[發明專利]一種基于卷積神經網絡的人機鼠標軌跡檢測方法

在審

• 申請號: 201711274982.3
• 申請日: 2017-12-06
• 公開（公告）號: CN107766852A
• 公開（公告）日: 2018-03-06
• 發明（設計）人: 漆進;張通;胡順達
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經網絡的人機鼠標軌跡檢測方法，其特征在于，所述方法包括：

(1)對訓練樣本庫和測試樣本庫中的鼠標軌跡采樣數據進行預處理，得到長度一致的原始特征；

(2)用(1)中提取的原始特征進行標準化，再通過卷積神經網絡自動進行特征提取，進而訓練和預測。

2.根據權利要求1所述的方法，其特征在于，所述步驟(1)中具體包括：

(11)每條鼠標軌跡采樣數據記錄了不同采樣時刻鼠標的坐標信息，記錄其坐標位置和采樣時刻得到軌跡T＝{P₁,P₂...,P_M}，每條鼠標軌跡的采樣點數量|T|不一定相同，采樣點越多，則鼠標軌跡記錄的信息量越大，檢測的計算代價越高；反之，采樣點越少，則鼠標軌跡記錄的信息量越小，檢測的識別率越低，為了平衡計算代價和檢測識別率，將鼠標軌跡等長縮放到長度L，具體步驟如下：

步驟1.當|T|＜L時，在相鄰兩個采樣點之間依次插入中點其中i＝1,2...,M-1，經過一次或者多次迭代使得|T|≥L；

步驟2.當|T|＞L時，從T中找到最小距離的一組點，用其中點取代之，經過一次或者多次迭代直到|T|＝L；

(12)從(11)得到的等長鼠標軌跡T＝{P₁,P₂...,P_M}中提取第i條鼠標軌跡的坐標和時間特征向量，記為X_i＝[x₁,x₂...,x_L]，Y_i＝[y₁,y₂...,y_L]，T_i＝[t₁,t₂...,t_L]；

(13)從(12)得到的坐標和時間特征向量中提取差分特征向量，記為DX_i＝[dx₁,dx₂...,dx_L]，DY_i＝[dy₁,dy₂...,dy_L]，DT_i＝[dt₁,dt₂...,dt_L]。計算公式如下：

dxj=xj+1-xjj=1,2...,L-1xL-xL-1j=L]]>

dyj=yj+1-yjj=1,2...,L-1yL-yL-1j=L]]>

dtj=tj+1-tjj=1,2...,L-1tL-tL-1j=L]]>

(14)從(12)得到的坐標和時間特征向量中提取速度特征向量，記為VX_i＝[vx₁,vx₂...,vx_L]，VY_i＝[vy₁,vy₂...,vy_L]，計算公式如下：

vxj=xj+1-xjtj+1-tjj=1,2...,L-1xL-xL-1tL-tL-1j=L]]>

vyj=yj+1-yjtj+1-tjj=1,2...,L-1yL-yL-1tL-tL-1j=L]]>

(15)從(12)得到的坐標和時間特征向量和(14)得到的速度特征向量中提取加速度特征向量，記為AX_i＝[ax₁,ax₂...,ax_L]，AY_i＝[ay₁,ay₂...,ay_L]，計算公式如下：

axj=vxj+1-vxjtj+1-tjj=1,2...,L-1vxL-vxL-1tL-tL-1j=L]]>

ayj=vyj+1-vyjtj+1-tjj=1,2...,L-1vyL-vyL-1tL-tL-1j=L]]>

(16)從(12)得到的坐標和時間特征向量中提取方向特征向量，記為K_i＝[k₁,k₂...,k_L]，KK_i＝[kk₁,kk₂...,kk_L]，AK_i＝[ak₁,ak₂...,ak_L]，計算公式如下：

kj=yj+1-yjxj+1-xjj=1,2...,L-1yL-yL-1xL-xL-1j=L]]>

kkj=kj+1-kjxj+1-xjj=1,2...,L-1kL-kL-1xL-xL-1j=L]]>

akj=kj+1-kjtj+1-tjj=1,2...,L-1kL-kL-1tL-tL-1j=L]]>

3.根據權利要求1所述的方法，其特征在于，所述步驟(2)中具體包括：

(21)對預處理中的坐標和時間特征向量、差分特征向量、速度特征向量、加速度特征向量、方向特征向量進行拼接，得到第i條鼠標軌跡的全部特征，記為F_i＝[X_i,T_i,Y_i,DX_i,DT_i,DY_i,VX_i,VY_i,AX_i,AY_i,K_i,KK_i,AK_i]^T，訓練樣本庫中全部鼠標軌跡的特征向量組成訓練集原始特征，測試樣本庫中全部鼠標軌跡的特征向量組成測試集原始特征，再求出每列特征的平均值μ和方差σ，分別對訓練集原始特征和測試集原始特征標準化，標準化公式如下所示：

Z=F-μσ]]>

得到訓練集原始特征和測試集原始特征的特征維數為13×L；

(22)將(21)中標準化后的訓練集原始特征輸入卷積神經網絡進行訓練，具體步驟如下：

步驟1.輸入層的維數與特征維數相同，為13×L；依次在卷積層C₁₁、C₁₂上進行多通道卷積操作，產生特征矩陣；依次通過Dropout層D₁、下采樣層P₁和ReLu激活函數進行非線性映射；

步驟2.步驟1產生的映射依次在卷積層C₂₁、C₂₂上進行多通道卷積操作，產生特征矩陣；依次通過Dropout層D₂、下采樣層P₂和ReLu激活函數進行非線性映射；

步驟3.步驟2產生的映射依次在卷積層C₃₁、C₃₂上進行多通道卷積操作，產生特征矩陣；依次通過Dropout層D₃、下采樣層P₃和ReLu激活函數進行非線性映射，得到原始特征的抽象非線性化特征表達向量；再通過sigmoid函數和logloss損失函數進行分類；

(22)將(21)中標準化后的測試集原始特征輸入卷積神經網絡進行預測，得到每條鼠標軌跡采樣數據是人類軌跡的概率，實現人機鼠標軌跡檢測。