一种基于注意力机制的人体动作预测方法技术

本发明专利技术涉及一种基于注意力机制的人体动作预测方法，属于人机交互与虚拟现实技术领域。本发明专利技术方法从人体动作姿态数据集中读取全部数据并进行标准化处理，然后根据指令中需要进行训练的帧的长度，按照生成的随机数进行训练数据批次的读取，将数据输入到注意力模型中进行数据处理，依据处理后的数据进行动作重建。本发明专利技术采用了两种注意力机制，即全局注意力机制和局部注意力机制。本发明专利技术方法对比现有技术，在一定的时间上能够避免信息冗余，同时在一定窗口下对注意力进行分配。

【技术实现步骤摘要】
一种基于注意力机制的人体动作预测方法
本专利技术涉及一种基于注意力机制的人体动作预测方法，属于人机交互与虚拟现实

技术介绍
人类具有预测的能力，能够以之前发生事件为前提对周围世界做出准确的短期预测。在虚拟现实领域，人机交互是一个重要的研究方向。如何让机器能够模仿人类这种能力对人体的动作做出相应的预测，是目前该领域的一个研究热点。对于计算机而言，预测人体运动对于及时进行人机交互，障碍避免和人员跟踪非常重要。虽然简单的物理现象，比如无生命物体的运动，可以用已知的物理定律来预测，但没有一个简单的方程来控制一个人的有意识运动。许多日常问题，例如预测一个个体下一步会在物理环境中做出怎样的动作是具有挑战性的，因为人体各个部位的状态可以成许多可能的排列组合。但是，人们仍然可以通过将动作分解成不同的类别或者状态来预测下一步的动作，并推断它们的动态后果。人体行为建模是一个经典的问题，通过获得一定的信息后对人体进行建模，从而达到人体行为预测的目的。这样的研究，是一个较为新型的研究点。如今，深度学习逐渐被应用到更加广泛的领域，机器对环境的理解可以通过各种方法更加的深入与纯熟。但是，在人体动作这样本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的人体动作预测方法，其特征在于，包括以下步骤：步骤1：从人体动作姿态数据集中读取全部数据；步骤2：将数据进行标准化处理；步骤3：根据指令中需要进行训练的帧的长度，按照生成的随机数，进行训练数据批次的读取；步骤4：将步骤三获得到的数据按照批次输入到注意力模型中进行数据处理；步骤5：如果需要进行训练，则将步骤四输出的数据与输入的后续数据求得均方差，再加和作为损失值进行反向传播，反向传播通过随机梯度下降的方法进行；如果不需要进行训练，则生成样本，同样将得到的批次数据输入到注意力模型中，得到输出结果，将输出的数据进行去标准化处理，即通过步骤二得到的标准化后的标准差和均值以及进行相...

【技术特征摘要】
1.一种基于注意力机制的人体动作预测方法，其特征在于，包括以下步骤：步骤1：从人体动作姿态数据集中读取全部数据；步骤2：将数据进行标准化处理；步骤3：根据指令中需要进行训练的帧的长度，按照生成的随机数，进行训练数据批次的读取；步骤4：将步骤三获得到的数据按照批次输入到注意力模型中进行数据处理；步骤5：如果需要进行训练，则将步骤四输出的数据与输入的后续数据求得均方差，再加和作为损失值进行反向传播，反向传播通过随机梯度下降的方法进行；如果不需要进行训练，则生成样本，同样将得到的批次数据输入到注意力模型中，得到输出结果，将输出的数据进行去标准化处理，即通过步骤二得到的标准化后的标准差和均值以及进行相应的去标准化计算，最后得到相应的输出结果，即一定帧数的动作数据；步骤6：将得到的动作数据写入到文件中，将数据进行动作重建，得到重建结果。2.如权利要求1所述的一种基于注意力机制的人体动作预测方法，其特征在于，步骤2所述标准化的处理方法为：首先，将得到的全部数据按照每一列求出标准差，将标准差为0的数据剔除，得到所有标准差不为0的列，将每一行的每一个值减去它所在列的均值，再除以此列的标准差得到标准化后的数据aij，其公式如下：其中，ai、j为动作数据矩阵中元素的值，为第j列的均值，为第j列的标准差。3.如权利要求1所述的一种基于注意力机制的人体动作预测方法，其特征在于，步骤3中，每批次读取8组训练数据，每组训练数据按照需要输入和输出的动作帧数进行生成。4.如权利要求1所述的一种基于注意力机制的人体动作预测方法，其特征在于，步骤3中，随机数生产方法为，随机数小于总帧数n减去输入和输出的帧数之和m后得到的差值，根据随机数向后取得输入数据和输出参照数据。5.如权利要求1所述的一种基于注意力机制的人体动作预测方法，其特征在于，步骤4中，采用全局注意力机制模型进行数据处理，方法如下：首先，当编码器对人体动作数据进行编码后提取隐藏层信息，对其进行维度扩展，使其和编码器的输出进行串联；然后，对串联后的数据按照序列的数量进...

【专利技术属性】
技术研发人员：余月，陈相儒，田聂豪，黄焯恒，陈宇峰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11