1.一种多尺度鼠标轨迹特征提取方法，其特征在于，包括；

采集人为和机器模拟的鼠标轨迹，得到鼠标轨迹表达，将鼠标轨迹表达分为训练集和测试集；

所述采集鼠标轨迹，经过脱敏处理后，得到若干鼠标轨迹点，每个鼠标轨迹点均具有坐标，以及采集该鼠标轨迹点的时间值；

对训练集数据首先进行基准尺度特征提取，在基准尺度特征的基础上，选取每一基准尺度特征对应的细分尺度特征，同时提取鼠标轨迹中的局部轨迹特征；

采用分层随机森林选取所述基准尺度特征、细分尺度特征和局部轨迹特征中的优势特征；

利用所述优势特征，以训练集为样本构造并行投票决策树，并对测试集中人为和机器模拟的鼠标轨迹进行分类识别；

所述选取基准尺度特征、细分尺度特征和局部轨迹特征中的优势特征包括：采用分层随机森林的第一层，得到基准尺度特征对鼠标轨迹分类识别的重要性排名；

将基准尺度特征、细分尺度特征以及局部轨迹特征组成矩阵X，输入分层随机森林的第二层，得到所有特征对鼠标轨迹分类识别的重要性排名；

根据协方差矩阵的特征值，对所述矩阵X进行降维，得到优势特征。

2.根据权利要求1所述的方法，其特征在于，对训练集数据首先进行基准尺度特征提取包括：对鼠标轨迹表达进行以概念为数据尺度的分层划分，得到子数据集，每一层数据尺度中的所有子数据集构成该层的基准尺度数据集，根据基准尺度数据集提取基准尺度特征，所述基准尺度特征至少包括鼠标移动速度、角度、距离和时间中的一种。

3.根据权利要求2所述的方法，其特征在于，选取每一基准尺度特征对应的细分尺度特征包括：针对鼠标移动速度，选取细分尺度特征至少包括：最大值、最小值、均值、极差、方差、标准差、中位数、众数、众数的个数、水平方向速率、竖直方向速率、切向速率、切向加速度中的一种；

针对鼠标移动角度，选取细分尺度特征至少包括：角度变化率、最大值、最小值、均值、极差、方差、标准差、中位数、众数、众数的个数、角速度、曲率、曲率变化率；

针对鼠标移动距离，选取细分尺度特征至少包括：两点间距离、移动距离、直线度、路径抖动、最大值、最小值、均值、极差、方差、标准差、中位数、众数、众数的个数；

针对鼠标移动时间，选取细分尺度特征至少包括：找到目标点所用的时间、完成时间、两点间时间差、以及两点间时间差的最小值、均值、极差、方差、标准差、中位数、众数、众数的个数。

4.根据权利要求1所述的方法，其特征在于，提取鼠标轨迹表达中的局部轨迹特征包括：提取鼠标轨迹表达中的起始端特征和末尾端特征，所述起始端特征采用时间表示，末尾端特征采用距离回溯表示。

5.根据权利要求4所述的方法，其特征在于，起始端和末尾端的定义方法为：鼠标轨迹点数为N，分别选择鼠标轨迹表达的前k％个轨迹点作为鼠标轨迹起始端，m％个轨迹点作为轨迹末尾端，其中k和m为根据交叉验证实验取得的超参数。

6.根据权利要求1所述的方法，其特征在于，利用所述优势特征，以训练集为样本构造决策树包括：将训练集分散到多个目标上，每一目标具有若干训练集数据；

根据本地数据集的信息增益选择每个目标上的top-k属性，然后在各个目标上交换已选属性的索引，建立本地投票排名，从本地投票排名中选择前2k个属性；

合并全局top-2k属性的直方图，根据全局数据信息增益，确定最佳属性及其分割点，完成决策树的构造。

7.一种存储装置，其特征在于，存储有多条指令，所述指令由处理器加载并执行以下处理：获取鼠标轨迹表达，将鼠标轨迹表达分为训练集和测试集；

对训练集数据首先进行基准尺度特征提取，在基准尺度特征的基础上，选取每一基准尺度特征对应的细分尺度特征，同时提取鼠标轨迹中的局部轨迹特征；

采用分层随机森林选取所述基准尺度特征、细分尺度特征和局部轨迹特征中的优势特征；

利用所述优势特征，以训练集为样本构造并行投票决策树，并对测试集中的鼠标轨迹进行分类识别。

8.一种多尺度鼠标轨迹特征提取系统，其特征在于，包括鼠标轨迹采集装置，用于采集鼠标轨迹；与鼠标轨迹采集装置相连的处理器和存储装置，处理器用于实现各指令，存储装置用于存储多条指令，所述指令由处理器加载并执行以下处理：获取鼠标轨迹表达，将鼠标轨迹表达分为训练集和测试集；对训练集数据首先进行基准尺度特征提取，在基准尺度特征的基础上，选取每一基准尺度特征对应的细分尺度特征，同时提取鼠标轨迹表达中的局部轨迹特征；

采用分层随机森林选取所述基准尺度特征、细分尺度特征和局部轨迹特征中的优势特征；

利用所述优势特征，以训练集为样本构造并行投票决策树，并对测试集中的鼠标轨迹进行分类识别；

处理器还连接有显示单元，用于对分类识别结果做显示。