姿态数据生成方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种姿态数据生成方法、装置、电子设备及存储介质，涉及深度学习技术领域。由于目标三维姿态数据是由原始的三维姿态数据变化得到的，而原始的三维姿态数据可以是一些特殊环境下的稀缺姿态数据，从而在对原始的三维姿态数据进行变化后可生成大量的稀缺三维姿态数据，同时还可生成大量的稀缺二维姿态数据，进而使得得到的样本姿态数据集具有更好的鲁棒性，可用于提升训练三维姿态估计模型的训练精度，从而使得训练得到的三维姿态估计模型具有更高的预测精度。型具有更高的预测精度。型具有更高的预测精度。

【技术实现步骤摘要】
姿态数据生成方法、装置、电子设备及存储介质


[0001]本申请涉及深度学习
，具体而言，涉及一种姿态数据生成方法、装置、电子设备及存储介质。

技术介绍

[0002]随着数据科学和人工智能的快速发展，基于单目图像的人体姿态估计取得了显著进展。基于获取的二维姿态图像即可估计出相应的三维人体姿态。广泛应用于动作识别、高级人机交互、动画制作、安全监控、辅助医疗、运动训练、自动驾驶等领域。
[0003]目前常用的姿态估计方式是：根据采集的二维姿态图像，采用训练的三维姿态估计模型，估计出二维姿态图像对应的三维姿态。
[0004]但是，由于训练三维姿态估计模型时所使用的训练样本数据的鲁棒性较差，导致使用训练样本数据得到的三维姿态估计模型进行三维姿态预测时的准确性较差。

技术实现思路

[0005]本申请的目的在于，针对上述现有技术中的不足，提供一种姿态数据生成方法、装置、电子设备及存储介质，以便于生成高质量的训练样本数据，以用于训练得到精确度更高的三维姿态估计模型。
[0006]为实现上述目的，本申请实施例采用的技术方案如下：
[0007]第一方面，本申请实施例提供了一种姿态数据生成方法，包括：
[0008]获取多个原始的三维姿态数据，所述三维姿态数据包括：三维姿态中各关节点的坐标、相机位置、相机视角；
[0009]将各原始的三维姿态数据输入预先训练得到的姿态生成器中，对所述原始的三维姿态数据进行变换，得到各原始的三维姿态数据对应的目标三维姿态数据；
[0010]根据各原始的三维姿态数据对应的目标三维姿态数据，生成所述目标三维姿态数据对应的二维姿态数据；
[0011]根据所述各原始的三维姿态数据对应的目标三维姿态数据以及所述目标三维姿态数据对应的二维姿态数据，得到样本姿态数据集，所述样本姿态数据集用于训练获取三维姿态估计模型，三维姿态估计模型用于根据输入的二维姿态数据估计出三维姿态数据。
[0012]可选地，所述姿态生成器采用下述方法训练得到：
[0013]从数据集中采集多个初始三维姿态数据；
[0014]将所述多个初始三维姿态数据输入初始的生成器中，生成各初始三维姿态数据对应的新的三维姿态数据；
[0015]根据所述各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到姿态样本数据集；
[0016]采用所述姿态样本数据集训练获取所述姿态生成器。
[0017]可选地，所述将所述多个初始三维姿态数据输入初始的生成器中，生成各初始三
维姿态数据对应的新的三维姿态数据，包括：
[0018]将所述初始三维姿态数据输入初始的生成器中，由所述初始的生成器根据各初始三维姿态数据中各关节点的坐标，确定各初始三维姿态中各关节角度、各关节骨长，并根据预设的姿态数据变换函数、以及预设的关节角度阈值，对各初始三维姿态数据中各关节角度、各关节骨长、相机位置及相机视角进行参数变化计算，生成各初始三维姿态数据对应的新的三维姿态数据。
[0019]可选地，所述根据预设的姿态数据变换函数、以及预设的关节角度阈值，对各初始三维姿态数据中各关节角度、各关节骨长、相机位置及相机视角进行参数变化计算，生成各初始三维姿态数据对应的新的三维姿态数据，包括：
[0020]根据预设的姿态数据变换函数对各初始三维姿态数据中各关节角度、各关节骨长、相机位置及相机视角进行参数变化计算，得到各初始三维姿态数据对应的变化后的各关节角度、变化后的各关节骨长、变化后的相机位置及相机视角；
[0021]根据预设的关节角度阈值，对各初始三维姿态数据对应的变化后的各关节角度进行修正，得到各初始三维姿态数据对应的修正后的各关节角度；
[0022]根据各初始三维姿态数据对应的修正后的各关节角度、变化后的各关节骨长、变化后的相机位置及相机视角，得到各初始三维姿态数据对应的新的三维姿态数据。
[0023]可选地，所述根据所述各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到姿态样本数据集，包括：
[0024]对各初始三维姿态数据对应的新的三维姿态数据进行投影，得到各新的三维姿态数据对应的二维姿态数据；
[0025]根据各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到第一姿态样本数据集；
[0026]根据各新的三维姿态数据对应的二维姿态数据、以及采集的多个目标二维姿态数据，得到第二姿态样本数据集，其中，各新的三维姿态数据对应的二维姿态数据的标签信息包括：第一标识，第一标识用于表征新的三维姿态数据对应的二维姿态数据为假数据；各目标二维姿态数据的标签信息包括：第二标识，第二标识用于目标二维姿态数据为真实数据；
[0027]根据所述第一姿态样本数据集和所述第二姿态样本数据集，得到所述姿态样本数据集。
[0028]可选地，所述根据各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到第一姿态样本数据集，包括：
[0029]将各初始三维姿态数据对应的新的三维姿态数据输入所述初始的生成器中，生成各新的三维姿态数据对应的扩展三维姿态数据；
[0030]根据各新的三维姿态数据、各新的三维姿态数据对应的扩展三维姿态数据、以及所述多个初始三维姿态数据，得到所述第一姿态样本数据集，其中，各新的三维姿态数据以及各新的三维姿态数据对应的扩展三维姿态数据的标签信息包括：所述第一标识；各初始三维姿态数据的标签信息包括：所述第二标识。
[0031]可选地，所述采用所述姿态样本数据集训练获取所述姿态生成器，包括：
[0032]将所述姿态样本数据集输入姿态判别器中，得到判定结果，并根据所述判定结果，分别对所述初始的生成器、以及所述姿态判别器的网络参数进行修正，得到修正后的生成
器以及修正后的姿态判别器；
[0033]将所述姿态样本数据集输入所述修正后的生成器，生成多个修正后的姿态数据，并将多个修正后的姿态数据输入修正后的姿态判别器中，得到新的判定结果，循环执行，直至所述新的判定结果满足预设条件，停止修正，得到所述姿态生成器以及目标姿态判别器。
[0034]可选地，所述姿态判别器包括：第一姿态判别器以及第二姿态判别器；
[0035]所述将所述姿态样本数据集输入姿态判别器中，得到判定结果，并根据所述判定结果，分别对所述初始的生成器、以及所述姿态判别器的网络参数进行修正，得到修正后的生成器以及修正后的姿态判别器，包括：
[0036]将所述第一姿态样本数据集输入第一姿态判别器中，得到当前的第一判定结果，所述第一判定结果包括：第一姿态样本数据集中各三维姿态数据为真实数据的概率；
[0037]将所述第二姿态样本数据集输入第二姿态判别器中，得到当前的第二判定结果，所述第二判定结果包括：第二姿态样本数据集中各二维姿态数据为真实数据的概率；
[0038]根据所述当前的第一判定结果以及所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种姿态数据生成方法，其特征在于，包括：获取多个原始的三维姿态数据，所述三维姿态数据包括：三维姿态中各关节点的坐标、相机位置、相机视角；将各原始的三维姿态数据输入预先训练得到的姿态生成器中，对所述原始的三维姿态数据进行变换，得到各原始的三维姿态数据对应的目标三维姿态数据；根据各原始的三维姿态数据对应的目标三维姿态数据，生成所述目标三维姿态数据对应的二维姿态数据；根据所述各原始的三维姿态数据对应的目标三维姿态数据以及所述目标三维姿态数据对应的二维姿态数据，得到样本姿态数据集，所述样本姿态数据集用于训练获取三维姿态估计模型，三维姿态估计模型用于根据输入的二维姿态数据估计出三维姿态数据。2.根据权利要求1所述的方法，其特征在于，所述姿态生成器采用下述方法训练得到：从数据集中采集多个初始三维姿态数据；将所述多个初始三维姿态数据输入初始的生成器中，生成各初始三维姿态数据对应的新的三维姿态数据；根据所述各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到姿态样本数据集；采用所述姿态样本数据集训练获取所述姿态生成器。3.根据权利要求2所述的方法，其特征在于，所述将所述多个初始三维姿态数据输入初始的生成器中，生成各初始三维姿态数据对应的新的三维姿态数据，包括：将所述初始三维姿态数据输入初始的生成器中，由所述初始的生成器根据各初始三维姿态数据中各关节点的坐标，确定各初始三维姿态中各关节角度、各关节骨长，并根据预设的姿态数据变换函数、以及预设的关节角度阈值，对各初始三维姿态数据中各关节角度、各关节骨长、相机位置及相机视角进行参数变化计算，生成各初始三维姿态数据对应的新的三维姿态数据。4.根据权利要求3所述的方法，其特征在于，所述根据预设的姿态数据变换函数、以及预设的关节角度阈值，对各初始三维姿态数据中各关节角度、各关节骨长、相机位置及相机视角进行参数变化计算，生成各初始三维姿态数据对应的新的三维姿态数据，包括：根据预设的姿态数据变换函数对各初始三维姿态数据中各关节角度、各关节骨长、相机位置及相机视角进行参数变化计算，得到各初始三维姿态数据对应的变化后的各关节角度、变化后的各关节骨长、变化后的相机位置及相机视角；根据预设的关节角度阈值，对各初始三维姿态数据对应的变化后的各关节角度进行修正，得到各初始三维姿态数据对应的修正后的各关节角度；根据各初始三维姿态数据对应的修正后的各关节角度、变化后的各关节骨长、变化后的相机位置及相机视角，得到各初始三维姿态数据对应的新的三维姿态数据。5.根据权利要求2所述的方法，其特征在于，所述根据所述各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到姿态样本数据集，包括：对各初始三维姿态数据对应的新的三维姿态数据进行投影，得到各新的三维姿态数据对应的二维姿态数据；根据各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数
据，得到第一姿态样本数据集；根据各新的三维姿态数据对应的二维姿态数据、以及采集的多个目标二维姿态数据，得到第二姿态样本数据集，其中，各新的三维姿态数据对应的二维姿态数据的标签信息包括：第一标识，第一标识用于表征新的三维姿态数据对应的二维姿态数据为假数据；各目标二维姿态数据的标签信息包括：第二标识，第二标识用于目标二维姿态数据为真实数据；根据所述第一姿态样本数据集和所述第二姿态样本数据集，得到所述姿态样本数据集。6.根据权利要求5所述的方法，其特征在于，所述根据各初始三维姿态数据对应的新的三维姿态数据、以及所述多个初始三维姿态数据，得到第一姿态样本数据集，包括：将各初始三维姿态数据对应的新的三维姿态数据输入所述初始的生成器中，生成各新的三维姿态数据对应的扩展三维姿态数据；根据各新的三维姿态数据、各新的三维姿态数据对应的扩展三维姿态数据、以及所述多个初始三维姿态数据，得到所述第一姿态样本数据集，其中，各新的三维姿态数据以及各新的三维姿态数据对应的扩展三维姿态数据的标签信息包括：所述第一标识；各初始三维姿态数据的标签信息包括：所述第二标识。7.根据权利要求5所述的方法，其特征在于，所述采用所述姿态样本数据集训练获取所述姿态生成器，包括：将所述姿态样本数据集输入姿态判别器中，得到判定结果，并根据所述判定结果，分别对所述初始的生成器、以及所述姿态判别器的网络参数进行修正，得到修正后的生成器以及修正后的姿态判别器；将所述姿态样本数据集输入所述修正后的生成器，生成多个修正后的姿态数据，并...

【专利技术属性】
技术研发人员：李昊伦，潘治文，
申请(专利权)人：澳门大学，
类型：发明
国别省市：