[发明专利]一种基于卷积神经网络的人机鼠标轨迹检测方法

权利要求书

1.一种基于卷积神经网络的人机鼠标轨迹检测方法，其特征在于，所述方法包括：

(1)对训练样本库和测试样本库中的鼠标轨迹采样数据进行预处理，得到长度一致的原始特征；

(2)用(1)中提取的原始特征进行标准化，再通过卷积神经网络自动进行特征提取，进而训练和预测。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：

(11)每条鼠标轨迹采样数据记录了不同采样时刻鼠标的坐标信息，记录其坐标位置和采样时刻得到轨迹T＝{P₁,P₂...,P_M}，每条鼠标轨迹的采样点数量|T|不一定相同，采样点越多，则鼠标轨迹记录的信息量越大，检测的计算代价越高；反之，采样点越少，则鼠标轨迹记录的信息量越小，检测的识别率越低，为了平衡计算代价和检测识别率，将鼠标轨迹等长缩放到长度L，具体步骤如下：

步骤1.当|T|＜L时，在相邻两个采样点之间依次插入中点其中i＝1,2...,M-1，经过一次或者多次迭代使得|T|≥L；

步骤2.当|T|＞L时，从T中找到最小距离的一组点，用其中点取代之，经过一次或者多次迭代直到|T|＝L；

(12)从(11)得到的等长鼠标轨迹T＝{P₁,P₂...,P_M}中提取第i条鼠标轨迹的坐标和时间特征向量，记为X_i＝[x₁,x₂...,x_L]，Y_i＝[y₁,y₂...,y_L]，T_i＝[t₁,t₂...,t_L]；

(13)从(12)得到的坐标和时间特征向量中提取差分特征向量，记为DX_i＝[dx₁,dx₂...,dx_L]，DY_i＝[dy₁,dy₂...,dy_L]，DT_i＝[dt₁,dt₂...,dt_L]。计算公式如下：

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)从(12)得到的坐标和时间特征向量中提取速度特征向量，记为VX_i＝[vx₁,vx₂...,vx_L]，VY_i＝[vy₁,vy₂...,vy_L]，计算公式如下：

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)从(12)得到的坐标和时间特征向量和(14)得到的速度特征向量中提取加速度特征向量，记为AX_i＝[ax₁,ax₂...,ax_L]，AY_i＝[ay₁,ay₂...,ay_L]，计算公式如下：

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)从(12)得到的坐标和时间特征向量中提取方向特征向量，记为K_i＝[k₁,k₂...,k_L]，KK_i＝[kk₁,kk₂...,kk_L]，AK_i＝[ak₁,ak₂...,ak_L]，计算公式如下：

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.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：

(21)对预处理中的坐标和时间特征向量、差分特征向量、速度特征向量、加速度特征向量、方向特征向量进行拼接，得到第i条鼠标轨迹的全部特征，记为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，训练样本库中全部鼠标轨迹的特征向量组成训练集原始特征，测试样本库中全部鼠标轨迹的特征向量组成测试集原始特征，再求出每列特征的平均值μ和方差σ，分别对训练集原始特征和测试集原始特征标准化，标准化公式如下所示：

Z=F-μσ]]>

得到训练集原始特征和测试集原始特征的特征维数为13×L；

(22)将(21)中标准化后的训练集原始特征输入卷积神经网络进行训练，具体步骤如下：

步骤1.输入层的维数与特征维数相同，为13×L；依次在卷积层C₁₁、C₁₂上进行多通道卷积操作，产生特征矩阵；依次通过Dropout层D₁、下采样层P₁和ReLu激活函数进行非线性映射；

步骤2.步骤1产生的映射依次在卷积层C₂₁、C₂₂上进行多通道卷积操作，产生特征矩阵；依次通过Dropout层D₂、下采样层P₂和ReLu激活函数进行非线性映射；

步骤3.步骤2产生的映射依次在卷积层C₃₁、C₃₂上进行多通道卷积操作，产生特征矩阵；依次通过Dropout层D₃、下采样层P₃和ReLu激活函数进行非线性映射，得到原始特征的抽象非线性化特征表达向量；再通过sigmoid函数和logloss损失函数进行分类；

(22)将(21)中标准化后的测试集原始特征输入卷积神经网络进行预测，得到每条鼠标轨迹采样数据是人类轨迹的概率，实现人机鼠标轨迹检测。