[发明专利]移动终端握持手势识别方法、移动终端及可读存储介质

说明书

技术领域

本发明涉及终端技术领域，尤其涉及一种移动终端握持手势识别方法、移动终端及可读存储介质。

背景技术

目前市场上已有双面屏移动终端，即在终端的正面和反面都设置有触摸屏。目前识别用户握持移动终端握持手势的识别方法为在移动终端侧边设置传感器，通过侧边的传感器来识别用户当前的握持手势，即识别用户当前是左手握持、右手握持还是双手握持。但是，由于目前的终端是双面屏移动终端，通过传感器来识别用户的握持手势，识别的错误率较高(当用户用右手握持双面屏移动终端，使用双面屏移动终端的背面屏时，此时双面屏移动终端容易识别成左手握持)，且通过传感器识别用户握持手势需要在移动终端的两侧设置多个传感器，从而导致移动终端的生产成本较高。

发明内容

本发明的主要目的在于提出一种移动终端握持手势识别方法、移动终端及可读存储介质，旨在解决现有的双面屏移动终端识别用户握持手势错误率高，生产成本高的技术问题。

为实现上述目的，本发明提供了一种移动终端握持手势识别方法，所述移动终端握持手势识别方法包括：

当检测到用户握持移动终端的握持操作时，获取用户触摸所述移动终端触摸屏的触控图片；

预处理所述触控图片，得到预处理后的所述触控图片；

将预处理后的所述触控图片输入至预置的卷积神经网络模型中，以识别出用户当前的握持手势。

可选地，所述将预处理后的所述触控图片输入至预置的卷积神经网络模型中，以识别出用户当前的握持手势的步骤包括：

解析预处理后的所述触控图片，得到所述触控图片对应的像素点矩阵；

将所述像素点矩阵输入至预置的所述卷积神经网络模型中，以识别出用户当前的握持手势。

可选地，所述将所述像素点矩阵输入至预置的所述卷积神经网络模型中，以识别出用户当前的握持手势的步骤包括：

将所述像素点矩阵输入所述卷积神经网络模型中，得到输出结果；

根据所述输出结果对应标识信息确定用户当前的握持手势，其中，所述握持手势包括左手握持、右手握持和双手握持。

可选地，所述预处理所述触控图片，得到预处理后的所述触控图片的步骤包括：

对所述触控图片进行裁剪，并变更裁剪后所述触控图片的透明度，得到变更透明度后的所述触控图片；

将变更透明度后的所述触控图片转变为灰度图片，将所述灰度图片进行压缩，以得到预处理后的所述触控图片。

可选地，所述当检测到用户握持移动终端的握持操作时，获取用户触摸所述移动终端触摸屏的触控图片的步骤之前，还包括：

获取各个操作模式对应的触控图片集，并对各个触控图片集中的触控图片进行预处理操作，得预处理后的所述触控图片集，其中，所述触控图片集中的任一触控图片都对应着一个模式标识，每一模式标识对应一种操作模式；

在预处理后的所述触控图片集中选取预设第一比例的所述触控图片作为训练图片集；

根据所述训练图片集训练卷积神经网络模型。

可选地，所述根据所述训练图片集训练卷积神经网络模型的步骤之后，还包括：

在预处理后的所述触控图片集中选取预设第二比例的所述触控图片作为测试图片集；

将所述测试图片集对应的触控图片输入所述卷积神经网络模型，得到测试结果；

若所述测试结果满足预设条件，则确认所述卷积神经网络模型训练成功。

可选地，所述根据所述训练图片集训练卷积神经网络模型的步骤包括：

从所述训练图片集中获取训练图片数据，并初始化卷积神经网络模型的预置参数，得到初始化后的所述预置参数；

根据所述训练图片数据和所述预置参数进行卷积计算，得到卷积结果；

获取预置的第一偏置量参数，根据所述第一偏置量参数对所述卷积结果进行非线性化处理，得到第一结果；

对所述第一结果进行池化处理和归一化处理，得到处理后的所述第一结果；

获取预置的第二偏置量参数，根据所述第二偏置量参数对处理后的所述第一结果进行非线性化处理，得到第二结果；

基于预设函数，根据所述第二结果计算出预测握持标识序列；

计算所述预测握持标识序列与所述训练图片集中触控图片对应的训练握持标识序列之间的损失值；

根据所述损失值优化所述卷积神经网络模型的参数，得到优化后的参数，并根据优化后的参数得到所述卷积神经网络模型。