CN108629170A - 身份识别方法以及相应的装置、移动终端 - Google Patents

Abstract

本发明提供了一种身份识别方法以及相应的装置、移动终端，涉及生物认证技术及移动终端安全技术领域，该方法包括：获取用户对移动终端执行操作时采集到的持机姿态信息；根据所述持机姿态信息，提取用户的持机姿态特征；基于所述持机姿态特征，识别用户的身份。与现有技术中的步态识别需要用户处于运动状态下相比，本发明将用户对移动终端执行操作时的前臂摆动、手腕转动等持机姿态作为识别依据，在更多敏感场景中达到有效识别用户身份的目的。

Description

身份识别方法以及相应的装置、移动终端

技术领域

本发明涉及生物认证技术及移动终端安全技术领域，具体而言，涉及一种身份识别方法以及相应的装置、移动终端。

背景技术

近几年移动终端安全技术得到了广泛应用，生物认证技术作为一种突出的安全认证机制出现了跳跃式发展。其中，基于生物行为特征的认证方式被认可为是一种持续、安全、便捷的身份认证方式，其不需要太高要求的硬件支持，可以应用在各种终端设备上，作为一道安全防线来保护移动终端安全。这是由于每个人的行为都是用户与生俱来的，不以人体意志为改变，因而难以被人完全模仿和复制，安全性非常高。

当前该领域中常见的研究方向主要是步态识别，也取得了一系列的探索性的研究成果。一般通过长时间采集用户步行时的数据信息，在进行步数统计和构建步态算法基础上，提取可区分不同人身份的步态特征进行身份识别。

基于步态的用户身份识别需要用户处于运动状态下才能获得识别结果。然而目前多数涉及安全的敏感场景如屏幕解锁、点击屏幕启动应用等，通常由用户在非运动的状态下进行，因此步态检测难以覆盖满足绝大数场景的身份识别。

发明内容

为克服上述技术问题或者至少部分地解决上述技术问题，特提出以下技术方案：

本发明提出了一种身份识别方法，所述方法包括：

获取用户对移动终端执行操作时采集到的持机姿态信息；

根据所述持机姿态信息，提取用户的持机姿态特征；

基于所述持机姿态特征，识别用户的身份。

可选地，所述获取用户对移动终端执行操作时采集到的持机姿态信息，包括：

通过加速度传感器采集的位置数据确定持机姿态的运动轨迹信息；

基于所述运动轨迹信息，通过陀螺仪传感器采集的角速度数据确定每一时刻持机姿态的方位变化信息；

根据所述运动轨迹信息及所述方位变化信息，通过重力传感器和磁力计传感器采集的方向数据，确定每一时刻的持机姿态特征；

所述根据所述持机姿态信息，提取用户的持机姿态特征，包括：

提取起始点时刻、终点时刻及极值点时刻的持机姿态特征分别对应的特征向量。

可选地，所述基于所述持机姿态特征，识别用户的身份，包括：

基于所述持机姿态特征，确定持机姿态的特征分布；

根据所述特征分布对应的目标用户身份的概率，判别用户的身份。

可选地，提取到用户的持机姿态特征之后，还包括：

对所述持机姿态特征进行分析，并通过动态聚类法将所述持机姿态特征进行分组训练；

依据分组结果，对所述持机姿态特征进行去噪处理；

所述基于所述持机姿态特征，识别用户的身份，具体包括：

基于去噪后的持机姿态特征，识别用户的身份。

可选地，所述方法还包括：

获取用户对移动终端执行操作时采集到的至少一个生物特征；

所述基于所述持机姿态特征，识别用户的身份，具体包括：

基于所述持机姿态特征与所述至少一个生物特征，识别用户的身份。

可选地，获取用户对移动终端执行操作时采集到的任一个生物特征，包括：

根据移动终端中的生物特征传感器采集的低频率生物特征数据，通过训练后的神经网络，得到高频率生物特征数据；

依据所述高频率生物特征数据，得到该任一生物特征。

可选地，所述基于所述持机姿态特征与所述至少一个生物特征，识别用户的身份，具体包括：

为所述持机姿态特征对应的识别结果与所述至少一个生物特征分别对应的识别结果分配权重，并根据分配的权重及相对应的识别结果确定分值；

根据分值与预定阈值之间的大小关系，识别用户的身份。

本发明还提出了一种身份识别装置，所述装置包括：

获取模块，用于获取用户对移动终端执行操作时采集到的持机姿态信息；

提取模块，用于根据所述持机姿态信息，提取用户的持机姿态特征；

识别模块，用于基于所述持机姿态特征，识别用户的身份。

本发明还提出了一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的方法。

本发明还提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。

本发明提供的身份识别方法以及相应的装置、移动终端，采用获取用户对移动终端执行操作时采集到的持机姿态信息；根据所述持机姿态信息，提取用户的持机姿态特征；基于所述持机姿态特征，识别用户的身份。与现有技术中的步态识别需要用户处于运动状态下相比，本发明将用户对移动终端执行操作时的前臂摆动、手腕转动等持机姿态作为识别依据，在更多敏感场景中达到有效识别用户身份的目的。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例提供的身份识别方法的流程示意图；

图2为本发明实施例提供的获取持机姿态信息的实例示意图；

图3为本发明实施例提供的持机姿态特征分布的实例示意图；

图4为本发明实施例提供的训练升频对抗神经网络模型的实例示意图；

图5为本发明实施例提供的基于持机姿态特征身份识别方法的架构流程示意图；

图6为本发明实施例提供的身份识别装置的框架示意图；

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。

下面结合附图具体介绍本发明实施例的技术方案。

本发明实施例提供了一种身份识别方法，如图1所示，包括如下步骤：

步骤110：获取用户对移动终端执行操作时采集到的持机姿态信息；

由于普遍的移动终端中都包含多种类型的传感器，可以随时随地采集用户对移动终端执行操作时的行为特征信息，无需添加其他外接设备，与现有的一些生物认证技术方式相比在成本上具有优势。当用户对移动终端执行操作，手持移动终端做出前臂摆动、手腕转动等持机姿态时，移动终端以及移动终端中的传感器都处于相应状态。该过程中，传感器对移动终端所产生的持机姿态信息进行采集。

本步骤中，所采用的移动终端中的传感器包括但不限于：加速传感器、陀螺仪传感器、重力传感器、磁力计传感器等，还可以包括：GPS(Global Positioning System，全球定位系统)、距离传感器等。

具体而言，通过加速度传感器采集的位置数据确定持机姿态的运动轨迹信息；基于运动轨迹信息，通过陀螺仪传感器采集的角速度数据确定每一时刻持机姿态的方位变化信息；根据运动轨迹信息及方位变化信息，通过重力传感器和磁力计传感器采集的方向数据，确定每一时刻的持机姿态特征。

实际应用中，持机姿态的运动轨迹中每一个采样时刻的位置由加速度传感器采集的原始数据通过积分获得，即当前时刻的位置由前一时刻的位置以及加速度传感器取值结合当前时刻加速度传感器取值共同确定。计算公式如下：

其中，加速度取当前时刻加速度取值和前一时刻加速度取值的均值 v_t-1代表前一时刻的速度值，v_t代表当前时刻的速度值，t代表前后采样时刻点的时间间隔，初始速度为0。

这样，便可描绘出所有采样时刻的空间曲线，以反应用户的前臂摆动特征。

在确定出的运动轨迹的基础上，持机姿态在每一个采样时刻的角度变换由陀螺仪传感器采集的原始数据获得，以反应用户的手腕转动特征。

由于传感器数据取值采用传感器坐标系，因此在计算运动轨迹与方位时需要进行坐标变换。如图2所示，本发明实施例中，以重力传感器方向作为垂直方向，以磁力计传感器方向作为水平方向，组合形成旋转矩阵，对加速度和陀螺仪传感器进行坐标系变换。本发明实施例中所使用的旋转矩阵R为：

其中，H＝E×A，M＝A×H。E代表磁力计传感器数据组成的向量，A 代表重力加速度数据组成的向量。

通过将加速度传感数据器和陀螺仪传感器数据组成的向量与旋转矩阵相乘即可获得大地坐标系下的每一时刻的持机姿态特征。

需要说明的是，每一采样时刻采集的所有传感器数据均会单独进行保存。由于不同传感器之间的精度差异以及各自从硬件读取到进入系统的时间差异，不同传感器数据之间的采样时间需要进行对齐。本发明实施例中，将陀螺仪传感器、重力传感器、磁力计传感器数据以加速度传感器时间为主进行校准。

对于本发明实施例，上述方法的执行主体可以为移动终端，即本步骤中，移动终端直接获取本机采集到的持机姿态信息并进行后续识别处理。或者，上述方法的执行主体可以为云端服务器，由云端服务器获取移动终端采集并发送的持机姿态信息，实现更为复杂的识别算法，提高识别性能，并将识别结果发送给移动终端。

步骤120：根据持机姿态信息，提取用户的持机姿态特征。

具体而言，提取起始点时刻、终点时刻及ldp(largest distance point，极值点)时刻的持机姿态特征分别对应的特征向量。

其中，ldp时刻的状态由持机姿态中每一时刻的位置到起止位置组成的空间直线的最大距离确定。

起始点时刻位置到终点时刻位置的空间直线方程可用如下公式表示：

持机姿态中任一时刻的位置(x1，y1，z1)到上述空间直线的垂面方程可用如下公式表示：

m(x-x₁)+n(y-y₁)+p(z-z₁)＝0

则垂足为：

(mk+x₀，nk+y₀，pk+z₀)

距离为：

取距离取值最大的位置所在的时刻为极值点时刻。并在上述各个时刻根据持机姿态计算得到的特征最终组合成多维特征向量作为持机姿态特征。

步骤130：基于持机姿态特征，识别用户的身份。

为进一步提升持机姿态特征对身份识别的贡献度，需要对多维特征向量进行了归一化以及适当权重分配。

本发明实施例中，基于持机姿态特征，确定持机姿态的特征分布。

作为示例地，如图3所示，A表示特征的总体分布，B表示识别分类结果，其中，分类结果仅分为两类，即身份识别结果为真或者假。

可选地，通过训练好的SVM(Support Vector Machine，支持向量机) 单分类器模型进行身份识别结果的分类。

其中，可以采用如下方式对SVM单分类器进行模型训练：

为了保证最大程度非线性拟合，选取sigmoid函数作为SVM单分类器的核函数进行训练，此时SVM实现的就是一种多层神经网络。

将持机姿态样本中的特征向量作为输入，以贝叶斯后验概率作为输出，后验概率表示如下：

由于sigmoid函数为：

经过简单推导，分类结果可表示为如下形式：

据此，实现身份识别结果为真的持机姿态样本的样本特征分布能够判定身份识别结果为真的概率最大，即可训练完成SVM单分类器模型。

进行身份识别时，将上述步骤120中提取的持机姿态特征输入到训练好的SVM单分类器模型，得到真实持机姿态的特征分布。

继而，根据特征分布对应的目标用户身份的概率，判别用户的身份。

具体而言，求得提取的持机姿态特征的特征分布在身份识别结果为真的样本特征分布中身份识别结果为真的概率，即可识别用户的身份。

可选地，为了防止手臂抖动等外力因素对身份识别结果造成影响，可以在提取到用户的持机姿态特征之后，对所述持机姿态特征进行分析，并通过动态聚类法将所述持机姿态特征进行分组训练；依据分组结果，对所述持机姿态特征进行去噪处理。

具体地，首先在步骤120中提取的持机姿态特征中选定若干维关键特征，作为持机姿态特征分组的各组核心，以便进行后续动态聚类。

动态聚类时，计算这些关键特征的均值，确定各组中心点的位置。

将与各组中心点的位置的矢量距离作为损失条件，对每一个持机姿态特征进行动态聚类。

通过反复迭代，动态聚类会按照各个持机姿态特征与各组中心点位置的矢量距离大小，将各个持机姿态特征划分到对应的分组中。

这样，具有差异的持机姿态特征会通过上述聚类方式被划分开，以此来识别噪声干扰特征，便可依此消除抖动等外力噪声的影响，提高身份识别的准确性。

那么在本步骤中，可以基于去噪后的持机姿态特征，识别用户的身份。结合上述介绍，基于持机姿态特征识别用户身份的完整流程如图5所示。

上述身份识别方法，对于用户来说，无需进行更多的操作认证过程，数据信息的采集过程、识别过程等对用户来说是自动透明的，既可以简化用户的操作，又能保证移动终端的安全性，有效改善用户体验。

为增强身份识别的准确性，可以在实际场景中将持机姿态特征与其它生物特征结合。也就是在持机姿态检测的基础上，若融合指纹、滑屏图案、手势等强生物特征，可以增强特征维度，提升身份识别准确率。

因此，本发明一个优选的实施例中，继续如图1所示，方法在步骤 110和步骤120的基础上，还可以包括步骤：

获取用户对移动终端执行操作时采集到的至少一个生物特征。

然而，本发明的发明人发现，移动设备中的现有传感器采集数据的固有频率普遍在90Hz上下，而用户对移动终端执行操作，例如手指滑屏的固有频率在60hz左右。因此短时的采样数据很难达到很好的检测效果，降低了身份识别的安全性和实时性。目前普遍采用闭曲线拟合的算法克服该缺陷，即通过历史最近2～3点数据计算生成点数据，但这种方式并不能精确拟合传感器及生物特征。

本步骤中，为提高生物特征检测的实时性和准确性，采用提升生物特征传感器的灵敏度的方式，即升频处理：根据移动终端中的生物特征传感器采集的低频率生物特征数据，通过训练后的神经网络，得到高频率生物特征数据。

具体而言，通过使用带标签的传感器和生物特征数据通过单独交替迭代的方式训练对抗神经网络模型，将低频率生物特征数据，输出为频率更高更灵敏的高频率生物特征数据。其中，需要通对传感器采样点进行“补点”，可以采用添加随机噪声的方式。

具体地，如图4所示，通过构建浅层神经网络对标签为“1”的真实传感器数据进行单独监督训练，可训练出能够识别出真实传感器数据的第一部分特征层。该第一部分特征层可以根据不同场景由dropout层、池化层、全连接层等组成，本发明实施例对此不做限制。

随后，将第一部分特征层固定，在输入部分构建一个新的浅层网络，通过标签为“0”的随机噪声对该第二部分特征层进行单独训练。基于第一部分特征层的特性，可以使得训练后的第二部分特征层的输出逐渐趋近于真实传感器数据。

这样交替训练多轮，得到由两部分特征层合成的新的特征网络。这个特征网络就可以将低频率的生物特征数据拟合到更高频的生物特征数据。同时，由于噪声的混入，也可以有效抑制训练阶段过拟合现象的发生。

可以理解，上述步骤110中，也可以对加速传感器、陀螺仪传感器、重力传感器、磁力计传感器、GPS、距离传感器等采集的数据进行同样的升频处理，以提高身份识别的实时性和准确性。

随后，依据高频率生物特征数据，得到该任一生物特征。

那么在步骤130中，可以基于持机姿态特征与至少一个生物特征，识别用户的身份。

其中，基于生物特征的身份识别方式也可以通过构建SVM模型进行身份打分。若涉及多个生物特征时，例如若同时需要通过持机姿态、滑屏、指纹进行共同解锁屏幕，则每个生物特征需分别构建单独的SVM模型，生成分别对应的识别结果。

具体而言，为持机姿态特征对应的识别结果与至少一个生物特征分别对应的识别结果分配权重，并根据分配的权重及相对应的识别结果确定分值；根据分值与预定阈值之间的大小关系，识别用户的身份。

例如构建adaboost框架组合强弱特征构建可靠打分机制。简单来说，就是结合用户使用移动设备时对屏幕操作的习惯，如滑屏解锁等，可根据在实际场景中用户对不同行为产生的次数以及结合不同特征的强弱性，对这些特征的识别结果分配权重，确立最终的身份识别结果。

基于上述分析可知，与现有技术中的步态识别需要用户处于运动状态下相比，本发明实施例提供的身份识别方法，采用获取用户对移动终端执行操作时采集到的持机姿态信息；根据持机姿态信息，提取用户的持机姿态特征；基于持机姿态特征，识别用户的身份，将用户对移动终端执行操作时的前臂摆动、手腕转动等持机姿态作为识别依据，在更多敏感场景中达到有效识别用户身份的目的。

本发明实施例还提供了一种身份识别装置，如图6所示，该装置包括：

获取模块610，用于获取用户对移动终端执行操作时采集到的持机姿态信息；

提取模块620，用于根据持机姿态信息，提取用户的持机姿态特征；

识别模块630，用于基于持机姿态特征，识别用户的身份。

可选地，获取模块610具体用于通过加速度传感器采集的位置数据确定持机姿态的运动轨迹信息；

以及，获取模块610具体用于基于运动轨迹信息，通过陀螺仪传感器采集的角速度数据确定每一时刻持机姿态的方位变化信息；

以及，获取模块610具体用于根据运动轨迹信息及方位变化信息，通过重力传感器和磁力计传感器采集的方向数据，确定每一时刻的持机姿态特征；

可选地，提取模块620具体用于提取起始点时刻、终点时刻及极值点时刻的持机姿态特征分别对应的特征向量。

可选地，识别模块630具体用于基于持机姿态特征，确定持机姿态的特征分布；

以及，识别模块630具体用于根据特征分布对应的目标用户身份的概率，判别用户的身份。

可选地，本发明实施例提供的身份识别装置，还包括去噪模块：

去噪模块具体用于对所述持机姿态特征进行分析，并通过动态聚类法将所述持机姿态特征进行分组训练；

以及，去噪模块具体用于依据分组结果，对所述持机姿态特征进行去噪处理；

识别模块630具体用于基于去噪后的持机姿态特征，识别用户的身份。

可选地，获取模块610还具体用于获取用户对移动终端执行操作时采集到的至少一个生物特征；

识别模块630具体用于基于持机姿态特征与至少一个生物特征，识别用户的身份。

可选地，获取模块610具体用于根据移动终端中的生物特征传感器采集的低频率生物特征数据，通过训练后的神经网络，得到高频率生物特征数据；

以及，获取模块610具体用于依据所述高频率生物特征数据，得到该任一生物特征。

可选地，识别模块630具体用于为持机姿态特征对应的识别结果与至少一个生物特征分别对应的识别结果分配权重，并根据分配的权重及相对应的识别结果确定分值；

以及，识别模块630具体用于根据分值与预定阈值之间的大小关系，识别用户的身份。

本发明实施例所提供的装置可以为设备上的特定硬件或者加载于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容，在此不再赘述。

本发明实施例提供的身份识别装置，将用户对移动终端执行操作时的前臂摆动、手腕转动等持机姿态作为识别依据，在更多敏感场景中达到有效识别用户身份的目的。

本发明实施例还提供一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的方法。

该终端可以为包括计算机、手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑等任意终端设备。

其中，存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器是控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据，从而对终端进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。

本发明实施例还提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述的方法。

本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。

本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种身份识别方法，其特征在于，所述方法包括：

获取用户对移动终端执行操作时采集到的持机姿态信息；

根据所述持机姿态信息，提取用户的持机姿态特征；

基于所述持机姿态特征，识别用户的身份。

2.根据权利要求1所述的身份识别方法，其特征在于，所述获取用户对移动终端执行操作时采集到的持机姿态信息，包括：

通过加速度传感器采集的位置数据确定持机姿态的运动轨迹信息；

基于所述运动轨迹信息，通过陀螺仪传感器采集的角速度数据确定每一时刻持机姿态的方位变化信息；

根据所述运动轨迹信息及所述方位变化信息，通过重力传感器和磁力计传感器采集的方向数据，确定每一时刻的持机姿态特征；

所述根据所述持机姿态信息，提取用户的持机姿态特征，包括：

提取起始点时刻、终点时刻及极值点时刻的持机姿态特征分别对应的特征向量。

3.根据权利要求1所述的身份识别方法，其特征在于，所述基于所述持机姿态特征，识别用户的身份，包括：

基于所述持机姿态特征，确定持机姿态的特征分布；

根据所述特征分布对应的目标用户身份的概率，判别用户的身份。

4.根据权利要求1所述的身份识别方法，其特征在于，提取到用户的持机姿态特征之后，还包括：

对所述持机姿态特征进行分析，并通过动态聚类法将所述持机姿态特征进行分组训练；

依据分组结果，对所述持机姿态特征进行去噪处理；

所述基于所述持机姿态特征，识别用户的身份，具体包括：

基于去噪后的持机姿态特征，识别用户的身份。

5.根据权利要求1-4任一项所述的身份识别方法，其特征在于，还包括：

获取用户对移动终端执行操作时采集到的至少一个生物特征；

所述基于所述持机姿态特征，识别用户的身份，具体包括：

基于所述持机姿态特征与所述至少一个生物特征，识别用户的身份。

6.根据权利要求5所述的身份识别方法，其特征在于，获取用户对移动终端执行操作时采集到的任一个生物特征，包括：

根据移动终端中的生物特征传感器采集的低频率生物特征数据，通过训练后的神经网络，得到高频率生物特征数据；

依据所述高频率生物特征数据，得到该任一生物特征。

7.根据权利要求5所述的身份识别方法，其特征在于，所述基于所述持机姿态特征与所述至少一个生物特征，识别用户的身份，具体包括：

为所述持机姿态特征对应的识别结果与所述至少一个生物特征分别对应的识别结果分配权重，并根据分配的权重及相对应的识别结果确定分值；

根据分值与预定阈值之间的大小关系，识别用户的身份。

8.一种身份识别装置，其特征在于，所述装置包括：

获取模块，用于获取用户对移动终端执行操作时采集到的持机姿态信息；

提取模块，用于根据所述持机姿态信息，提取用户的持机姿态特征；

识别模块，用于基于所述持机姿态特征，识别用户的身份。

9.一种移动终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一项所述的方法。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的方法。