姿态检测模型的训练方法及装置、终端姿态的检测方法及装置制造方法及图纸

本公开涉及计算机技术领域，具体涉及一种姿态检测模型的训练方法及装置、终端姿态的检测方法及装置。本公开提供的姿态检测模型的训练方法包括：获取训练样本数据，训练样本数据包括测试终端的姿态信息和与姿态信息对应的运动传感器数据；对运动传感器数据进行预处理；将预处理后的运动传感器数据作为输入、与运动传感器数据对应的姿态信息作为期望输出，对初始姿态检测模型进行训练，以获得姿态检测模型。根据本公开实施例提供的姿态检测模型的训练方法，通过利用采集的终端不同姿态下的运动传感器数据训练姿态检测模型，利用机器学习方法识别把不同终端姿态的边界，训练后的姿态检测模型用于检测终端姿态可以具备更高的准确率。

【技术实现步骤摘要】
姿态检测模型的训练方法及装置、终端姿态的检测方法及装置
本公开涉及计算机
，具体涉及一种姿态检测模型的训练方法及装置、终端姿态的检测方法及装置。
技术介绍
大多手机已安装有运动传感器，如重力传感器(Gravitysensor)，其可以检测手机的X、Y、Z轴上的加速度数值，其中，手机的X轴与手机的宽边平行，手机的Y轴为手机的高边平行，手机的Z轴为垂直手机屏幕的方向。假设当地重力为g，当手机屏幕正面朝上水平放置(即Z轴朝上)时，重力传感器检测到的手机的X、Y、Z轴上的加速度数值分别为0、0、g；当手机的顶边朝上(即Y轴朝上)时，X、Y、Z轴上的加速度数值分别为0、g、0；当手机的左侧边朝上放置(即X轴朝上)时，X、Y、Z轴上的加速度数值分别为g、0、0；当手机处于其他角度姿态时，重力加速度g则会分解到X、Y、Z三个坐标轴上。目前一些技术方案基于重力传感器的上述特性，通过在手机在X、Y、Z三个坐标轴上设置固定的阈值或预设条件，根据重力传感器检测到的手机在X、Y、Z三个坐标轴上加速度值是否满足设定的阈值或预定条件，判断手机所处的姿态，例如横屏、竖屏等。但是，上述方案适用于检测手机的标准姿态，当用户采用平躺或侧躺等非标准姿势使用手机，上述方案便无法准确地判断手机所处的姿态，特别是无法判断手机对于用户而言是横屏还是竖屏。
技术实现思路
提供该
技术实现思路
部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该
技术实现思路
部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。第一方面，本公开提供了一种姿态检测模型的训练方法，包括：获取训练样本数据，所述训练样本数据包括测试终端的姿态信息和与所述姿态信息对应的运动传感器数据；对所述运动传感器数据进行预处理；将预处理后的运动传感器数据作为输入、与所述运动传感器数据对应的姿态信息作为期望输出，对初始姿态检测模型进行训练，以获得姿态检测模型。第二方面，本公开提供了一种终端姿态的检测方法，包括：获取待测终端的运动传感器检测到的运动传感器数据；对所述运动传感器数据进行预处理；将预处理后的运动传感器数据输入至姿态检测模型以确定所述待测终端的姿态；其中，所述姿态检测模型根据本公开一个或多个实施例提供的姿态检测模型的训练方法训练得到。第三方面，本公开提供了一种姿态检测模型的训练装置，包括：样本数据获取单元，用于获取训练样本数据，所述训练样本数据包括测试终端的姿态信息和与所述姿态信息对应的运动传感器数据；样本预处理单元，用于对所述运动传感器数据进行预处理；训练单元，用于将预处理后的运动传感器数据作为输入、与所述运动传感器数据对应的姿态信息作为期望输出，对初始姿态检测模型进行训练，以获得姿态检测模型。第四方面，本公开提供了一种终端姿态的检测装置，包括：运动传感器数据获取单元，用于获取待测终端的运动传感器检测到的运动传感器数据；运动传感器数据预处理单元，用于对所述运动传感器数据进行预处理；确定单元，用于将预处理后的运动传感器数据输入至姿态检测模型以确定所述待测终端的姿态；其中，所述姿态检测模型根据本公开一个或多个实施例提供的姿态检测模型的训练方法训练得到。第五方面，本公开提供了一种终端，所述终端包括：至少一个存储器和至少一个处理器；其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以执行根据本公开一个或多个实施例提供的训练方法或根据本公开一个或多个实施例提供的检测方法。第六方面，一种非暂态计算机存储介质，所述非暂态计算机存储介质存储有程序代码，所述程序代码用于执行根据本公开一个或多个实施例提供的训练方法或根据本公开一个或多个实施例提供的检测方法。根据本公开实施例提供的姿态检测模型的训练方法，通过利用采集的终端不同姿态下的运动传感器数据训练姿态检测模型，利用机器学习方法识别把不同终端姿态的边界，训练后的姿态检测模型用于检测终端姿态可以具备更高的准确率。附图说明结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。图1为本公开一实施例提供的姿态检测模型的训练方法的流程图；图2为本公开另一实施例提供的姿态检测模型的训练方法的流程图；图3为本公开一实施例提供的终端姿态的检测方法的流程图；图4为本公开一实施例提供的姿态检测模型的训练装置的结构示意图；图5为本公开一实施例提供的终端姿态的检测装置的结构示意图；图6为用来实现本公开实施例的终端设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。应当理解，本公开的装置实施方式中记载的步骤可以按照不同的顺序执行，和/或并行执行。此外，装置实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。需要注意，本公开中提及的“响应于”，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟。为了本公开的目的，短语“A和/或B”意为(A)、(B)或(A和B)。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。参考图1，图1示出了本公开实施例提供的姿态检测模型的训练方法的流程图，该方法100包括步骤S101-步骤S103：步骤S101：获取训练样本数据，训练样本数据包括测试终端的姿态信息和与姿态信息对应的运动传感器数据。在本公开实施例中，运动传感器包括但不限于加速度传感器、重力传感器、本文档来自技高网...

【技术保护点】
1.一种姿态检测模型的训练方法，其特征在于，包括：/n获取训练样本数据，所述训练样本数据包括测试终端的姿态信息和与所述姿态信息对应的运动传感器数据；/n对所述运动传感器数据进行预处理；/n将预处理后的运动传感器数据作为输入、与所述运动传感器数据对应的姿态信息作为期望输出，对初始姿态检测模型进行训练，以获得姿态检测模型。/n

【技术特征摘要】
1.一种姿态检测模型的训练方法，其特征在于，包括：
获取训练样本数据，所述训练样本数据包括测试终端的姿态信息和与所述姿态信息对应的运动传感器数据；
对所述运动传感器数据进行预处理；
将预处理后的运动传感器数据作为输入、与所述运动传感器数据对应的姿态信息作为期望输出，对初始姿态检测模型进行训练，以获得姿态检测模型。


2.如权利要求1所述的姿态检测模型的训练方法，其特征在于，
所述获取训练样本数据，包括：获取所述测试终端处于姿态信息对应的姿态时运动传感器连续检测到的或在预设时长内检测到的n个运动传感器数据，其中，n≥2；
所述对所述运动传感器数据进行预处理，包括：对所述n个运动传感器数据中的m个运动传感器数据进行合并处理，其中，2≤m≤n。


3.如权利要求2所述的姿态检测模型的训练方法，其特征在于，
所述运动传感器数据包括至少两个方向上的数值；
所述对所述n个运动传感器数据中的m个运动传感器数据进行合并处理，包括：将所述m个运动传感器数据中对应同一方向的数值按时间轴排序生成数组。


4.如权利要求1所述的姿态检测模型的训练方法，其特征在于，
所述姿态信息包括测试人员持握所述测试终端的持握姿态，所述持握姿态包括横屏持握和竖屏持握。


5.如权利要求4所述的姿态检测模型的训练方法，其特征在于，
所述姿态信息还包括测试人员持握所述测试终端时的身体姿态。


6.如权利要求5所述的姿态检测模型的训练方法，其特征在于，
所述身体姿态包括平躺或侧躺。


7.如权利要求1所述的姿态检测模型的训练方法，其特征在于，所述初始姿态检测模型为神经网络模型。


8.一种终端姿态的检测方法，其特征在于，包括：
获取待测终端的运动传感器检测到的运动传感器数据；
对所述运动传感器数据进行预处理；
将预处理后的运动传感器数据输入至姿态检测模型以确定所述待测终端的姿态；
其中，所述姿态检测模型根据如权利要求1-7中任一项所述的训练方法训练得到。


9.如权利...

【专利技术属性】
技术研发人员：丛国华，韩冰天，李腾飞，
申请(专利权)人：北京字节跳动网络技术有限公司，
类型：发明
国别省市：北京;11