[发明专利]握持识别方法及对应的移动终端

说明书

技术领域

本发明涉及触摸感应技术领域，尤其涉及一种握持识别方法及对应的移动终端。

背景技术

目前的移动终端，屏幕越来越大，用户单手操作的难度也越来越大。为了让用户能更好的进行单手操作，移动终端厂商在进行用户界面(User Interface，UI)设计时，增加了特定的单手操作模式，例如左手操作模式或右手操作模式。这样，用户可根据移动终端内置的单手操作模式选项，来选定相应的UI显示方式，即不同的单手操作模式对应不同的UI显示方式，以便适应单手操作。但是，该方式需要用户通过移动终端手动进行选项设定，而用户操作移动终端的左右手通常是不固定的，因此，频繁的进行手动设置就显得很不方便，用户体验不佳。

发明内容

本发明的主要目的在于提出一种握持识别方法及对应的移动终端，旨在解决单手操作模式设置不方便的问题。

为实现上述目的，本发明提供的一种握持识别方法，该方法包括步骤：接收来自移动终端后触摸屏的电压点图像；通过预存的神经网络模型分析所接收到的电压点图像，识别出当前的握持状态；及根据识别出的握持状态调整所述移动终端的用户界面布局。

优选地，该方法在所述接收来自移动终端后触摸屏的电压点图像的步骤之前还包括步骤：采集各种握持状态下的电压点图像样本；对所采集的电压点图像样本进行标签分类；根据分类后的图像构建神经网络模型，并进行训练及测试；将所得到的神经网络模型植入所述移动终端。

优选地，该方法在所述接收来自移动终端后触摸屏的电压点图像的步骤之前还包括步骤：判断用户是否开启握持识别功能，当开启时执行所述接收来自移动终端后触摸屏的电压点图像的步骤。

优选地，所述电压点图像为二值制图像，保存为0-1数值的矩阵，长宽根据所述后触摸屏的实际尺寸M行N列来确定。

优选地，所述标签分类包括左手握持、右手握持、双手握持三种标签。

优选地，所述构建神经网络模型，并进行训练及测试的步骤包括：采用深度学习框架构建神经网络模型，采用人工智能算法对分类后的图像进行训练和测试，其中所述人工智能算法包括BP神经网络、卷积神经网络。

此外，为实现上述目的，本发明还提出一种移动终端，所述移动终端包括：存储器、处理器、前触摸屏、后触摸屏及存储在所述存储器上并可在所述处理器上运行的握持识别程序，所述握持识别程序被所述处理器执行步骤：接收来自所述后触摸屏的电压点图像；通过预存的神经网络模型分析所接收到的电压点图像，识别出当前的握持状态；及根据识别出的握持状态调整所述移动终端的用户界面布局。

优选地，所述握持识别程序被所述处理器执行时还实现步骤：采集各种握持状态下的电压点图像样本；对所采集的电压点图像样本进行标签分类；将分类后的图像传送至PC端，并接收PC端植入的神经网络模型。

优选地，所述握持识别程序被所述处理器执行时还实现步骤：判断用户是否开启握持识别功能，当开启时执行所述接收来自后触摸屏的电压点图像的步骤。

进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有握持识别程序，所述握持识别程序被处理器执行时实现如上述的握持识别方法的步骤。

本发明提出的握持识别方法、移动终端及计算机可读存储介质，能够集成深度学习策略，通过分析用户手部和移动终端的屏幕接触的区域，准确的判断用户当前的握持状态，从而对终端UI进行优化，改善单手操作下的用户体验。

附图说明

图1为实现本发明各个实施例的移动终端的硬件结构示意图；

图2为如图1所示的移动终端的无线通信系统示意图；

图3为本发明中所述移动终端的一实施例的外观示意图；

图4为本发明第一实施例提出的一种握持识别方法的流程图；

图5为本发明第二实施例提出的一种握持识别方法的流程图；

图6-8为本发明中各种握持状态下的电压点图像的示意图；

图9为本发明第三实施例提出的一种握持识别方法的流程图；

图10为本发明第四实施例提出的一种移动终端的模块示意图；

图11为本发明第五实施例提出的一种握持识别系统的模块示意图；

图12为本发明第六实施例提出的一种握持识别系统的模块示意图；

图13为本发明第七实施例提出的一种握持识别系统的模块示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式