基于循环时域保持生成的行为预测方法和装置制造方法及图纸

本申请提出基于循环时域保持生成的行为预测方法和装置，其中，方法包括：在获取当前周期的初始人体动作序列后，循环执行人体动作预测过程直至输出下一周期的人体动作序列，其中，人体动作预测过程包括：获取上一次循环过程输出的训练人体动作序列，并将训练人体动作序列输入长度控制器网络输出控制信号；将控制信号和训练人体动作序列输入运动生成器网络；若控制信号是生成信号，则通过运动生成器网络生成预测动作序列，以拼接在人体动作序列后生成本次循环过程的训练人体动作序列，并将生成的预测动作序列输出至下一个循环过程；若控制信号是停止信号，则将训练人体动作序列作为下一周期的人体动作序列。由此，提高了行为预测的效果和性能。

Behavior Prediction Method and Device Based on Cyclic Time Domain Preservation Generation

This application proposes a behavior prediction method and device based on cyclic time domain preservation generation. The method includes: after obtaining the initial human motion sequence of the current cycle, cyclic execution of the human motion prediction process until the next cycle of human motion sequence is output. The human motion prediction process includes: acquiring the training human motion sequence output from the previous cycle, and The training human action sequence is input into the length controller network to output control signal; the control signal and the training human action sequence are input into the motion generator network; if the control signal is generated, the predictive action sequence is generated through the motion generator network to stitch together the human action sequence to generate the training human action sequence in this cycle, and the generated predictive motion is generated. If the control signal is a stop signal, the training human motion sequence will be taken as the next human motion sequence. As a result, the effect and performance of behavior prediction are improved.

【技术实现步骤摘要】
基于循环时域保持生成的行为预测方法和装置
本申请涉及模式识别
，尤其涉及一种基于循环时域保持生成的行为预测方法。
技术介绍
随着人体行为分析技术的快速发展，动作预测已经引起了广泛的兴趣并且成为了计算机视觉中的一个重要的领域。人体行为分析的快速发展使得动作预测已经成为人体动作分析的一个新的领域并且在很多应用中展现出其重要性，例如动作视频分析，异常行为检测和自动驾驶等。其中，动作预测是指从部分视频中推断出未完成的动作。从观测到的序列中预测已经发生的部分动作是非常具有挑战性的，现有的动作预测方法主要分为两类：模板匹配和基于时域特征的分类方法。模板匹配预测动作是通过对动作进行模板匹配，这些模板包含稠密的表达和稀疏的表达。然而，稠密的模板匹配方法容易受到离散值的干扰，而稀疏的模板匹配方法在预测具有相似给你的动作时存在困难。基于时域特征的分类方法是从时域中提取特征来建模观测到的动作序列的趋势。但是，现有的动作预测方法对生成的后续动作无法进行长度的控制，导致生成的后续动作存在长度不合适的现象，从而出现对未完成的动作做出预测效果不理想的问题。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中本文档来自技高网...

【技术保护点】
1.一种基于循环时域保持生成的行为预测方法，其特征在于，所述方法包括以下步骤：在获取当前周期的初始人体动作序列后，循环执行人体动作预测过程直至输出下一周期的人体动作序列，其中，所述人体动作预测过程包括：获取上一次循环过程输出的训练人体动作序列，并将所述训练人体动作序列输入到预设的长度控制器网络输出控制信号，其中，当首次执行所述循环过程时，所述上一次循环过程输出的训练人体动作序列为所述初始人体动作序列；将所述长度控制器网络输出的控制信号和所述训练人体动作序列输入预设的运动生成器网络；若所述控制信号是生成信号，则通过所述运动生成器网络根据所述人体动作序列生成预测动作序列，将所述预测动作序列拼接在所...

【技术特征摘要】
1.一种基于循环时域保持生成的行为预测方法，其特征在于，所述方法包括以下步骤：在获取当前周期的初始人体动作序列后，循环执行人体动作预测过程直至输出下一周期的人体动作序列，其中，所述人体动作预测过程包括：获取上一次循环过程输出的训练人体动作序列，并将所述训练人体动作序列输入到预设的长度控制器网络输出控制信号，其中，当首次执行所述循环过程时，所述上一次循环过程输出的训练人体动作序列为所述初始人体动作序列；将所述长度控制器网络输出的控制信号和所述训练人体动作序列输入预设的运动生成器网络；若所述控制信号是生成信号，则通过所述运动生成器网络根据所述人体动作序列生成预测动作序列，将所述预测动作序列拼接在所述人体动作序列后生成本次循环过程的训练人体动作序列，并将所述生成的预测动作序列输出至下一个循环过程；若所述控制信号是停止信号，则控制所述运动生成器网络输出所述训练人体动作序列作为所述下一周期的人体动作序列。2.如权利要求1所述的行为预测方法，其特征在于，所述人体动作预测过程，还包括：将所述下一周期的人体动作序列输入动作分类网络，获取目标预测动作。3.如权利要求1所述的行为预测方法，其特征在于，所述长度控制器网络包括动作空间、状态空间以及奖励函数；其中，所述动作空间定义如下：A＝[a0,…,at,…an],at∈{0,1}，t∈[0，n]其中，at为t时刻的控制信号，0为所述停止信号，1为所述生成信号。4.如权利要求1所述的行为预测方法，其特征在于，所述将所述训练人体动作序列输入到预设的长度控制器网络输出控制信号包括：将所述训练人体动作序列输入计算公式得到控制信号；所述计算公式如下：at＝φθ(St)其中，at为t时刻的控制信号，St为所述训练人体动作序列，φθ为所述预设的长度控制器网络。5.如权利要求1所述的行为预测方法，其特征在于，所述通过运动生成器网络根据人体动作序列生成预测动作序列，将预测动作序列拼接在人体动作序列后生成本次循环过程的训练人体动作序列包括：将所述训练人体动作序列和所述控制信号输入计算公式得到预测动作序列，其中，所述计算公式为：其中，ψ为所述运动生成器网络，ψ(X)为将所述训练人体动作序列和所述控制信号输入到预设的运动生成器网络生成预测动作序列，⊕为对所述人体动作序列与所述预测动作序列进行拼接操作，Q为将所述预测动作序列拼接在所述人体动作序列之后，生成训练人体动作序列。6.如权利要求...

【专利技术属性】
技术研发人员：鲁继文，周杰，陈磊，段岳圻，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11