[發(fā)明專利]智能終端操作者年齡估計方法

在審

• 申請?zhí)枺?/td>: 201611190921.4
• 申請日: 2016-12-21
• 公開（公告）號: CN106777990A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計）人: 陳瀟瀟;余少雄;婁小平;熊佳慧;周永明
• 申請（專利權(quán)）人: 湖南文理學(xué)院
• 主分類號: G06F19/00
• 分類號: G06F19/00;G06F3/0485;G06F3/0488;G06N3/08
• 代理公司: 重慶棱鏡智慧知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)50222
• 代理人: 李興寰

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)技術(shù)領(lǐng)域，具體涉及一種智能終端操作者年齡估計方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，筆記本、手機(jī)、ipad、游戲機(jī)等智能設(shè)備越來越普及，使用智能設(shè)備的人群范圍也不斷擴(kuò)大，上至七八十歲的老人，下至幼兒園小孩。目前，電子設(shè)備中的應(yīng)用程序越來越多，各種系統(tǒng)軟件、游戲軟件和社交軟件等，由于未成年人的心智還不夠成熟，對很多應(yīng)用程序中帶有的欺詐、暴力等信息判斷力不足，容易誤入歧途；同時，在家庭環(huán)境中，年齡過小的孩子有可能不小心將父母手機(jī)中的重要應(yīng)用程序刪除，造成不可避免的損失。如果可以判斷操作者的年齡從而設(shè)置權(quán)限就可以避免以上問題的發(fā)生。

現(xiàn)有技術(shù)中有根據(jù)人體肌膚紋理來估計人的年齡的算法模型，也有通過人臉識別來估計人的年齡的算法模型，但還沒有通過手指滑動觸屏的信息推斷年齡的數(shù)學(xué)模型。

發(fā)明內(nèi)容

針對以上問題的不足，本發(fā)明提供了一種智能終端操作者年齡估計方法，通過獲取操作者手指在觸屏上滑動的信息，提取特征參數(shù)并進(jìn)行計算，得到所需的參數(shù)：滑動軌跡寬度、滑動速度和觸控力度，然后分析這些參數(shù)與年齡估計值之間的關(guān)系，最后得出根據(jù)手指觸屏信息推斷年齡估計值的數(shù)學(xué)模型，從而實現(xiàn)對年齡的估計。

為實現(xiàn)上述目的，本發(fā)明智能終端操作者年齡估計方法，包括以下步驟：

S1：獲取操作者手指在智能終端觸摸屏上的觸摸滑動信息；

S2：提取觸摸滑動信息中的特征參數(shù)，包括滑動軌跡寬度、滑動軌跡長度、時間參數(shù)、壓力參數(shù)；

S3：根據(jù)步驟S2提取的特征參數(shù)，計算滑動速度和觸控力度；

S4：將年齡作為因變量，將步驟S1和步驟S2所得的滑動軌跡寬度、滑動速度、觸控力度作為自變量，通過預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行年齡估計，得到操作者的年齡估計值。

進(jìn)一步地，所述步驟S2中時間參數(shù)信息包括：手指滑動時位于開始觸點的時間T₁和位于最后觸點的時間T₂。

進(jìn)一步地，所述步驟S3中滑動速度的計算方法如下：

1)：獲取手指滑動時位于開始觸點的時間T₁和位于最后觸點的時間T₂；

2)：計算手指滑動時間：T＝T₂-T₁；

3)：根據(jù)滑動軌跡長度L和手指滑動時間T，計算手指滑動速度：V＝L/T。

進(jìn)一步地，所述步驟S3中觸控力度的獲取方法如下：

1)：獲取每一時刻觸摸點的壓力值P_i；

2)：統(tǒng)計每個P_i出現(xiàn)的概率；

3)：將上一步得出的出現(xiàn)概率最高的P_i作為觸控力度值。

進(jìn)一步地，所述神經(jīng)網(wǎng)絡(luò)模型預(yù)先經(jīng)過大量訓(xùn)練樣本訓(xùn)練所得，訓(xùn)練步驟如下：

1)：建立用于計算年齡階段值的神經(jīng)網(wǎng)絡(luò)初始模型，所述神經(jīng)網(wǎng)絡(luò)為三層神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，各層的神經(jīng)元個數(shù)分別為3、n和1；確定輸入變量：滑動軌跡寬度信息x₁、滑動速度x₂和觸控力度x₃，輸出變量為年齡階段值；初設(shè)各神經(jīng)元之間的權(quán)重、隱含層和輸出層各神經(jīng)元的閾值、誤差函數(shù)E、誤差精度α；

2)：采集一個樣本的三個因變量(x₁，x₂，x₃)，將三個因變量輸入隱含層各神經(jīng)元，根據(jù)步驟1)所設(shè)的權(quán)重和閾值，計算出隱含層各神經(jīng)元的輸出值，并將其輸入到輸出層神經(jīng)元，計算出輸出層神經(jīng)元的輸出值；

隱含層神經(jīng)元輸出模型：

輸出層神經(jīng)元輸出模型：

i為輸入層第i個神經(jīng)元；

j為隱含層第j個神經(jīng)元；

x_i為神經(jīng)網(wǎng)絡(luò)的輸入值；

w_ij為入層神經(jīng)元與隱含層神經(jīng)元之間的權(quán)重；

o_j為隱含層神經(jīng)元輸出值；

w_j為隱含層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)重；

y為輸出層神經(jīng)元輸出值；

θ_j、θ_j為神經(jīng)元閾值；

f(x)是激發(fā)函數(shù)，

3)：輸出層神經(jīng)元根據(jù)誤差函數(shù)計算輸出誤差；

輸出誤差：t為期望的輸出目標(biāo)值；

神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)，進(jìn)行誤差修正，修正權(quán)重和閾值；