CN107368717A - 一种身份识别的方法和终端 - Google Patents

Abstract

本发明实施例公开了一种身份识别的方法及终端，其中方法包括：若检测到用户握持终端，则获取握持数据；提取所述握持数据的握持特征；若所述握持特征满足预存的k个样本点的聚类特征，则确认所述用户的身份合法；其中，所述k个样本点被划分到m个数据簇中，所述k为正整数，所述m为大于1并且小于等于10的整数。本发明实施例通过提取握持特征的方式能够有效的反映用户握持终端的习惯，使得只需要用户拿起终端即可根据聚类分析对用户的身份进行识别，不需要用户付出大量的操作成本，提高身份识别的效率，不存在密码泄露的风险，并且不受环境因素制约，提高身份识别的安全性。

Description

一种身份识别的方法和终端

技术领域

本发明涉及电子技术领域，尤其涉及一种身份识别的方法和终端。

背景技术

随着智能终端设备的广泛应用，其信息安全的问题越来越得到重视，通过对用户身份识别能够有效保护智能终端设备上的信息安全。

目前，通常使用密码或者指纹等方式来识别用户身份，但是以密码作为识别机制，用户需要付出大量操作成本，而且一旦被破解或无意中被他人知晓，用户的隐私将暴露于风险之中，而以指纹作为识别机制，智能终端设备需要配置指纹相关的硬件，增加制造成本，并且指纹识别率受到多种因素制约，例如手指受伤指纹有破损、手指上有水油等，都会影响其识别率，给用户造成困扰，同时，***的产生也让指纹的安全性大打折扣。

发明内容

本发明实施例提供一种身份识别的方法和终端，可以根据用户握持终端设备的习惯，通过对握持特征的聚类分析识别用户的身份，提高身份识别的安全性和识别效率。

第一方面，本发明实施例提供了一种身份识别的方法，该方法包括：

若检测到用户握持终端，则获取握持数据；

提取所述握持数据的握持特征；

若所述握持特征满足预存的k个样本点的聚类特征，则确认所述用户的身份合法；其中，所述k个样本点被划分到m个数据簇中，所述k为正整数，所述m为大于1并且小于等于10的整数。

另一方面，本发明实施例提供了一种终端，该终端包括:

数据采集单元，用于若检测到用户握持终端，则获取握持数据；

特征提取单元，用于提取所述握持数据的握持特征；

身份识别单元，用于若所述握持特征满足预存的k个样本点的聚类特征，则确认所述用户的身份合法；其中，所述k个样本点被划分到m个数据簇中，所述k为正整数，所述m为大于1并且小于等于10的整数。

本发明实施例在检测到用户握持终端时，获取握持数据，并提取该握持数据的握持特征，将该握持特征与预存的聚类特征进行比较，若该握持特征满足聚类特征则确认用户的身份合法，通过本发明实施例的方法，采用提取握持特征的方式能够有效的反映用户握持终端的习惯，使得只需要用户拿起终端即可根据聚类分析对用户的身份进行识别，不需要用户付出大量的操作成本，提高身份识别的效率，不存在密码泄露的风险，并且不受环境因素制约，提高身份识别的安全性。

附图说明

为了更清楚地说明本发明实施例技术方案，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，下面描述中的附图是本发明的一些实施例，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。

图1是本发明实施例一提供的一种身份识别的方法的示意流程图；

图2是本发明实施例提供的一种身份识别的方法中握持特征坐标系的示意图；

图3是本发明实施例提供的一种身份识别的方法中握持姿势示意图；

图4本发明实施例二提供的一种身份识别的方法的示意流程图；

图5是本发明实施例三提供的一种终端的示意性框图；

图6是本发明实施例四提供的一种终端的示意性框图；

图7是本发明实施例五提供的一种终端的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本发明实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

实施例一：

请参阅图1，图1是本发明实施例一提供的一种身份识别的方法的示意流程图，本实施例的执行主体可以是智能手机或者其他智能终端等设备。图1所示的身份识别的方法可以包括以下步骤：

S101、若检测到用户握持终端，则获取握持数据。

具体地，握持数据可以通过触摸传感器或者压力传感器等传感器获取。在终端的左边框、右边框和下边框等位置分别安装传感器，该传感器可以获取用户握持终端时对终端产生的压力数据。当用户握持终端时，该传感器检测到用户的手指接触到终端，收集每个触摸点的握持数据，该握持数据包括接触点的位置信息和接触点的压力数据。

S102、提取握持数据的握持特征。

具体地，如图2所示，以终端A的左下角为坐标原点，下边框所在的方向为X轴，左边框所在的方向为Y轴，建立三维坐标系。在该三维坐标系中，将每个触摸点的握持数据的握持特征用一个三维坐标(x，y，z)表示，其中，x表示接触点距离Y轴的垂直距离，y表示接触点距离X轴的垂直距离，z表示接触点的接触力度，接触力度根据传感器获取到的压力数据进行计算转换得到。

需要说明的是，由于用户在握持终端时，手指与终端之间通常存在一个接触面，即每个手指与终端之间均存在多个接触点。因此，在提取握持数据的握持特征时，对每个与终端接触的手指均提取一个目标接触点的握持特征。例如，如图3所示，当用户以图3中的手势握持终端时，目标接触点为5个，提取出的握持特征为5个。

在提取目标接触点的握持特征时，对每个与终端接触的手指，可以将该手指的多个接触点中处于中心位置的接触点作为目标接触点，或者将该手指的多个接触点中握持力度最大的接触点作为目标接触点，还可以通过对该手指的多个接触点的握持特征进行算法合成后，得到的综合握持特征作为目标接触点的握持特征。具体选择目标接触点的方式可以根据实际应用的需要进行设置，此处不做限制。

在对一个接触面上的多个接触点的握持特征进行算法合成时，可以使用算术平均、加权平均、几何平均、局部加权，以及朴素贝叶斯分类器(Naive Bayesian Classifier，NBC)等对多个握持特征进行计算，得到综合握持特征。

S103、若握持特征满足预存的k个样本点的聚类特征，则确认用户的身份合法；其中，k个样本点被划分到m个数据簇中，k为正整数，m为大于1并且小于等于10的整数。

具体地，终端预存了k个样本点的聚类特征，每个样本点均包含一个目标接触点的握持特征，通过对合法用户多次握持的握持特征进行提取后得到k个接触点的握持特征，该k个接触点的握持特征可以采用与步骤S102中相同的提取方式进行提取。终端通过对k个样本点进行聚类分析将该k个样本点划分到m个数据簇中，m为握持终端的手指的数量，每个数据簇对应一个手指的握持特征。m为大于1并且小于等于10的整数，即最少2个手指接触终端，最多10个手指接触终端。

若步骤S102得到当前用户的握持特征满足预存的k个样本点的聚类特征，即当前用户握持终端的每个手指的目标接触点的握持特征均能够被聚类到m个数据簇中，则确认当前用户的身份合法。

本发明实施例的身份识别的方法可以应用于屏幕解锁、应用解锁等，当通过本发明实施例的身份识别方法判断用户身份合法后，终端可以授权该用户对本终端进行查看、编辑、删除等操控。

由于不同用户的手掌大小和手指长度等手部特征各不相同，使得握持终端的握持特征各不相同，例如可以单手、双手或单双手交替握，手掌小的用户握持接触点偏手机底部，手掌大的用户握持接触点相对靠上，不同用户握持终端的力度也有大有小。因此，通过提取握持特征能够有效的反映用户握持终端的习惯，进而通过聚类分析准确判断用户的身份是否合法。

从上述图1示例的身份识别的方法可知，本实施例中，在检测到用户握持终端时，通过传感器获取握持数据，并提取该握持数据的握持特征，将该握持特征与预存的聚类特征进行比较，若该握持特征满足聚类特征则确认用户的身份合法，通过本发明实施例的方法，采用提取握持特征的方式能够有效的反映用户握持终端的习惯，使得只需要用户拿起终端即可根据聚类分析对用户的身份进行识别，不需要用户付出大量的操作成本，提高身份识别的效率，不存在密码泄露的风险，并且不受环境因素制约，提高身份识别的安全性。

实施例二：

请参阅图4，图4是本发明实施例二提供的一种身份识别的方法的示意流程图，本实施例的执行主体可以是智能手机或者其他智能终端等设备。图4所示的身份识别的方法可以包括以下步骤：

S201、获取样本数据。

具体地，样本数据可以通过触摸传感器或者压力传感器等传感器获取。在终端的左边框、右边框和下边框等位置分别安装传感器，该传感器可以获取用户握持终端时对终端产生的压力数据。当用户握持终端时，该传感器检测到用户的手指接触到终端，收集每个触摸点的握持数据，该握持数据包括接触点的位置信息和接触点的压力数据。

以终端的左下角为坐标原点，下边框所在的方向为X轴，左边框所在的方向为Y轴，建立三维坐标系，如图2所示。在该三维坐标系中，将每个触摸点的握持数据的握持特征用一个三维坐标(x，y，z)表示，其中，x表示接触点距离Y轴的垂直距离，y表示接触点距离X轴的垂直距离，z表示接触点的接触力度，接触力度根据传感器获取到的压力数据进行计算转换得到。

需要说明的是，由于用户在握持终端时，手指与终端之间通常存在一个接触面，即每个手指与终端之间均存在多个接触点。因此，在提取握持数据的握持特征时，对每个与终端接触的手指均提取一个目标接触点的握持特征。例如，如图3所示，当用户以图3中的手势握持终端时，目标接触点为5个，提取出的握持特征为5个。

在提取目标接触点的握持特征时，对每个与终端接触的手指，可以将该手指的多个接触点中处于中心位置的接触点作为目标接触点，或者将该手指的多个接触点中握持力度最大的接触点作为目标接触点，还可以通过对该手指的多个接触点的握持特征进行算法合成后，得到的综合握持特征作为目标接触点的握持特征。具体选择目标接触点的方式可以根据实际应用的需要进行设置，此处不做限制。

在对一个接触面上的多个接触点的握持特征进行算法合成时，可以使用算术平均、加权平均、几何平均、局部加权，以及NBC等对多个握持特征进行计算，得到综合握持特征。

按照上述特征提取方式，终端通过对合法用户多次握持的握持特征进行提取后得到k个样本点的样本数据，每个样本数据均包含一个目标接触点的握持特征。

S202、使用K-均值聚类算法对样本数据进行聚类分析，得到k个样本点的聚类特征，使得该k个样本点被划分到m个数据簇中。

K均值聚类算法是先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件，该终止条件可以是没有对象被重新分配给不同的聚类，或者没有聚类中心再发生变化等。

m为握持终端的手指的数量，每个数据簇对应一个手指的握持特征。m为大于1并且小于等于10的整数，即最少2个手指接触终端，最多10个手指接触终端。

具体地，使用K-均值聚类算法对样本数据进行聚类分析，得到k个样本点的聚类特征，使得该k个样本点被划分到m个数据簇中可以通过步骤S2021至步骤S2025实现，详细说明如下：

S2021、通过计算轮廓系数确定m的目标取值。

轮廓系数(Silhouette Coefficient)用于评估聚类效果，它结合内聚度(Cohesion)和分离度(Separation)两种因素，轮廓系数越大表示聚类效果越好。

具体地，通过计算轮廓系数确定m的目标取值可以通过如下步骤a1)至步骤a4)实现，详细说明如下：

a1)在每种m的可能取值情况下，采用穷举方式对k个样本点进行聚类。

具体地，对m的取值，从2到10进行遍历，在每种m的取值下，采用穷举方式对k个样本点进行聚类。

例如，若m＝2，k＝4，则聚类后的数据簇为2，将2个数据簇命名为a1和a2，将k个样本点命名为k1，k2，k3和k3，通过穷举方式得到的聚类方式包括：

聚类方式1：a1＝{k1}；a2＝{k2，k3，k4}

聚类方式2：a1＝{k2}；a2＝{k1，k3，k4}

聚类方式3：a1＝{k3}；a2：{k1，k2，k4}

聚类方式4：a1＝{k4}；a2：{k1，k2，k3}

聚类方式5：a1＝{k1，k3}；a2＝{k2，k4}

聚类方式6：a1＝{k2，k3}；a2＝{k1，k4}

聚类方式7：a1＝{k1，k2}；a2＝{k3，k4}

a2)在每种聚类方式下，计算每个样本点的轮廓系数，得到k个轮廓系数。

具体地，在每种聚类方式下，针对每个样本点ki计算其轮廓系数的方法可以通过如下步骤a21)至步骤a23)实现，详细说明如下：

a21)计算ki与ki所在数据簇内的其他样本点kj之间的距离s的平均值c1。

距离s可以通过欧氏距离公式计算得到。假设样本点ki的握持特征为(xi，yi，zi)，其他样本点kj的握持特征为(xj，yj，zj)，则ki与kj之间的距离s的计算公式为：

对按照上述公式得到的k个距离进行算术平均，得到平均值c1。

a22)计算ki与除ki所在数据簇之外的其他数据簇之间的最近距离c2。

对除ki所在数据簇之外的其他每个数据簇，计算ki与该数据簇中每个样本点之间的欧氏距离，并取这些欧氏距离的平均值得到ki与该数据簇之间的距离，取ki与除ki所在数据簇之外的其他每个数据簇之间的距离的最小值，即为最近距离c2。

a23)按照如下公式计算每个样本点ki的轮廓系数g：

a3)在每种聚类方式下，计算k个轮廓系数的平均值，作为每种聚类方式的整体轮廓系数。

具体地，在每种聚类方式下，根据在步骤a2)中得到的k个样本点的k个轮廓系数，计算这k个轮廓系数的平均值，作为每种聚类方式的整体轮库系数。

a4)选取整体轮廓系数最大的聚类方式对应m的取值作为m的目标取值。

具体地，在按照步骤a1)至步骤a3)得到每种m取值情况下的每种聚类方式的整体轮廓系数中，选取体轮廓系数最大的聚类方式对应的m的取值作为m的目标取值。

m的目标取值即为对k个样本点进行聚类时的最终数据簇数目。

S2022、随机选择m个样本点作为m个数据簇的起始中心点。

具体地，根据步骤S2021确定的m的目标取值，从k个样本点中随机选择m个样本点作为m个数据簇的起始中心点。

S2023、遍历k个样本点，将每个样本点划分到与该样本点距离最近的起始中心点所在的数据簇中。

具体地，对k个样本点进行遍历，对每个样本点计算其与m个起始中心点的欧氏距离，并在计算得到的m个欧氏距离中，取最小欧氏距离对应的起始中心点作为与该样本点距离最近的起始中心点，将该样本点划分到该起始中心点所在的数据簇中

S2024、更新每个数据簇的起始中心点。

具体地，根据步骤S2023得到的数据簇，计算每个聚类的平均值，即在每个数据簇中计算每个样本点的握持特征的平均值，对每个样本点的三维坐标分别计算每一维坐标的算数平均值和并将得到的三维坐标横作为该数据簇更新后的起始中心点的握持特征。

S2025、继续对k个样本点进行遍历，直到m个起始中心点不再变化为止。

具体地，重复步骤S2023至步骤S2024，继续对k个样本点进行遍历，直到m个起始中心点的握持特征不再发生变化为止。

以图3所示的握持方式为例，通过步骤S2021至步骤S2025对k个样本点进行聚类分析后，将得到5个数据簇，k个样本点被划分到这5个数据簇中。

需要说明的是，终端具有自我学习的能力，即合法用户在使用终端的过程中，终端每次获取到的合法用户的握持特征都将不断被聚类到对应的数据簇中，从而不断增加样本点，提高聚类分析的准确性和身份识别的识别率。

S203、若检测到用户握持终端，则获取握持数据。

具体地，当待验证身份的用户握持终端时，终端通过传感器收集每个触摸点的握持数据，该握持数据包括接触点的位置信息和接触点的压力数据。

S204、提取握持数据的握持特征。

具体地，握持特征包括待验证身份的用户与终端之间的n个接触点的特征数据，n为大于1的正整数。对握持数据的握持特征的提取可以采用与步骤S201相同的提取方式，此处不再赘述。

S205、若n等于m，则遍历n个接触点，计算每个接触点与聚类特征中每个数据簇的中心点之间的最小欧氏距离。

具体地，m为对样本数据进行聚类分析后得到的数据簇数目，n为待验证身份的用户与终端之间的接触点个数，如果n不等于m，则说明待验证身份的用户与终端之间接触的手指个数与数据簇数目不相等，则认定待验证身份的用户不合法，终端拒绝该用户对终端的操控请求，如果该用户正在进行屏幕解锁或者应用解锁等操作，则终端拒绝进行解锁，流程结束。

如果n等于m，即表示待验证身份的用户与终端之间接触的手指个数与数据簇数目相等，则遍历n个接触点，计算每个接触点与步骤S202聚类分析得到的每个数据簇的中心点之间的欧氏距离，并在得到的m个欧氏距离中取最小值作为每个接触点对应的最小欧氏距离。

每个数据簇的中心点即为步骤S202通过聚类分析得到的m个数据簇中不再变化的起始中心点。

S206、对每个接触点，计算最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离。

具体地，对每个接触点，根据步骤S205得到的最小欧氏距离，计算该最小欧氏距离对应的数据簇中的每个样本点与该数据簇的中心点之间的欧氏距离，并在得到的欧氏距离中区最大值作为该数据簇对应的最大欧氏距离。

S207、对每个接触点，若最小欧氏距离小于最大欧氏距离，则确认该接触点的特征数据满足聚类特征。

具体地，对每个接触点，如果步骤S205得到的最小欧氏距离小于步骤S206得到的最大欧氏距离，则确认该接触点属于最小欧氏距离对应的数据簇，即该接触点的特征数据满足步骤S202得到的k个样本点的聚类特征。流程继续执行步骤S208。

如果最小欧氏距离大于或者等于最大欧氏距离，则确认该接触点不属于最小欧氏距离对应的数据簇，及该接触点的特征数据不满足步骤S202得到的k个样本点的聚类特征，因此确认待验证身份的用户不合法，终端拒绝该用户对终端的操控请求，如果该用户正在进行屏幕解锁或者应用解锁等操作，则终端拒绝进行解锁，流程结束。

可以理解的是，在本发明实施例中，对每个接触点，若最小欧氏距离小于最大欧氏距离，则确认该接触点的特征数据满足聚类特征，在其他发明实施例中，也可以是对每个接触点，若最小欧氏距离小于或者等于最大欧氏距离，则确认该接触点的特征数据满足聚类特征。

S208、若n个接触点的特征数据均满足聚类特征，则确认用户的身份合法。

具体地，对n个接触点均按照步骤S205至步骤S207进行遍历后，若每个接触点的特征数据均满足S202得到的k个样本点的聚类特征，则确认该待验证身份的用户的身份合法。

本发明实施例的身份识别的方法可以应用于屏幕解锁、应用解锁等，当通过本发明实施例的身份识别方法判断用户身份合法后，终端可以授权该用户对本终端进行查看、编辑、删除等操控。

从上述图4示例的身份识别的方法可知，本实施例中，首先，终端通过传感器获取样本数据，并使用K-均值聚类算法对该样本数据进行聚类分析，得到k个样本点的聚类特征，使得该k个样本点被划分到m个数据簇中。然后，当检测到待验证身份的用户握持终端时，通过传感器获取握持数据，提取握持数据的n个接触点的握持特征，若n等于m，则遍历n个接触点，对每个接触点，计算该接触点与聚类特征中每个数据簇的中心点之间的最小欧氏距离，以及该最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离，若第一最小欧氏距离小于最大欧氏距离，则确认该接触点的特征数据满足聚类特征,若n个接触点的特征数据均满足聚类特征，则确认用户的身份合法，采用提取握持特征的方式能够有效的反映用户握持终端的习惯，使得只需要用户拿起终端即可根据聚类分析对用户的身份进行识别，不需要用户付出大量的操作成本，提高身份识别的效率，不存在密码泄露的风险，并且不受环境因素制约，提高身份识别的安全性。同时，使用K-均值聚类算法对样本数据进行聚类分析能够准确获取用户握持终端的特征，通过轮廓系数确定聚类的数据簇数目，能够提高对样本数据的聚类效果，提高K-均值聚类算法进行聚类分析的准确性，使得在对待识别身份的用户通过聚类特征判断身份合法性时提高身份识别的准确率。

实施例三：

请参阅图5，图5是本发明实施例三提供的一种终端示意框图。为了便于说明，仅示出了与本发明实施例相关的部分。图5示例的终端300可以是前述实施例一提供的一种身份识别的方法的执行主体。图5示例的终端300主要包括：数据采集单元31、特征提取单元32和身份识别单元33。各单元详细说明如下：

数据采集单元31，用于若检测到用户握持终端，则获取握持数据；

特征提取单元32，用于提取数据采集单元31获取的握持数据的握持特征；

身份识别单元33，用于若特征提取单元32提取的握持特征满足预存的k个样本点的聚类特征，则确认用户的身份合法；其中，k个样本点被划分到m个数据簇中，k为正整数，m为大于1并且小于等于10的整数。

本实施例提供的一种终端300中各单元实现各自功能的过程，具体可参考前述图1所示实施例的描述，此处不再赘述。

从上述图5示例的终端300可知，本实施例中，在检测到用户握持终端时，通过传感器获取握持数据，并提取该握持数据的握持特征，将该握持特征与预存的聚类特征进行比较，若该握持特征满足聚类特征则确认用户的身份合法，通过本发明实施例的方法，采用提取握持特征的方式能够有效的反映用户握持终端的习惯，使得只需要用户拿起终端即可根据聚类分析对用户的身份进行识别，不需要用户付出大量的操作成本，提高身份识别的效率，不存在密码泄露的风险，并且不受环境因素制约，提高身份识别的安全性。

实施例四：

请参阅图6，图6是本发明实施例四提供的一种终端示意框图。为了便于说明，仅示出了与本发明实施例相关的部分。图6示例的终端400可以是前述实施例二提供的一种身份识别的方法的执行主体。图6示例的终端400主要包括：数据采集单元41、特征提取单元42和身份识别单元43。各单元详细说明如下：

数据采集单元41，用于若检测到用户握持终端，则获取握持数据；

特征提取单元42，用于提取数据采集单元41获取的握持数据的握持特征；

身份识别单元43，用于若特征提取单元42提取的握持特征满足预存的k个样本点的聚类特征，则确认用户的身份合法；其中，k个样本点被划分到m个数据簇中，k为正整数，m为大于1并且小于等于10的整数。

进一步地，握持特征包括用户与所述终端之间的n个接触点的特征数据，n为大于1的正整数，身份识别单元43包括：

第一计算单元431，用于若n等于m，则遍历n个接触点，计算每个接触点与预存的k个样本点的聚类特征中每个数据簇的中心点之间的最小欧氏距离；

第二计算单元432，用于对每个接触点，计算第一计算单元431得到的最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离；

第一判断单元433，用于对每个接触点，若第一计算单元431得到的最小欧氏距离小于第二计算单元432得到的最大欧氏距离，则确认该接触点的特征数据满足聚类特征；

第二判断单元434，用于若n个接触点的特征数据均满足聚类特征，则确认用户的身份合法。

进一步地，终端400还包括：

样本采集单元44，用于获取样本数据；

聚类分析单元45，用于使用K-均值聚类算法对样本采集单元44获取的样本数据进行聚类分析，得到k个样本点的聚类特征，使得k个样本点被划分到m个数据簇中。

进一步地，聚类分析单元45包括：

计算单元451，用于通过计算轮廓系数确定m的目标取值；

选取单元452，用于随机选择m个样本点作为m个数据簇的起始中心点；

划分单元453，用于遍历k个样本点，将每个样本点划分到与该样本点距离最近的起始中心点所在的数据簇中；

更新单元454，用于更新每个数据簇的起始中心点；

遍历单元455，用于继续对k个样本点进行遍历，直到m个起始中心点不再变化为止。

进一步地，计算单元451还用于：

在每种m的可能取值情况下，采用穷举方式对k个样本点进行聚类；

在每种聚类方式下，计算每个样本点的轮廓系数，得到k个轮廓系数；

在每种聚类方式下，计算k个轮廓系数的平均值，作为每种聚类方式的整体轮廓系数。

选取整体轮廓系数最大的聚类方式对应的m的取值作为m的目标取值。

本实施例提供的一种终端400中各单元实现各自功能的过程，具体可参考前述图3所示实施例的描述，此处不再赘述。

从上述图5示例的终端300可知，本实施例中，首先，终端通过传感器获取样本数据，并使用K-均值聚类算法对该样本数据进行聚类分析，得到k个样本点的聚类特征，使得该k个样本点被划分到m个数据簇中。然后，当检测到待验证身份的用户握持终端时，通过传感器获取握持数据，提取握持数据的n个接触点的握持特征，若n等于m，则遍历n个接触点，对每个接触点，计算该接触点与聚类特征中每个数据簇的中心点之间的最小欧氏距离，以及该最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离，若第一最小欧氏距离小于最大欧氏距离，则确认该接触点的特征数据满足聚类特征,若n个接触点的特征数据均满足聚类特征，则确认用户的身份合法，采用提取握持特征的方式能够有效的反映用户握持终端的习惯，使得只需要用户拿起终端即可根据聚类分析对用户的身份进行识别，不需要用户付出大量的操作成本，提高身份识别的效率，不存在密码泄露的风险，并且不受环境因素制约，提高身份识别的安全性。同时，使用K-均值聚类算法对样本数据进行聚类分析能够准确获取用户握持终端的特征，通过轮廓系数确定聚类的数据簇数目，能够提高对样本数据的聚类效果，提高K-均值聚类算法进行聚类分析的准确性，使得在对待识别身份的用户通过聚类特征判断身份合法性时提高身份识别的准确率。

实施例五：

请参阅图7，图7是本发明实施例五提供的一种终端示意框图。图7所示的本实施例中的终端500可以包括：一个或多个处理器501(图5中仅示出一个)；一个或多个输入设备502(图5中仅示出一个)，一个或多个输出设备503(图5中仅示出一个)、存储器504。上述处理器501、输入设备502、输出设备503和存储器504通过总线505连接。存储器504用于存储指令，处理器501用于执行存储器504存储的指令。

其中，处理器501用于：

若检测到用户握持终端，则获取握持数据；

提取握持数据的握持特征；

若握持特征满足预存的k个样本点的聚类特征，则确认用户的身份合法；其中，k个样本点被划分到m个数据簇中，k为正整数，m为大于1并且小于等于10的整数。

进一步地，握持特征包括用户与终端之间的n个接触点的特征数据，n为大于1的正整数，处理器501还用于：

若n等于m，则遍历n个接触点，计算每个接触点与聚类特征中每个数据簇的中心点之间的最小欧氏距离；

对每个接触点，计算最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离；

对每个接触点，若最小欧氏距离小于最大欧氏距离，则确认该接触点的特征数据满足聚类特征；

若n个接触点的特征数据均满足聚类特征，则确认用户的身份合法。

进一步地，处理器501还用于：

获取样本数据；

使用K-均值聚类算法对样本数据进行聚类分析，得到k个样本点的聚类特征，使得k个样本点被划分到m个数据簇中。

进一步地，处理器501还用于：

通过计算轮廓系数确定m的目标取值；

随机选择m个样本点作为m个数据簇的起始中心点；

遍历k个样本点，将所述样本点划分到与该样本点距离最近的起始中心点所在的数据簇中；

更新每个数据簇的起始中心点；

继续对k个样本点进行遍历，直到m个起始中心点不再变化为止。

进一步地，处理器501还用于：

在每种m的可能取值情况下，采用穷举方式对k个样本点进行聚类；

在每种聚类方式下，计算每个样本点的轮廓系数，得到k个轮廓系数；

在每种聚类方式下，计算k个轮廓系数的平均值，作为每种聚类方式的整体轮廓系数。

选取整体轮廓系数最大的聚类方式对应的m的取值作为m的目标取值。

应当理解，在本发明实施例中，所称处理器501可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备502可以包括触控板、指纹采集传感器(用于采集用户的指纹信息和指纹的方向信息)、光线感应器(用于检测光线的强度)、麦克风等，输出设备503可以包括显示器(LCD等)、扬声器等。

该存储器504可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器504的一部分还可以包括非易失性随机存取存储器。例如，存储器504还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器501可执行本发明实施例一和实施例二提供的一种身份识别的方法所描述的实现方式，也可执行本发明实施例三和实施例四所描述的终端的实现方式，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以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***，或一些特征可以忽略，或不执行。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本发明实施例终端中的单元可以根据实际需要进行合并、划分和删减。

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发明实施例方案的目的。

另外，在本发明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，也可以是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。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种身份识别的方法，其特征在于，所述方法包括：

若检测到用户握持终端，则获取握持数据；

提取所述握持数据的握持特征；

若所述握持特征满足预存的k个样本点的聚类特征，则确认所述用户的身份合法；其中，所述k个样本点被划分到m个数据簇中，所述k为正整数，所述m为大于1并且小于等于10的整数。

2.根据权利要求1所述的方法，其特征在于，所述握持特征包括所述用户与所述终端之间的n个接触点的特征数据，所述n为大于1的正整数，所述若所述握持特征满足预存的k个样本点的聚类特征，则确认所述用户的身份合法包括：

若所述n等于所述m，则遍历所述n个接触点，计算每个所述接触点与所述聚类特征中每个所述数据簇的中心点之间的最小欧氏距离；

对每个所述接触点，计算所述最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离；

对每个所述接触点，若所述最小欧氏距离小于所述最大欧氏距离，则确认所述接触点的所述特征数据满足所述聚类特征；

若所述n个接触点的所述特征数据均满足所述聚类特征，则确认所述用户的身份合法。

3.根据权利要求1或2所述的方法，其特征在于，所述若检测到用户握持终端，则获取握持数据之前，所述方法还包括：

获取样本数据；

使用K-均值聚类算法对所述样本数据进行聚类分析，得到所述k个样本点的聚类特征，使得所述k个样本点被划分到m个数据簇中。

4.根据权利要求3所述的方法，其特征在于，所述使用K-均值聚类算法对所述样本数据进行聚类分析，得到所述k个样本点的聚类特征，使得所述k个样本点被划分到m个数据簇中包括：

通过计算轮廓系数确定所述m的目标取值；

随机选择m个样本点作为所述m个数据簇的起始中心点；

遍历所述k个样本点，将每个所述样本点划分到与该样本点距离最近的起始中心点所在的数据簇中；

更新每个所述数据簇的起始中心点；

继续对所述k个样本点进行遍历，直到m个所述起始中心点不再变化为止。

5.根据权利要求4所述的方法，其特征在于，所述通过计算轮廓系数确定所述m的目标取值包括：

在每种m的可能取值情况下，采用穷举方式对所述k个样本点进行聚类；

在每种聚类方式下，计算每个所述样本点的轮廓系数，得到k个轮廓系数；

在所述每种聚类方式下，计算所述k个轮廓系数的平均值，作为所述每种聚类方式的整体轮廓系数。

选取所述整体轮廓系数最大的聚类方式对应的所述m的取值作为所述m的目标取值。

6.一种终端，其特征在于，所述终端包括：

数据采集单元，用于若检测到用户握持终端，则获取握持数据；

特征提取单元，用于提取所述握持数据的握持特征；

身份识别单元，用于若所述握持特征满足预存的k个样本点的聚类特征，则确认所述用户的身份合法；其中，所述k个样本点被划分到m个数据簇中，所述k为正整数，所述m为大于1并且小于等于10的整数。

7.根据权利要求6所述的终端，其特征在于，所述握持特征包括所述用户与所述终端之间的n个接触点的特征数据，所述n为大于1的正整数，所述身份识别单元包括：

第一计算单元，用于若所述n等于所述m，则遍历所述n个接触点，计算每个所述接触点与所述聚类特征中每个所述数据簇的中心点之间的最小欧氏距离；

第二计算单元，用于对每个所述接触点，计算所述最小欧氏距离对应的数据簇中的样本点与中心点之间的最大欧氏距离；

第一判断单元，用于对每个所述接触点，若所述最小欧氏距离小于所述最大欧氏距离，则确认所述接触点的所述特征数据满足所述聚类特征；

第二判断单元，用于若所述n个接触点的所述特征数据均满足所述聚类特征，则确认所述用户的身份合法。

8.根据权利要求6或7所述的终端，其特征在于，所述终端还包括：

样本采集单元，用于获取样本数据；

聚类分析单元，用于使用K-均值聚类算法对所述样本数据进行聚类分析，得到所述k个样本点的聚类特征，使得所述k个样本点被划分到m个数据簇中。

9.根据权利要求8所述的终端，其特征在于，所述聚类分析单元包括：

计算单元，用于通过计算轮廓系数确定所述m的目标取值；

选取单元，用于随机选择m个样本点作为所述m个数据簇的起始中心点；

划分单元，用于遍历所述k个样本点，将每个所述样本点划分到与该样本点距离最近的起始中心点所在的数据簇中；

更新单元，用于更新每个所述数据簇的起始中心点；

遍历单元，用于继续对所述k个样本点进行遍历，直到m个所述起始中心点不再变化为止。

10.根据权利要求9所述的终端，其特征在于，所述计算单元还用于：

在每种m的可能取值情况下，采用穷举方式对所述k个样本点进行聚类；

在每种聚类方式下，计算每个所述样本点的轮廓系数，得到k个轮廓系数；

在所述每种聚类方式下，计算所述k个轮廓系数的平均值，作为所述每种聚类方式的整体轮廓系数。

选取所述整体轮廓系数最大的聚类方式对应的所述m的取值作为所述m的目标取值。