为特征， 从而影 响身份识别模型的准确性。 因此， 可以针对不同的行为类别， 训练不同的身份识别模型， 从 而可以提升身份识别模型输出的身份识别结果的准确性。 0039 本申请实施例提供的身份识别方法， 移动终端通过传感器采集行为数据， 对行为 数据进行特征提取， 获得行为特征， 将行为特征输入预先训练的行为分类模型， 获得行为分 类模型输出的行为类别， 然后将行为特征输入行为类别对应的身份识别模型， 获得身份识 别模型输出的身份识别结果， 该身份识别模型被预先训练， 以根据输入的行为特征而输出 身份识别结果， 从而可以实现身份识别过程中不需要用户的主。

28、动参与， 用户无感知的情况 下即可实现身份识别， 提升用户体验。 另外， 根据不同的行为类别的行为识别模型， 对行为 特征进行识别， 也提升了身份识别的准确性， 也实现了用户可以通过多种行为类型的行为 说明书 4/12 页 7 CN 110765939 A 7 动作进行身份识别， 提升了用户体验。 0040 请参阅图4， 图4示出了本申请另一个实施例提供的身份识别方法的流程示意图。 该方法应用于上述移动终端， 所述移动终端包括用于采集行为数据的传感器， 下面将针对 图4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： 0041 步骤S210： 获取所述传感器采集的行为数据。 。

29、0042 步骤S220： 对所述行为数据进行特征提取， 获得行为特征。 0043 步骤S230： 对所述行为特征进行特征处理， 获得处理后的行为特征， 所述特征处理 至少包括特征清洗以及特征挖掘。 0044 在本申请实施例中， 移动终端在对传感器采集的行为数据进行特征提取， 获得行 为特征之后， 在利用行为分类模型识别行为特征对应的行为分类之前， 还可以对行为特征 进行特征处理。 0045 在一些实施方式中， 移动终端对获取的行为特征进行特征处理， 可以包括： 对所述 行为特征进行特征清洗以及特征挖掘。 其中， 特征清洗包括根据预先设定的清洗规则对行 为特征中的内容进行清除； 特征挖掘包括对行。

30、为特征进行挖掘， 以形成更多维度的特征。 0046 在一些实施方式中， 移动终端对行为特征进行特征清洗可以包括： 对行为特征中 的缺失值、 异常值进行去除， 例如， 去除不完整的数据、 类型错误的数据等。 作为一种具体的 实施方式， 特征清洗可以为缺失值处理， 缺失值小于预设百分比的维度可根据该维度的其 它取值拟合缺失值， 缺失值数量大于预设百分比则表示该特征为无效特征， 去除该维度。 其 中， 预设百分比可以为35、 40等， 具体的预设百分比可以不作为限定。 作为另一种具体 的实施方式， 特征清洗可以为对异常数据进行清理， 其中， 正常的数据可以满足以下规则： 加速度传感器单次采集的时序数。

31、据峰值落在均值加上正负2倍标准差范围、 加速度传感器 单次采集的时序数据谷值落在均值加上正负2倍标准差范围、 心率传感器单次采集的时序 数据峰值落在均值加上正负1.3倍标准差范围、 心率传感器单次采集的时序数据谷值落在 均值加上正负1.3倍标准差范围、 设备旋转角度变化值不大于140度角以及设备旋转角度变 化值不小于8度角， 如果行为特征不满足上述规则， 则进行清除。 0047 在一些实施方式中， 对行为特征进行特征挖掘， 可以包括： 利用提升树模型对特征 清洗后的行为特征进行挖掘。 移动终端在将行为特征输入提升树模型之前， 还可以将行为 特征中的数值特征进行量化， 在对行为特征进行量化后而量。

32、化为向量。 然后将量化后的向 量输入至提升树模型， 提升树模型根据输入的向量， 而输出多维度的特征向量， 从而得到特 征处理后的行为特征。 0048 步骤S240： 将所述特征处理后的行为特征输入预先训练的行为分类模型， 获得所 述行为分类模型输出的行为类别。 0049 在本申请实施例中， 在对行为特征进行特征处理后， 则可以将特征处理后的行为 特征输入到行为分类模型中， 以获得行为分类模型输出的行为类别。 例如， 如图5所示， 向量 x输入到提升树模型中进行特征挖掘后， 经过特征挖掘后形成多维的向量W0、 W1、 W2、 W3和W4， 并输入到级联的行为分类模型(可以为训练后的线性分类器)中。

33、， 行为分类模型输出结果。 可以理解的， 行为特征经过上述特征清洗以及特征挖掘后， 再输入到行为分类模型进行行 为分类， 从而可以提升分类结果的准确性。 0050 在一些实施方式中， 在对行为分类模型进行训练时， 用于训练行为分类模型的行 说明书 5/12 页 8 CN 110765939 A 8 为特征， 同样可以进行上述的特征清洗以及特征挖掘的特征处理过程， 从而可以使得训练 得到的行为分类模型更好的分类能力， 其输出的行为分类结果的准确性高。 0051 步骤S250： 判断所述行为类别是否为设定类别。 0052 在本申请实施例中， 移动终端在获得行为特征对应的行为类别之后， 可以判断行 。

34、为类别是否为设定类别， 如果行为类别为设定类别， 以确定当前的行为特征是否可以用于 进行身份识别。 可以理解的， 如果用户的行为数据对应的行为特征为一些特定的行为类别 时， 则无法利用这些行为特征进行身份识别， 例如， 行为类别为静止的类别时， 不同用户在 静止时， 传感器采集到的行为数据相同， 不会利用行为数据进行区别， 因此不能利用该行为 类别的行为特征进行身份识别。 其中， 设定类别可以包括： 静止、 站立、 坐立等类别， 具体的 设定类别不做限定。 可以理解的， 如果行为类别不为设定类别， 则表示可以利用该行为特征 进行身份识别； 如果该行为类别为设定类别时， 则表示不可以利用该行为特。

35、征进行身份识 别。 0053 步骤S260： 如果所述行为类别不为所述设定类别， 将所述行为特征输入所述行为 类别对应的身份识别模型， 获得所述身份识别模型输出的身份识别结果， 所述身份识别模 型被预先训练， 以根据输入的行为特征而输出身份识别结果。 0054 在本申请实施例中， 如果判断出获取的行为特征的行为类别不为设定类别， 则可 以利用该行为特征进行身份识别， 该情况下存在该行为类别对应的身份识别模型。 因此， 可 以将行为特征输入到行为类别对应的身份识别模型， 从而获得身份识别模型输出的身份识 别结果。 例如， 如图6所示， 在将行为特征输入到行为分类模型后， 根据行为分类输入到行为 。

36、分类对应的身份识别模型中， 最后获得身份识别结果。 0055 步骤S270： 如果所述行为类别为所述设定类别， 输出第一提示内容， 所述第一提示 内容用于提示用户进行非所述设定类别的人体行为。 0056 在本申请实施例中， 如果判断出获取的行为特征的行为类别为设定类别， 则不能 利用该行为特征进行身份识别， 该情况下不存在该行为类别对应的身份识别模型， 从而身 份识别过程失败， 避免了进行无效的识别操作。 因此， 如果行为类别为设定类别时， 可以输 出第一提示内容， 以提示用户进行非设定类别的人体行为， 以便进行身份识别。 其中， 第一 提示内容的行为可以声音、 图像、 文字等形式进行展示， 。

37、在此不做限定。 0057 本申请实施例提供的身份识别方法， 移动终端通过传感器采集行为数据， 对行为 数据进行特征提取， 获得行为特征， 对行为特征进行特征清洗以及特征挖掘的特征处理， 再 将特征处理后的行为特征输入预先训练的行为分类模型， 获得行为分类模型输出的行为类 别， 判断行为类别是否为设定类别， 如果不为设定类别时， 后将特征处理后的行为特征输入 行为类别对应的身份识别模型， 获得身份识别模型输出的身份识别结果， 该身份识别模型 被预先训练， 以根据输入的行为特征而输出身份识别结果， 从而可以实现身份识别过程中 不需要用户的主动参与， 用户无感知的情况下即可实现身份识别， 提升用户体。

38、验。 另外， 根 据不同的行为类别的行为识别模型， 对行为特征进行识别， 也提升了身份识别的准确性。 0058 请参阅图7， 图7示出了本申请又一个实施例提供的身份识别方法的流程示意图。 该方法应用于上述移动终端， 所述移动终端包括用于采集行为数据的传感器， 下面将针对 图7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： 0059 步骤S310： 获取训练数据集合， 所述训练数据集合包括设定用户的身份信息以及 说明书 6/12 页 9 CN 110765939 A 9 与所述身份信息对应的样本行为特征， 所述样本行为特征为所述行为类别对应的行为特 征。 0060 在本申请实。

39、施例中， 针对前述实施例中的身份识别模型， 本申请实施例中还包括 对该身份识别模型的训练方法， 值得说明的是， 对身份识别模型的训练可以是根据获取的 训练数据集合预先进行的， 后续在每次进行身份识别时， 则可以利用身份识别模型进行， 而 无需每次进行身份识别时， 对模型进行训练。 0061 下面以训练一行为类别对应的身份识别模型进行介绍。 0062 在一些实施方式中， 所述获取训练数据集合， 可以包括： 获取所述传感器采集的所 述设定用户的行为数据； 对所述设定用户的行为数据进行特征提取， 获得所述设定用户的 样本行为特征； 将所述设定用户的样本行为特征输入所述预先训练的行为分类模型， 获得 。

40、输入预先训练的行为分类模型， 获得所述行为分类模型输出的行为分类结果； 如果所述行 为分类结果为所述行为类别时， 建立所述设定用户的样本行为特征与所述设定用户的身份 信息的对应关系， 获得所述训练数据集合。 0063 可以理解的， 在获取训练数据集合时， 可以针对不同的设定用户， 对该行为类别的 人体行为的大量行为数据进行获取。 其中， 设定用户可以为已知身份信息的用户。 在获取到 设定用户的该行为类别的行为数据后， 可以进行特征提取而获得样本行为特征， 再利用行 为分类模型进行分类， 从而可以获得行为分类模型输出的行为分类结果， 并确定行为分类 结果是否为该行为类别。 如果行为分类结果为该行。

41、为类别， 则表示样本行为特征为该行为 类别对应的行为特征， 因此， 该样本行为特征可以用于训练该行为类别对应的身份识别模 型。 通过将该设定用户的样本行为特征标注为该设定用户的身份信息， 从而建立起设定用 户对应的样本行为特征与设定用户的身份信息的对应关系。 在对设定用户的大量的行为数 据均进行上述处理后， 即可获得训练数据集合。 0064 在一些实施方式中， 在所述获取所述传感器采集的所述设定用户的行为数据之 前， 所述方法还包括： 输出第二提示内容， 所述第二提示内容用于提示所述设定用户进行所 述行为类别的人体行为。 可以理解的， 在获取用于训练该行为类别的训练数据集合时， 可以 输出提示。

42、内容， 以提示用户进行该行为类别的人体行为， 便于获取该行为类别的行为数据， 以进一步的提取样本行为特征。 另外， 虽然用户进行了该行为类别的人体行为， 但可能用户 的动作行为不标准， 因此上述获取训练数据集合的过程中， 对样本行为特征进行行为分类， 并确定行为分类结果为该行为类别时， 才建立样本行为特征与设定用户的身份信息的对应 关系。 0065 在本申请实施例中， 训练数据集合中， 样本行为特征即为用于进行训练的输入样 本， 被标注的设定用户的身份信息即为用于进行训练的输出样本， 每组训练数据可以包括 一个输入样本和一个输出样本。 训练数据集合中可以包括多个设定用户的输入样本以及输 出样本。

43、， 从而后续训练得到的身份识别模型可以识别多个用户的身份信息。 0066 步骤S320： 将所述训练数据集合输入神经网络， 对所述神经网络进行训练， 获得所 述行为类别对应的所述身份识别模型。 0067 在本申请实施例中， 可以根据训练数据集合， 将训练数据集合输入至神经网络进 行训练， 从而得到身份识别模型。 其中， 神经网络可以为深度神经网络， 在此不做限定。 0068 下面对根据训练数据集合训练初始模型进行说明。 说明书 7/12 页 10 CN 110765939 A 10 0069 训练数据集合中一组数据中的样本行为特征作为神经网络的输入样本， 一组数据 中标注的设定用户的身份信息可。

44、以作为神经网络的输出样本。 在神经网络中， 输入层中的 神经元与隐藏层的神经元全连接， 隐藏层的神经元与输出层的神经元全连接， 从而能够有 效提取不同粒度的潜在特征。 并且隐藏层数目可以为多个， 从而能更好地拟合非线性关系， 使得训练得到的身份识别模型更加准确。 可以理解的， 对身份识别模型的训练过程可以由 移动终端完成， 也可以不由移动终端完成。 当训练过程不由移动终端完成时， 则移动终端可 以只是作为直接使用者， 也可以是间接使用者， 即移动终端可以将获取的行为特征发送至 存储有身份识别模型的服务器， 从服务器获取身份识别结果。 0070 在一些实施方式中， 训练得到的身份识别模型可以存储。

45、于移动终端本地， 该训练 得到的身份识别模型也可以在与移动终端通信连接的服务器， 将身份识别模型存储在服务 器的方式， 可以减少占用移动终端的存储空间， 提升移动终端运行效率。 0071 在一些实施方式中， 身份识别模型可以周期性的或者不定期的获取新的训练数 据， 对该身份识别模型进行训练和更新。 0072 在本申请实施例中， 训练行为分类模型的方式也可以参阅上述训练身份识别模型 的过程， 训练数据可以由样本行为特征以及被标注的行为类别构成， 训练过程在此不再赘 述。 0073 步骤S330： 获取所述传感器采集的行为数据。 0074 步骤S340： 对所述行为数据进行特征提取， 获得行为特征。

46、。 0075 步骤S350： 将所述行为特征输入预先训练的行为分类模型， 获得所述行为分类模 型输出的行为类别。 0076 步骤S360： 将所述行为特征输入所述行为类别对应的身份识别模型， 获得所述身 份识别模型输出的身份识别结果， 所述身份识别模型被预先训练， 以根据输入的行为特征 而输出身份识别结果。 0077 在本申请实施例中， 步骤S330至步骤S360可以参阅前述实施例的内容， 在此不再 赘述。 0078 本申请实施例提供的身份识别方法， 提供了身份识别模型的训练方法， 通过被标 注有设定用户的身份信息的样本行为特征， 对初始模型进行训练， 从而得到身份识别模型， 身份识别模型可以。

47、用于根据采集的行为数据对应的行为特征， 而输出身份识别结果。 移动 终端通过传感器采集行为数据， 对行为数据进行特征提取， 获得行为特征， 将行为特征输入 预先训练的行为分类模型， 获得行为分类模型输出的行为类别， 然后将行为特征输入行为 类别对应的身份识别模型， 获得身份识别模型输出的身份识别结果， 从而可以实现身份识 别过程中不需要用户的主动参与， 用户无感知的情况下即可实现身份识别， 提升用户体验。 另外， 根据不同的行为类别的行为识别模型， 对行为特征进行识别， 也提升了身份识别的准 确性。 0079 请参阅图8， 图8示出了本申请再一个实施例提供的身份识别方法的流程示意图。 该方法应。

48、用于上述移动终端， 所述移动终端包括用于采集行为数据的传感器， 下面将针对 图8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： 0080 步骤S410： 当身份识别的场景触发时， 获取当前进行身份识别的方式。 0081 在本申请实施例中， 移动终端可以实现多种身份识别的方式， 其中， 多种身份识别 说明书 8/12 页 11 CN 110765939 A 11 的方式可以包括人体行为的识别方式、 人脸识别的识别方式、 虹膜识别的识别方式、 指纹识 别的识别方式等， 在此不做限定。 0082 移动终端可以对身份识别的场景进行监测， 以在身份识别的场景触发时， 确定是 否利用人。

49、体行为的识别方式进行身份识别。 其中， 身份识别的场景可以不作为限定， 例如， 可以为屏幕解锁、 支付等场景。 移动终端监测到身份识别的场景被触发时， 则可以获取当前 进行身份识别的方式， 并确定当前进行身份识别的方式是否为人体行为的识别方式， 以确 定是否利用本申请实施例提供的身份识别方法进行身份识别。 0083 步骤S420： 如果所述方式为人体行为的识别方式时， 获取所述传感器采集的行为 数据。 0084 在本申请实施例中， 如果当前进行身份识别的识别方式为人体行为的识别方式 时， 则可以执行获取传感器采集的行为数据的步骤， 至将所述行为特征输入所述行为类别 对应的身份识别模型， 获得所。

50、述身份识别模型输出的身份识别结果的步骤， 实现利用人体 行为的识别方式， 进行身份识别。 0085 在一种应用场景中， 移动终端可以为智能可穿戴设备(例如智能手表、 智能手环 等)， 上述身份识别的场景可以为支付场景， 此时如果选择的身份识别方式为人体行为的识 别方式， 则用户仅需要简单的做下行为动作， 使传感器采集的行为数据， 即可进行身份识别 并完成支付， 从而实现无感支付。 0086 步骤S430： 对所述行为数据进行特征提取， 获得行为特征。 0087 步骤S440： 将所述行为特征输入预先训练的行为分类模型， 获得所述行为分类模 型输出的行为类别。 0088 步骤S450： 将所述行。