骨骼运动预测处理方法、装置和肢体运动预测处理方法制造方法及图纸

本发明专利技术涉及一种骨骼运动预测处理方法、装置和肢体运动预测处理方法，该骨骼运动预测处理方法包括：将历史观测的多个连续的骨骼运动状态向量输入预训练的机器学习模型中，以分别进行特征编码得到相应的骨骼运动特征向量；确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；获取当前时刻的骨骼运动状态向量；根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。本申请的方案实现了对目标对象本身的骨骼运动的预测这一细节的运动预测处理。

Skeleton motion prediction processing method, device and limb movement prediction processing method

The present invention relates to a method of bone motion prediction, device and limb motion prediction. The bone motion prediction method includes the input of a plurality of continuous skeletal motion state vectors of the historical observation into the pre trained machine learning model to obtain the corresponding skeletal motion features respectively. A vector; the implied state vector of the skeletal motion at the last moment of the present moment; the implied state vector of the skeletal motion at the last moment is extracted from the motion intention of the skeletal motion feature vector described at the last moment, and obtains the current state vector of the skeletal movement at the present time; according to the last moment The skeleton motion implicit state vector and the skeletal motion state vector at the current time are decoded to calculate the skeletal motion state vector at the next moment. The scheme of this application implements the motion prediction processing of the details of the prediction of the skeleton movement of the target object itself.

【技术实现步骤摘要】
骨骼运动预测处理方法、装置和肢体运动预测处理方法
本专利技术涉及计算机
，特别是涉及一种骨骼运动预测处理方法、装置和肢体运动预测处理方法。
技术介绍
随着科学技术的飞速发展，各种比较前沿的技术越来越受到大家的重视。比如，运动预测，指通过已产生的运动预测接下来可能产生的运动。然而，传统的运动预测技术还不够成熟，一般是从目标对象中选取一个固定观察点(比如，目标对象的中心点)，通过对该固定观察点的位置的移动进行分析，来预测目标对象下一个可能运动到的位置。显然，传统的运动预测技术只能将目标对象作为整体进行位置变化的预测，而无法实现对目标对象自身的运动细节进行预测。
技术实现思路
基于此，有必要针对传统方法无法实现对目标对象自身的运动细节进行预测的问题，提供一种骨骼运动预测处理方法、装置、计算机设备和存储介质，还提供了一种肢体运动预测处理方法、装置、计算机设备和存储介质。一种骨骼运动预测处理方法，所述方法包括：获取多个连续的历史的骨骼运动状态向量；通过机器学习模型分别对各所述骨骼运动状态向量进行特征码编码，生成分别与各所述骨骼运动状态向量对应的骨骼运动特征向量；确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；获取当前时刻的骨骼运动状态向量；根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。一种骨骼运动预测处理装置，所述装置包括：编码模块，用于获取多个连续的历史的骨骼运动状态向量；通过机器学习模型分别对各所述骨骼运动状态向量进行特征码编码，生成分别与各所述骨骼运动状态向量对应的骨骼运动特征向量；隐含状态向量确定模块，用于确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；骨骼运动状态向量获取模块，用于获取当前时刻的骨骼运动状态向量；解码预测模块，用于根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取多个连续的历史的骨骼运动状态向量；通过机器学习模型分别对各所述骨骼运动状态向量进行特征码编码，生成分别与各所述骨骼运动状态向量对应的骨骼运动特征向量；确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；获取当前时刻的骨骼运动状态向量；根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。一种存储有计算机程序的存储介质，所述计算机程序被处理器执行时，使得处理器执行如下步骤：获取多个连续的历史的骨骼运动状态向量；通过机器学习模型分别对各所述骨骼运动状态向量进行特征码编码，生成分别与各所述骨骼运动状态向量对应的骨骼运动特征向量；确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；获取当前时刻的骨骼运动状态向量；根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。上述骨骼运动预测处理方法、装置、计算机设备和存储介质，对多个连续的历史的骨骼运动状态向量分别进行特征编码得到对应的骨骼运动特征向量，实现了对各骨骼运动状态向量的骨骼运动特征提取。确定当前时刻的上一时刻的骨骼运动隐含状态向量；该骨骼运动隐含状态向量，由针对上一时刻对得到的骨骼运动特征向量进行运动意图提取得到，实现了根据提取的骨骼运动特征进行运动意图的提取。根据上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。通过提取的运动意图以及当前的骨骼运动状态向量进行解码，实现了对提取的意图信息的挖掘，从而基于解码挖掘意图信息来计算下一时刻的骨骼运动状态向量。实现了对目标对象本身的骨骼运动的预测这一细节的运动预测处理。一种肢体运动预测处理方法，所述方法包括：获取多个连续的历史的肢体运动状态；对各个历史的所述肢体运动状态分别进行运动特征提取，得到与各历史的所述肢体运动状态相应的肢体运动特征；确定当前时刻的上一时刻的肢体运动隐含状态；所上一时刻的肢体运动隐含状态，是针对所述上一时刻对所述肢体运动特征进行运动意图提取得到；获取当前时刻的肢体运动状态；根据所述上一时刻的肢体运动隐含状态和当前时刻的肢体运动状态，确定下一时刻的肢体运动状态。一种肢体运动预测处理装置，其特征在于，所述装置包括：运动特征提取模块，用于获取多个连续的历史的肢体运动状态；对各个历史的所述肢体运动状态分别进行运动特征提取，得到与各历史的所述肢体运动状态相应的肢体运动特征；隐含状态确定模块，用于确定当前时刻的上一时刻的肢体运动隐含状态；所述上一时刻的肢体运动隐含状态，是针对所述上一时刻对所述肢体运动特征进行运动意图提取得到；肢体运动状态确定模块，用于获取当前时刻的肢体运动状态；根据所述上一时刻的肢体运动隐含状态和当前时刻的肢体运动状态，确定下一时刻的肢体运动状态。一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：获取多个连续的历史的肢体运动状态；对各个历史的所述肢体运动状态分别进行运动特征提取，得到与各历史的所述肢体运动状态相应的肢体运动特征；确定当前时刻的上一时刻的肢体运动隐含状态；所述上一时刻的肢体运动隐含状态，是针对所述上一时刻对所述肢体运动特征进行运动意图提取得到；获取当前时刻的肢体运动状态；根据所述上一时刻的肢体运动隐含状态和当前时刻的肢体运动状态，确定下一时刻的肢体运动状态。一种存储有计算机程序的存储介质，所述计算机程序被处理器执行时，使得处理器执行如下步骤：获取多个连续的历史的肢体运动状态；对各个历史的所述肢体运动状态分别进行运动特征提取，得到与各历史的所述肢体运动状态相应的肢体运动特征；确定当前时刻的上一时刻的肢体运动隐含状态；所述上一时刻的肢体运动隐含状态，是针对所述上一时刻对所述肢体运动特征进行运动意图提取得到；获取当前时刻的肢体运动状态；根据所述上一时刻的肢体运动隐含状态和当前时刻的肢体运动状态，确定下一时刻的肢体运动状态。上述肢体运动预测处理方法、装置、计算机设备和存储介质，对多个连续的历史的肢体运动状态分别进行运动特征提取得到相应的肢体运动特征。确定当前时刻的上一时刻的肢体运动隐含状态；该肢体运动隐含状态，由针对上一时刻对得到的肢体运动特征进行运动意图提取得到，实现了根据提取的肢体运动特征进行运动意图的提取。根据上一时刻的肢体运动隐含状态和当前时刻的肢体运动状态进行解码，以计算下一时刻的肢体运动状态。通过提取的运动意图以及当前时刻的肢体运动状态进行解码，实现了对提取的意图信息的挖掘，从而基于解码挖掘意图信息来计算下一时刻的肢体运动状态。实现本文档来自技高网...

【技术保护点】
1.一种骨骼运动预测处理方法，所述方法包括：获取多个连续的历史的骨骼运动状态向量；通过机器学习模型分别对各所述骨骼运动状态向量进行特征码编码，生成分别与各所述骨骼运动状态向量对应的骨骼运动特征向量；确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；获取当前时刻的骨骼运动状态向量；根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。

【技术特征摘要】
1.一种骨骼运动预测处理方法，所述方法包括：获取多个连续的历史的骨骼运动状态向量；通过机器学习模型分别对各所述骨骼运动状态向量进行特征码编码，生成分别与各所述骨骼运动状态向量对应的骨骼运动特征向量；确定当前时刻的上一时刻的骨骼运动隐含状态向量；所述上一时刻的骨骼运动隐含状态向量，是针对所述上一时刻对所述骨骼运动特征向量进行运动意图提取得到；获取当前时刻的骨骼运动状态向量；根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量。2.根据权利要求1所述的方法，其特征在于，所述确定当前时刻的上一时刻的骨骼运动隐含状态向量包括：获取当前时刻的上一时刻的预估速度特征向量；所述预估速度特征向量，用于表征预估的相邻时刻的骨骼运动状态向量之间的变化；分别确定各所述骨骼运动特征向量与所述上一时刻的预估速度特征向量之间的运动相关性；根据所述运动相关性确定各所述骨骼运动特征向量的权重；所述权重与运动相关性正相关；将各所述骨骼运动特征向量分别按照相应的所述权重进行加权求和，得到当前时刻的上一时刻的骨骼运动隐含状态向量。3.根据权利要求2所述的方法，其特征在于，所述分别确定各所述骨骼运动特征向量与所述上一时刻的预估速度特征向量之间的运动相关性包括：将所述上一时刻的预估速度特征向量和各所述骨骼运动特征向量输入所述机器学习模型中的注意力模型，根据所述注意力模型分别确定各骨骼运动特征向量与上一时刻的预估速度特征向量之间的运动相关性。4.根据权利要求1所述的方法，其特征在于，所述根据所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量进行解码，以计算下一时刻的骨骼运动状态向量包括：将所述上一时刻的骨骼运动隐含状态向量和当前时刻的骨骼运动状态向量输入所述机器学习模型中的解码器进行解码，得到当前时刻的预估速度特征向量；根据当前时刻的预估速度特征向量和当前时刻的骨骼运动状态向量，计算下一时刻的骨骼运动状态向量。5.根据权利要求4所述的方法，其特征在于，所述根据当前时刻的预估速度特征向量和当前时刻的骨骼运动状态向量，计算下一时刻的骨骼运动状态向量包括：通过所述解码器得到与当前时刻的骨骼运动状态向量相应的第一预测权重向量；根据所述第一预测权重向量，确定当前时刻的预估速度特征向量的第二预测权重向量；所述第一预测权重向量和所述第二预测权重向量的和为全一向量；将当前时刻的骨骼运动状态向量和当前时刻的预估速度特征向量，分别与相应的第一预测权重向量和第二预测权重向量进行点乘后相加，得到下一时刻的骨骼运动状态向量。6.根据权利要求5所述的方法，其特征在于，所述将当前时刻的骨骼运动状态向量和当前时刻的预估速度特征向量，分别与相应的第一预测权重向量和第二预测权重向量进行点乘后相加，得到下一时刻的骨骼运动状态向量包括：按照以下公式计算得到下一时刻的骨骼运动状态向量：其中，t为当前时刻；zt为第一预测权重向量；1-zt为第二预测权重向量；σ表示Sigmoid函数；φ表示线性整流函数；为当前时刻的骨骼运动状态向量；vt为当前时刻的预估速度特征向量；Wz、Uzx、bz以及bzx均为所述机器学习模型中预训练得到的偏置参数；t+1为当前时刻的下一时刻；为当前时刻的下一时刻的骨骼运动状态向量；⊙为向量点乘符号。7.根据权利要求1所述的方法，其特征在于，还包括：将真实产生的骨骼运动状态向量按照骨骼运动状态产生的先后顺序，划分为历史样本和预测样本；根据历史样本中的骨骼运动状态向量进行机器学习模型训练，输出由机器学习模型的模型参数表达的骨骼运动状态向量；根据模型参数表达的骨骼运动状态向量和所述预测样本中的骨骼运动状态向量构建损失函数；所述损失函数用于表示所述模型参数表达的骨骼运动状态向量和所述预测样本中相应骨骼运动状态向量间的差异程度；将损失函数取最小值时的模型参数作为机器学习模型稳定的模型参数。8.根据权利要求7所述的方法，其特征在于，所述根...

【专利技术属性】
技术研发人员：唐永毅，马林，刘威，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44