本發(fā)明涉及數(shù)據(jù)處理，特別涉及一種基于人工智能的動(dòng)捕采集方法及系統(tǒng)。

背景技術(shù)：

1、目前，隨著科技的不斷發(fā)展，運(yùn)動(dòng)捕捉技術(shù)已成為影視、游戲等產(chǎn)業(yè)中不可或缺的一部分，近年來(lái)，基于人工智能的動(dòng)捕技術(shù)因其高精度、實(shí)時(shí)性和穩(wěn)定性等優(yōu)點(diǎn)而逐漸受到重視；

2、但是，傳統(tǒng)的運(yùn)動(dòng)捕捉方法主要依賴于電磁感應(yīng)、光學(xué)標(biāo)記和慣性測(cè)量等方式，但這些方法存在設(shè)備昂貴、操作復(fù)雜、局限性強(qiáng)等問(wèn)題，同時(shí)，無(wú)法對(duì)運(yùn)動(dòng)捕捉進(jìn)行主動(dòng)學(xué)習(xí)，導(dǎo)致運(yùn)行捕捉效率以及捕捉準(zhǔn)確性下降；

3、因此，為了克服上述缺陷，本發(fā)明提供了一種基于人工智能的動(dòng)捕采集方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于人工智能的動(dòng)捕采集方法及系統(tǒng)，用以通過(guò)多維度傳感器對(duì)人體的體征表征信息進(jìn)行多維度采集，確保了采集到的體征表征信息的全面性以及可靠性，從而便于根據(jù)采集到的體征表征信息對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，其次，對(duì)采集到的體征表征信息進(jìn)行預(yù)處理，并根據(jù)預(yù)處理結(jié)果對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，確保了深度學(xué)習(xí)的準(zhǔn)確可靠性，同時(shí)，對(duì)深度學(xué)習(xí)模型進(jìn)行多維度應(yīng)用場(chǎng)景交互適配，便于確保深度學(xué)習(xí)模型能夠在不同的應(yīng)用場(chǎng)景進(jìn)行運(yùn)用，從而提高在不同應(yīng)用場(chǎng)景下對(duì)動(dòng)作進(jìn)行捕捉采集的可靠性，最后，將采集到的實(shí)時(shí)體征信息進(jìn)行融合，便于深度學(xué)習(xí)模型從整體上對(duì)人體動(dòng)作進(jìn)行全面有效的捕捉，并將融合結(jié)果傳輸至適配后的深度學(xué)習(xí)模型進(jìn)行分析，確保了最終得到的動(dòng)作信息的準(zhǔn)確可靠性，并將得到的分析結(jié)果反饋至管理終端進(jìn)行管理，提高了對(duì)動(dòng)作捕捉的效率以及可靠性，同時(shí)，也簡(jiǎn)化的動(dòng)作捕捉的操作，保障了對(duì)動(dòng)作捕捉的效果。

2、本發(fā)明提供了一種基于人工智能的動(dòng)捕采集方法，包括：

3、步驟1：基于多維度傳感器對(duì)人體的體征表征信息進(jìn)行多維度采集，并對(duì)采集到的體征表征信息進(jìn)行預(yù)處理；

4、步驟2：基于預(yù)處理后的體征表征信息對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，并對(duì)訓(xùn)練和優(yōu)化后的深度學(xué)習(xí)模型進(jìn)行多維度應(yīng)用場(chǎng)景交互適配；

5、步驟3：對(duì)多維度傳感器采集的實(shí)時(shí)體征信息進(jìn)行融合，并將融合結(jié)果輸入至適配后的深度學(xué)習(xí)模型進(jìn)行分析，且基于多維度應(yīng)用場(chǎng)景交互適配結(jié)果將分析結(jié)果反饋至對(duì)應(yīng)管理終端。

6、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，步驟1中，基于多維度傳感器對(duì)人體的體征表征信息進(jìn)行多維度采集，包括：

7、獲取對(duì)人體的體征表征信息的采集項(xiàng)目，并確定不同采集項(xiàng)目在人體上對(duì)應(yīng)的采集部位；

8、提取采集部位的部位特征，并基于部位特征對(duì)多維度傳感器進(jìn)行特定追蹤點(diǎn)標(biāo)記，且基于標(biāo)記結(jié)果對(duì)多維度傳感器進(jìn)行定點(diǎn)追蹤配置；

9、基于定點(diǎn)追蹤配置結(jié)果向多維度傳感器下發(fā)數(shù)據(jù)采集指令，并基于數(shù)據(jù)采集指令控制多維度傳感器對(duì)相應(yīng)采集部位進(jìn)行實(shí)時(shí)追蹤，得到人體的體征表征信息。

10、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，步驟1中，對(duì)采集到的體征表征信息進(jìn)行預(yù)處理，包括：

11、獲取采集到的體征表征信息，并對(duì)體征表征信息進(jìn)行維度拆分，且將維度拆分后的體征表征信息進(jìn)行序列化處理，得到體征表征信息序列；

12、將每一維度下相鄰時(shí)刻的體征表征信息進(jìn)行狀態(tài)比對(duì)，并基于狀態(tài)比對(duì)確定每一維度下體征表征信息的變化量；

13、基于編碼規(guī)則對(duì)不同的變化量進(jìn)行數(shù)字編碼，并基于體征表征信息序列對(duì)數(shù)據(jù)編碼結(jié)果進(jìn)行邏輯關(guān)聯(lián)，得到體征表征信息對(duì)應(yīng)的數(shù)字信號(hào)，且基于數(shù)字信號(hào)對(duì)體征表征信息進(jìn)行預(yù)處理。

14、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，基于數(shù)字信號(hào)對(duì)體征表征信息進(jìn)行預(yù)處理，包括：

15、獲取得到的體征表征信息對(duì)應(yīng)的數(shù)字信號(hào)，并確定每一點(diǎn)的相鄰目標(biāo)個(gè)點(diǎn)的數(shù)字信號(hào)的平均值，且基于平均值對(duì)當(dāng)前點(diǎn)的目標(biāo)值進(jìn)行替換；

16、基于替換結(jié)果確定對(duì)體征表征信息對(duì)應(yīng)的數(shù)字信號(hào)的濾波頻段，并基于濾波頻段對(duì)濾波器進(jìn)行參數(shù)配置，且基于參數(shù)配配置結(jié)果對(duì)體征表征信息進(jìn)行濾波處理；

17、基于濾波處理結(jié)果確定體征表征信息的數(shù)字信號(hào)在時(shí)域中的取值特征，并將時(shí)域的取值特征作為第一數(shù)據(jù)特征；

18、同時(shí)，基于預(yù)設(shè)規(guī)則將體征表征信息的數(shù)字信號(hào)進(jìn)行頻域轉(zhuǎn)換，并基于頻域轉(zhuǎn)換結(jié)果確定體征表征信息的數(shù)字信號(hào)的不同頻率分量的分布和強(qiáng)度特征，且將不同頻率分量的分布和強(qiáng)度特征作為第二數(shù)據(jù)特征；

19、將第一數(shù)據(jù)特征和第二數(shù)據(jù)特征進(jìn)行匯總，得到體征表征信息目標(biāo)數(shù)據(jù)特征。

20、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，步驟2中，基于預(yù)處理后的體征表征信息對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，并對(duì)訓(xùn)練和優(yōu)化后的深度學(xué)習(xí)模型進(jìn)行多維度應(yīng)用場(chǎng)景交互適配，包括：

21、獲取預(yù)處理后的體征表征信息，并基于預(yù)設(shè)人體監(jiān)測(cè)部位對(duì)體征表征信息進(jìn)行數(shù)據(jù)對(duì)象劃分，得到子動(dòng)作數(shù)據(jù)集；

22、提取子動(dòng)作數(shù)據(jù)集的數(shù)據(jù)特征，并基于數(shù)據(jù)特征確定對(duì)應(yīng)監(jiān)測(cè)部位的動(dòng)作姿態(tài)；

23、基于動(dòng)作姿態(tài)對(duì)監(jiān)測(cè)部位的執(zhí)行動(dòng)作進(jìn)行拆分，得到動(dòng)作分支集合以及對(duì)應(yīng)的關(guān)節(jié)點(diǎn)，并基于拆分結(jié)果根據(jù)子動(dòng)作數(shù)據(jù)集的目標(biāo)取值對(duì)動(dòng)作分支集合中各動(dòng)作分支的動(dòng)作參量進(jìn)行量化；

24、基于量化結(jié)果得到每一動(dòng)作分支的執(zhí)行參量特征，同時(shí)，獲取關(guān)節(jié)點(diǎn)在相應(yīng)執(zhí)行參量特征下的位置變化特征，并將執(zhí)行參量特征和關(guān)節(jié)點(diǎn)的位置變化特征進(jìn)行關(guān)聯(lián)；

25、對(duì)同一監(jiān)測(cè)部位在不同場(chǎng)景下的執(zhí)行參量特征和關(guān)節(jié)點(diǎn)的位置變化特征的關(guān)聯(lián)結(jié)果進(jìn)行統(tǒng)計(jì)，并基于統(tǒng)計(jì)結(jié)果構(gòu)建動(dòng)作對(duì)照組；

26、對(duì)動(dòng)作對(duì)照組進(jìn)行映射分析，得到每一監(jiān)測(cè)部位在時(shí)間和空間維度上的動(dòng)作特征表征以及對(duì)應(yīng)的動(dòng)作特征參數(shù)；

27、基于動(dòng)作特征表征和動(dòng)作特征參數(shù)對(duì)深度學(xué)習(xí)模型進(jìn)行迭代訓(xùn)練，并基于每一次迭代訓(xùn)練后深度學(xué)習(xí)模型的模型損失值；

28、基于模型損失值確定下一次迭代訓(xùn)練的模型優(yōu)化方向和參量，并基于模型損失值、模型優(yōu)化方向和參量對(duì)深度學(xué)習(xí)模型進(jìn)行負(fù)反饋迭代優(yōu)化，完成對(duì)深度學(xué)習(xí)模型的訓(xùn)練和優(yōu)化。

29、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，步驟2中，對(duì)訓(xùn)練和優(yōu)化后的深度學(xué)習(xí)模型進(jìn)行多維度應(yīng)用場(chǎng)景交互適配，包括：

30、獲取訓(xùn)練和優(yōu)化后的深度學(xué)習(xí)模型，同時(shí)，獲取深度學(xué)習(xí)模型的應(yīng)用場(chǎng)景，并基于應(yīng)用場(chǎng)景的執(zhí)行項(xiàng)目確定對(duì)應(yīng)的交互需求；

31、基于交互需求確定深度學(xué)習(xí)模型在不同應(yīng)用場(chǎng)景的輸出和交互方式，并基于輸出和交互方式在深度學(xué)習(xí)模型中添加附屬協(xié)同機(jī)制；

32、基于添加結(jié)果對(duì)不同應(yīng)用場(chǎng)景的附屬協(xié)同機(jī)制添加執(zhí)行邏輯判斷機(jī)制，并將執(zhí)行邏輯判斷機(jī)制與深度學(xué)習(xí)模型進(jìn)行參數(shù)關(guān)聯(lián)；

33、基于參數(shù)關(guān)聯(lián)結(jié)果完成對(duì)深度學(xué)習(xí)模型的多維度應(yīng)用場(chǎng)景交互適配。

34、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，步驟3中，對(duì)多維度傳感器采集的實(shí)時(shí)體征信息進(jìn)行融合，并將融合結(jié)果輸入至適配后的深度學(xué)習(xí)模型進(jìn)行分析，包括：

35、獲取多維度傳感器采集的實(shí)時(shí)體征信息，并提取實(shí)時(shí)體征信息對(duì)應(yīng)的時(shí)間戳信息；

36、基于時(shí)間戳將多維度傳感器采集的實(shí)時(shí)體征信息進(jìn)行時(shí)間對(duì)齊，并基于時(shí)間對(duì)齊結(jié)果分別提取各維度傳感器采集的實(shí)時(shí)體征信息對(duì)應(yīng)的主體對(duì)象；

37、基于主體對(duì)象在人體中的分布位置確定對(duì)實(shí)時(shí)體征信息的融合邏輯，并基于融合邏輯確定實(shí)時(shí)體征信息之間的融合數(shù)據(jù)節(jié)點(diǎn)，同時(shí)，基于各主體對(duì)象的動(dòng)作表征確定各主體對(duì)象的權(quán)重；

38、基于各主體對(duì)象的權(quán)重和實(shí)時(shí)體征信息之間的融合數(shù)據(jù)節(jié)點(diǎn)對(duì)多維度傳感器采集的實(shí)時(shí)體征信息進(jìn)行融合，并將融合結(jié)果輸入至適配后的深度學(xué)習(xí)模型進(jìn)行分析，得到實(shí)時(shí)體征信息對(duì)應(yīng)的目標(biāo)動(dòng)作特征。

39、優(yōu)選的，一種基于人工智能的動(dòng)捕采集方法，步驟3中，基于多維度應(yīng)用場(chǎng)景交互適配結(jié)果將分析結(jié)果反饋至對(duì)應(yīng)管理終端，包括：

40、獲取實(shí)時(shí)體征信息對(duì)應(yīng)的目標(biāo)動(dòng)作特征，并接收管理終端發(fā)送的交互請(qǐng)求；

41、提取交互請(qǐng)求中的場(chǎng)景標(biāo)識(shí)，并基于場(chǎng)景標(biāo)識(shí)與預(yù)設(shè)場(chǎng)景交互機(jī)制進(jìn)行匹配，確定當(dāng)前應(yīng)用場(chǎng)景對(duì)應(yīng)的目標(biāo)場(chǎng)景交互機(jī)制；

42、基于目標(biāo)場(chǎng)景交互機(jī)制將目標(biāo)動(dòng)作特征反饋至管理終端，并在管理終端中創(chuàng)建臨時(shí)緩存文件；

43、將接收到的目標(biāo)動(dòng)作特征在臨時(shí)緩存文件中進(jìn)行緩存。

44、本發(fā)明提供了一種基于人工智能的動(dòng)捕采集系統(tǒng)，包括：

45、數(shù)據(jù)采集及預(yù)處理模塊，用于基于多維度傳感器對(duì)人體的體征表征信息進(jìn)行多維度采集，并對(duì)采集到的體征表征信息進(jìn)行預(yù)處理；

46、模型構(gòu)建及適配模塊，用于基于預(yù)處理后的體征表征信息對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，并對(duì)訓(xùn)練和優(yōu)化后的深度學(xué)習(xí)模型進(jìn)行多維度應(yīng)用場(chǎng)景交互適配；

47、分析及交互模塊，用于對(duì)多維度傳感器采集的實(shí)時(shí)體征信息進(jìn)行融合，并將融合結(jié)果輸入至適配后的深度學(xué)習(xí)模型進(jìn)行分析，且基于多維度應(yīng)用場(chǎng)景交互適配結(jié)果將分析結(jié)果反饋至對(duì)應(yīng)管理終端。

48、優(yōu)選的，一種基于人工智能的動(dòng)捕采集系統(tǒng)，數(shù)據(jù)采集及預(yù)處理模塊，包括：

49、采集部位確定單元，用于獲取對(duì)人體的體征表征信息的采集項(xiàng)目，并確定不同采集項(xiàng)目在人體上對(duì)應(yīng)的采集部位；

50、傳感器配置單元，用于提取采集部位的部位特征，并基于部位特征對(duì)多維度傳感器進(jìn)行特定追蹤點(diǎn)標(biāo)記，且基于標(biāo)記結(jié)果對(duì)多維度傳感器進(jìn)行定點(diǎn)追蹤配置；

51、數(shù)據(jù)采集單元，用于基于定點(diǎn)追蹤配置結(jié)果向多維度傳感器下發(fā)數(shù)據(jù)采集指令，并基于數(shù)據(jù)采集指令控制多維度傳感器對(duì)相應(yīng)采集部位進(jìn)行實(shí)時(shí)追蹤，得到人體的體征表征信息。

52、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

53、1.通過(guò)多維度傳感器對(duì)人體的體征表征信息進(jìn)行多維度采集，確保了采集到的體征表征信息的全面性以及可靠性，從而便于根據(jù)采集到的體征表征信息對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，其次，對(duì)采集到的體征表征信息進(jìn)行預(yù)處理，并根據(jù)預(yù)處理結(jié)果對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練和優(yōu)化，確保了深度學(xué)習(xí)的準(zhǔn)確可靠性，同時(shí)，對(duì)深度學(xué)習(xí)模型進(jìn)行多維度應(yīng)用場(chǎng)景交互適配，便于確保深度學(xué)習(xí)模型能夠在不同的應(yīng)用場(chǎng)景進(jìn)行運(yùn)用，從而提高在不同應(yīng)用場(chǎng)景下對(duì)動(dòng)作進(jìn)行捕捉采集的可靠性，最后，將采集到的實(shí)時(shí)體征信息進(jìn)行融合，便于深度學(xué)習(xí)模型從整體上對(duì)人體動(dòng)作進(jìn)行全面有效的捕捉，并將融合結(jié)果傳輸至適配后的深度學(xué)習(xí)模型進(jìn)行分析，確保了最終得到的動(dòng)作信息的準(zhǔn)確可靠性，并將得到的分析結(jié)果反饋至管理終端進(jìn)行管理，提高了對(duì)動(dòng)作捕捉的效率以及可靠性，同時(shí)，也簡(jiǎn)化的動(dòng)作捕捉的操作，保障了對(duì)動(dòng)作捕捉的效果。

54、2.通過(guò)確定對(duì)人體的體征表征信息的采集項(xiàng)目，實(shí)現(xiàn)根據(jù)采集項(xiàng)目對(duì)采集部位進(jìn)行準(zhǔn)確有效的確定，從而便于根據(jù)確定的采集部位對(duì)多維度傳感器進(jìn)行定點(diǎn)追蹤配置，其次，根據(jù)配置結(jié)果實(shí)時(shí)接收下發(fā)的數(shù)據(jù)采集指令，實(shí)現(xiàn)在收到數(shù)據(jù)采集指令時(shí)，及時(shí)控制多維度傳感器對(duì)相應(yīng)采集部位進(jìn)行實(shí)時(shí)追蹤，實(shí)現(xiàn)對(duì)人體的體征表征信息進(jìn)行全面有效的采集，為實(shí)現(xiàn)對(duì)深度學(xué)習(xí)模型進(jìn)行全面訓(xùn)練提供了數(shù)據(jù)支撐。

55、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部分地從說(shuō)明書中變得顯而易見，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在本技術(shù)文件中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

56、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。