CN115861592A - 基于神经网络的动作捕捉***的速度精度优化方法及*** - Google Patents
基于神经网络的动作捕捉***的速度精度优化方法及*** Download PDFInfo
- Publication number
- CN115861592A CN115861592A CN202310120726.8A CN202310120726A CN115861592A CN 115861592 A CN115861592 A CN 115861592A CN 202310120726 A CN202310120726 A CN 202310120726A CN 115861592 A CN115861592 A CN 115861592A
- Authority
- CN
- China
- Prior art keywords
- speed
- motion capture
- capture system
- neural network
- precision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经网络的动作捕捉***的速度精度优化方法及***,其中方法包括如下步骤,获取速度精度、获取动作捕捉***的参数、生成神经网络、优化速度精度。本发明提供的对动作捕捉***速度精度进行优化的技术方案通过考虑动作捕捉***本身因素带来的影响,如标记点距离动作捕捉相机的距离、标记点运动方向与动作捕捉相机朝向的关系等,结合速度传感器测量动态标记点实际的速度计算实际速度精度,将其引入神经网络中进行训练,对动作捕捉***测量的动态标记点速度进行优化,由此可以得到更可靠的速度测量结果。
Description
技术领域
本发明涉及动作捕捉技术领域,特别涉及一种基于神经网络的动作捕捉***的速度精度优化方法及***。
背景技术
目前,动作捕捉技术已经被广泛地用于机器人、无人机以及其他机械的运动分析中。动作捕捉***通过在被采集物上设置标记点以使用相机进行位置捕捉获取被采集物的运动信息。
工程实践中,可以通过动作捕捉***获取的标记点在每一帧的位置信息得到标记点在帧间的速度信息。然而,在多种因素的影响下,如标记点距离动作捕捉相机的距离、标记点运动方向与动作捕捉相机朝向的关系等,获取到的标记点的速度信息会与真实情况产生误差,这种误差对于工程实践中的测量与分析有着不利影响,因此有必要提供一种动作捕捉***的速度精度优化方法。
发明内容
本发明目的在于提供一种基于神经网络的动作捕捉***速度精度优化方法及***,以解决上述背景技术中存在的问题。
为实现上述目的,本发明提供如下技术方案:
本发明公开了一种基于神经网络的动作捕捉***的速度精度优化方法,以动作捕捉***的标记点的速度信息和动作捕捉***的属性作为构建神经网络的输入,以标记点的速度精度为训练目标,获得可以优化动作捕捉***的速度精度的神经网络,具体步骤包括如下:
S1:获取速度精度,使用动作捕捉***和速度传感器获取的数据并计算标记点的速度精度;
S2:获取动作捕捉***的参数,获取所述动作捕捉***中影响所述速度精度的参数;
S3:生成神经网络,根据所述步骤S1、S2获得的数据和参数,训练神经网络;
S4:优化速度精度,将待优化的标记点的信息输入步骤S3中得到的神经网络,得到优化精度后的所述标记点的速度。
优选地,所述步骤S1包括如下子步骤:
S11:速度获取,使用动作捕捉***获取所述标记点的位置信息,根据所述标记点在每一帧的位置信息计算出所述标记点的速度信息;
S12:速度测量,使用速度传感器获取标记点的速度信息;
S13:精度计算,对比所述动作捕捉***与速度传感器获取的速度信息,得到差值即为所述标记点的速度精度。
优选地,所述步骤S2包括如下子步骤:
S21:相机位置获取,获取各个相机在动作捕捉***内的位置;
S22:相机角度获取,获取各个相机在动作捕捉***内的角度或余弦矩阵。
优选地,所述步骤S3包括如下子步骤:
S31:确定输入输出,根据所述步骤S1、S2获取到动作捕捉***的数据和参数以及由速度传感器获取到的标记点的速率作为神经网络输入的参数,作为神经网络输入的参数,根据所述步骤S1计算的速度精度作为神经网络的输出;
S32:搭建神经网络,根据输入参数数量以及训练目标,搭建神经网络,以输入参量数量为输入层神经元数量,以所述步骤S31的输出参数为单一输出神经元;
S33:神经网络训练,神经网络训练,以所述步骤S31确定的输入输出参数为基础训练神经网络,直至达到预期训练目标。
优选地,所述步骤S4包括如下子步骤:
S41:优化准备,使用动作捕捉***对运动的标记点进行测量,获取一组对应所述标记点的速度信息,并根据所述步骤S2获取本次测量中的动作捕捉***的参数;
S42:速度精度优化,将所述优化准备步骤中获取的一组速度信息和参数输入所述步骤S3搭建好的神经网络中,并得到输出的预期速度精度,然后将所得到的所述预期速度精度与对应的动作捕捉***所获得的速度精度作差,得到动作捕捉***优化精度后的标记点的速度。
本发明还提供一种存储有计算机程序的计算机可读存储介质,所述可读存储介质的计算机程序被处理器执行时,用于实现上述任一项所述方法的步骤。
本发明还提供一种基于神经网络的动作捕捉***的速度精度优化方法的优化***,包括:
速度精度获取模块,用于分别获取动作捕捉***与速度传感器采集的标记点速度,并对比做差,得到所述标记点的速度精度;
动作捕捉***参数获取模块,用于获取动作捕捉***中影响速度精度的参数;
神经网络生成模块,用于将所述动作捕捉***参数获取模块获取的参数与速度传感器获取的标记点数据作为神经网络的输入,所述标记点的速度精度作为神经网络的训练目标,构建神经网络。
速度精度优化模块,用于将待优化的标记点的速度信息输入所述神经网络生成模块训练得到的神经网络中,得到优化后的标记点的速度精度。
优选地,所述速度精度获取模块包括如下子模块:
速度获取模块,用于获取动作捕捉***对运动的标记点进行测量的所述标记点的位置信息,同时根据所述标记点在每一帧的位置信息计算出一组所述标记点在动作捕捉***中的速度信息;
速度测量模块,用于获取所述标记点在速度传感器中采集的一组速度信息;
速度精度计算模块,获取模块与所述速度测量模块得到的速度信息的差值,得到所述标记点的速度精度。用于对比所述速度
优选地,所述动作捕捉***参数获取模块包括如下子模块:
相机位置获取模块,用于获取动作捕捉***内各个相机的位置信息;
相机角度获取模块,用于获取动作捕捉***内各个相机的角度信息。
优选地,所述神经网络生成模块包括如下子模块:
神经网络输入输出确定模块,用于根据所述速度精度获取模块、动作捕捉***参数获取模块获取的数据,确定作为神经网络的输入参数;
神经网络搭建模块,用于根据输入参数数量及训练目标,搭建神经网络并确定其层数与神经元数量。
神经网络训练模块:使用所述输入参数为基础训练神经网络,直至达到预期训练目标。
优选地,所述速度精度优化模块包括如下子模块:
待优化速度准备模块:用于整合速度精度获取模块以及动作捕捉***参数获取模块所获取的参数,选取其中动作捕捉***测量的标记点速度以及动作捕捉***参数,以作为所述神经网络生成模块得到的神经网络的输入。
速度优化模块:将所述待优化速度准备模块选取的参数,输入所述神经网络生成模块所搭建的神经网络中,得到输出即标记点的预期速度精度,对应的将所述优化速度准备模块得到的动作捕捉***中标记点的速度,与标记点的预期速度精度相减,得到优化精度后的动作捕捉***中标记点的速度。
本发明的有益效果:
本发明提供的对动作捕捉***速度精度进行优化的技术方案通过考虑动作捕捉***本身因素带来的影响,如标记点距离动作捕捉相机的距离、标记点运动方向与动作捕捉相机朝向的关系等,结合速度传感器测量动态标记点实际的速度计算实际速度精度,将其引入神经网络中进行训练,对动作捕捉***测量的动态标记点速度进行优化,由此可以得到更可靠的速度测量结果。
附图说明
图1为本发明实施例提供的一种基于神经网络的动作捕捉***的速度精度优化方法的流程示意图;
图2为本发明实施例提供的一种基于神经网络的动作捕捉***的速度精度优化方法的优化***的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1至图2,本发明实施例提供了一种基于神经网络的动作捕捉***的速度精度优化方法,本实施例中采用由两个动作捕捉相机组成的动作捕捉***进行信息采集,其采集到的信息以录制形式存储,本实施例中速度传感器采用激光追踪仪,对标记点进行速度信息的采集,方法包括如下步骤:
S1,获取速度精度,使用动作捕捉***与激光追踪仪,分别获取其检测到的速度,并计算差值即为的速度精度,具体包括如下子步骤:
S11,使用动作捕捉***对运动的标记点进行测量,获取所述标记点的空间位置信息,并根据每一帧的位置信息计算出所述标记点在动作捕捉***中的速度信息,并确保获取足够的一组数据,以后续计算的准确性。作为优选的,在动作捕捉***的设置保持不变的情况下,可以在多个位置以不同运动形式进行所述速度信息的采集,在不同位置采集速度信息数据后,可以将各帧间速度信息按顺序连接整合为一组数据,留待后续步骤使用;
S12,速度测量,使用激光追踪仪获取所述标记点在激光追踪仪中的速度信息,并确保获取足量一组速度信息。作为优选地,在动作捕捉***的设置保持不变的情况下,可以在多个位置以不同运动形式进行所述速度信息的采集。在不同位置采集速度信息数据后,可以将各帧间速度信息按顺序连接整合为一组数据,留待后续步骤使用;
S13,精度计算,将所述标记点在所述激光追踪仪中的速度信息与在动作捕捉***中的对应速度信息做差,得到标记点的实际速度精度,以供后续作为神经网络的训练目标。
S2,获取动作捕捉***的参数,获取所述动作捕捉***中影响所述速度精度的参数,即需要作为神经网络输入的参数,具体包括如下子步骤:
S21,相机位置获取,在动作捕捉***内,获取各个相机在动作捕捉***内坐标系上各个的坐标位置。作为优选地,可以通过动作捕捉***的接口获取相机位置在动作捕捉***内坐标系上各个轴的坐标;
S22,相机角度获取,在动作捕捉***内,获取各个相机在动作捕捉***内坐标系中与各个坐标轴所成角度关系。作为优选地,可以通过动作捕捉***的接口获取各个相机在动作捕捉***内坐标系中的方向余弦矩阵。
S3,生成神经网络,将动作捕捉***的参数与标记点的参数作为神经网络的输入,标记点的速度精度作为神经网络的训练目标,构建神经网络,具体包括如下步骤:
S31,确定输入输出,根据所述步骤S1与S2获取的速度信息,以及动作捕捉***的参数信息,确定为神经网络输入的参数。作为优选地,神经网络输入神经网络的输入包括标记点距离相机的距离,还包括标记点的运动方向与相机朝向夹的夹角的余弦值、标记点由激光追踪仪感知到的速率;标记点距离相机的距离通过由动作捕捉***得到的标记点在动作捕捉***坐标系中各坐标轴上的坐标与通过动作捕捉***的接口获取相机位置在动作捕捉***内坐标系上各个轴的坐标进行空间距离计算得到;标记点运动方向与相机朝向的夹角的余弦值通过由动作捕捉***相机得到的标记点在动作捕捉***坐标系中的方向余弦矩阵,与通过动作捕捉***的接口获取各个相机在动作捕捉***内坐标系中的方向余弦矩阵进行角度计算得到。作为优选地,神经网络的输出可以包括所述步骤S1中所得到的标记点的速度精度;
S32,搭建神经网络,根据所述步骤S31确定的输入参数数量及训练目标,搭建神经网络,以输入参量数量为输入层神经元数量,以所述步骤S31的输出参数,即预期的速度精度误差作为单一输出神经元。作为优选地,可以通过编程软件进行神经网络的搭建;
S33,神经网络训练,以所述步骤S31确定输入的参数为基础训练神经网络,直至达到预期训练目标。作为优选地,可以将神经网络的输入与神经网络的输出划分训练集、验证集与测试集来达到预期训练目标。
S4,优化速度精度,将待优化的标记点的速度信息输入训练得到的神经网络,得到优化精度后的标记点的速度,具体包括如下子步骤:
S41,优化准备,使用动作捕捉***对运动的标记点进行测量,采集出一组新的数据,即获取标记点的位置信息,同时根据标记点在每一帧的位置信息计算出标记点在动作捕捉***中的速度信息,并确保获取足量的一组速度信息,并根据所述步骤S2获取本次测量中的动作捕捉***的参数,如相机位置,角度等;作为优选的,可以同时使用激光追踪仪获取标记点在激光追踪仪中的速度信息,后续可以以此与优化后的速度对比进行判断本次优化是否准确。
S42,速度精度优化,将所述步骤S41中动作捕捉***测量的速度信息,以及动作捕捉***的参数输入所述步骤S3训练完成的神经网络中,得到输出的速度精度,并将动作捕捉***获取的速度与对应的输出得到的速度精度作差,得到优化精度后的精度。作为优选的,将所述S41中获取的激光追踪仪中的标记点的速度信息,与优化后的动作捕捉***中的标记点的速度进行对比,能够判定此次优化的有效性。
本发明实施例还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的动作捕捉***速度精度测量方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Siart iedia Card,SiC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种基于神经网络的动作捕捉***的速度精度优化***,包括:
模块一,速度精度获取模块,用于分别获取动作捕捉***与速度传感器采集的标记点速度,并对比上述两者的速度即相减,得到所述标记点的速度精度,所述速度传感器采用激光追踪仪,具体包括如下子模块:
速度获取模块,用于获取动作捕捉***对运动的标记点进行测量的所述标记点的位置信息,同时根据所述标记点在每一帧的位置信息计算出一组所述标记点在动作捕捉***中的速度信息,测量时需确保所述速度信息足量,以保证数据的准确;
速度测量模块,用于获取所述标记点在速度传感器中采集的一组速度信息,测量时需确保所述速度信息足量,以保证数据的准确;
速度精度计算模块,用于计算所述速度获取模块与所述速度测量模块得到的速度信息的差值,得到所述标记点的速度精度。
模块二,模块动作捕捉***参数获取模块,用于获取动作捕捉***中可以作为神经网络输入的参数,具体包括如下子模块:
相机位置获取模块,用于获取在动作捕捉***内,获取各个相机在动作捕捉***内坐标系上各个坐标轴的位置;
相机角度获取模块,用于在动作捕捉***内,获取各个相机在动作捕捉***内坐标系中与各个坐标轴所成角度关系。优选地,可以获取各个相机在动作捕捉***内坐标系中的方向余弦矩阵。
模块三,神经网络生成模块,用于将动作捕捉***的参数与标记点的参数作为神经网络输入,标记点的速度精度作为神经网络的训练目标,构建神经网络,具体包括如下子模块:
神经网络输入输出确定模块,用于根据前述获取到的参数,确定作为神经网络输入的参数。优选地,神经网络的输入可以包括标记点距离相机的距离,标记点运动方向与相机朝向的夹角的余弦值,标记点由速度传感器感知到的速率;神经网络的输出可以根据第一模块确定,又称速度精度获取模块中所得到的标记点的速度精度;
神经网络搭建模块,用于根据输入参数数量及训练目标,搭建神经网络并确定其层数与神经元数量;
神经网络训练模块,根据所述模块一与模块二获取到的参数与速度信息,确定作为神经网络输入的参数。优选地,神经网络的输入包括标记点距离相机的距离,标记点运动方向与相机朝向的夹角的余弦值,标记点由速度传感器感知到的速率。神经网络的输出包括模块一中的速度精度获取模块获得的速度精度;
速度精度优化模块,前述神经网络输入参数为基础训练神经网络,直至达到预期训练目标。
模块四,速度精度优化模块,用于将待优化的标记点的速度信息输入训练得到的神经网络,得到优化后的标记点的速度精度,具体包括如下子模块:
待优化速度准备模块,用于在所述模块三训练完成神经网络后,整合速度精度获取模块以及动作捕捉***参数获取模块所获取的一组新的参数,选取其中足量的动作捕捉***测量的标记点速度以及动作捕捉***参数,以作为所述神经网络生成模块得到的神经网络的输入;
速度优化模块,用于将所述待优化速度准备模块整合的动作捕捉***测量的标记点速度以及动作捕捉***参数输入至所述模块三训练完成的神经网络中,以得到其输出,即为预期速度精度,将所述待优化速度准备模块中得到的动作捕捉***中标记点的速度与标记点的预期速度精度相减,得到优化精度后的动作捕捉***中标记点的速度。
本发明实施例还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的动作捕捉***速度精度测量方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Siart iedia Card,SiC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (11)
1.一种基于神经网络的动作捕捉***的速度精度优化方法,其特征在于:以动作捕捉***的标记点的速度信息和动作捕捉***的属性作为构建神经网络的输入,以标记点的速度精度为训练目标,获得用于优化动作捕捉***的速度精度的神经网络,包括如下步骤:
S1:获取速度精度,使用动作捕捉***和速度传感器获取的数据并计算标记点的速度精度;
S2:获取动作捕捉***的参数,获取所述动作捕捉***中影响所述速度精度的参数;
S3:生成神经网络,根据所述步骤S1、S2获得的数据和参数,训练神经网络;
S4:优化速度精度,将待优化的标记点的信息输入步骤S3中得到的神经网络,得到优化精度后的所述标记点的速度。
2.如权利要求1所述的一种基于神经网络的动作捕捉***的速度精度优化方法,其特征在于:所述步骤S1包括如下子步骤:
S11:速度获取,使用动作捕捉***获取所述标记点的位置信息,根据所述标记点在每一帧的位置信息计算出所述标记点的速度信息;
S12:速度测量,使用速度传感器再次获取标记点的速度信息;
S13:精度计算,对比所述动作捕捉***与速度传感器获取的速度信息,得到差值即为所述标记点的速度精度。
3.如权利要求1所述的一种基于神经网络的动作捕捉***的速度精度优化方法,其特征在于:所述步骤S2包括如下子步骤:
S21:相机位置获取,获取各个相机在动作捕捉***内的位置;
S22:相机角度获取,获取各个相机在动作捕捉***内的角度或余弦矩阵。
4.如权利要求1所述的一种基于神经网络的动作捕捉***的速度精度优化方法,其特征在于:所述步骤S3包括如下子步骤:
S31:确定输入输出,根据所述步骤S1、S2获取到动作捕捉***的数据和参数以及由速度传感器获取到的标记点的速率作为神经网络输入的参数,根据所述步骤S1计算的速度精度作为神经网络的输出参数;
S32:搭建神经网络,根据输入参数数量以及训练目标,搭建神经网络,以输入参量数量为输入层神经元数量,以所述步骤S31的输出参数为单一输出神经元;
S33:神经网络训练,以所述步骤S31确定的输入输出参数为基础训练神经网络,直至达到预期训练目标。
5.如权利要求1所述的一种基于神经网络的动作捕捉***的速度精度优化方法,其特征在于:所述步骤S4包括如下子步骤:
S41:优化准备,使用动作捕捉***对运动的标记点进行测量,获取一组对应所述标记点的速度信息,并根据所述步骤S2获取本次测量中的动作捕捉***的参数;
S42:速度精度优化,将所述优化准备步骤中获取的一组速度信息和参数输入所述步骤S3搭建好的神经网络中,并得到输出的预期速度精度,然后将得到的所述预期速度精度与对应的动作捕捉***获得的速度精度作差,得到动作捕捉***优化精度后的标记点的速度。
6.一种基于神经网络的动作捕捉***的速度精度优化方法的优化***,其特征在于,包括:
速度精度获取模块,用于分别获取动作捕捉***与速度传感器采集的标记点速度,并对比做差,得到所述标记点的速度精度;
动作捕捉***参数获取模块,用于获取动作捕捉***中影响速度精度的参数;
神经网络生成模块,用于将所述动作捕捉***参数获取模块获取的参数与速度传感器获取的标记点数据作为神经网络的输入,所述标记点的速度精度作为神经网络的训练目标,构建神经网络;
速度精度优化模块,用于将待优化的标记点的速度信息输入所述神经网络生成模块训练得到的神经网络中,得到优化后的标记点的速度精度。
7.如权利要求6所述的优化***,其特征在于:所述速度精度获取模块包括如下子模块:
速度获取模块,用于获取动作捕捉***对运动的标记点进行测量的所述标记点的位置信息,同时根据所述标记点在每一帧的位置信息计算出一组所述标记点在动作捕捉***中的速度信息;
速度测量模块,用于获取所述标记点在速度传感器中采集的一组速度信息;
速度精度计算模块,用于对比所述速度获取模块与所述速度测量模块得到的速度信息的差值,得到所述标记点的速度精度。
8.如权利要求6所述的优化***,其特征在于:所述动作捕捉***参数获取模块包括如下子模块:
相机位置获取模块,用于获取动作捕捉***内各个相机的位置信息;
相机角度获取模块,用于获取动作捕捉***内各个相机的角度信息。
9.如权利要求6所述的优化***,其特征在于:所述神经网络生成模块包括如下子模块:
神经网络输入输出确定模块,用于根据所述速度精度获取模块、动作捕捉***参数获取模块获取的数据,确定作为神经网络的输入参数,并根据速度精度获取模块确认输出参数;
神经网络搭建模块,用于根据输入参数数量及训练目标,搭建神经网络并确定其层数与神经元数量;
神经网络训练模块:使用所述输入参数为基础训练神经网络,直至达到预期训练目标。
10.如权利要求6所述的优化***,其特征在于:所述速度精度优化模块包括如下子模块:
待优化速度准备模块:用于整合速度精度获取模块以及动作捕捉***参数获取模块所获取的参数,选取其中动作捕捉***测量的标记点速度以及动作捕捉***参数,以作为所述神经网络生成模块得到的神经网络的输入:
速度优化模块:将所述待优化速度准备模块选取的参数,输入所述神经网络生成模块所搭建的神经网络中,得到输出即标记点的预期速度精度,对应的将所述优化速度准备模块得到的动作捕捉***中标记点的速度,与标记点的预期速度精度相减,得到优化精度后的动作捕捉***中标记点的速度。
11.一种存储有计算机程序的计算机可读存储介质,其特征在于:所述可读存储介质的计算机程序被处理器执行时,用于实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120726.8A CN115861592B (zh) | 2023-02-16 | 2023-02-16 | 基于神经网络的动作捕捉***的速度精度优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310120726.8A CN115861592B (zh) | 2023-02-16 | 2023-02-16 | 基于神经网络的动作捕捉***的速度精度优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861592A true CN115861592A (zh) | 2023-03-28 |
CN115861592B CN115861592B (zh) | 2023-05-26 |
Family
ID=85658155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310120726.8A Active CN115861592B (zh) | 2023-02-16 | 2023-02-16 | 基于神经网络的动作捕捉***的速度精度优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861592B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020105697A1 (ja) * | 2018-11-22 | 2020-05-28 | 国立大学法人東京大学 | モーションキャプチャ・カメラシステム及びキャリブレーション方法 |
US20210009203A1 (en) * | 2019-07-10 | 2021-01-14 | Baidu Online Network Technology (Beijing) Co., Ltd | Methods, devices, and media for autonomously driving vehicle |
CN112540404A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 一种基于深度学习的自动速度分析方法及*** |
CN112819849A (zh) * | 2021-01-14 | 2021-05-18 | 电子科技大学 | 一种基于三目的无标记点视觉运动捕捉方法 |
CN113808047A (zh) * | 2021-09-22 | 2021-12-17 | 武汉商学院 | 一种人体运动捕捉数据去噪方法 |
CN114049678A (zh) * | 2022-01-11 | 2022-02-15 | 之江实验室 | 一种基于深度学习的面部动作捕捉方法及*** |
CN115389246A (zh) * | 2022-10-31 | 2022-11-25 | 之江实验室 | 一种动作捕捉***的速度精度测量方法、***及装置 |
CN115388911A (zh) * | 2022-08-24 | 2022-11-25 | Oppo广东移动通信有限公司 | 光学动作捕捉***的精度测量方法、装置、电子设备 |
-
2023
- 2023-02-16 CN CN202310120726.8A patent/CN115861592B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020105697A1 (ja) * | 2018-11-22 | 2020-05-28 | 国立大学法人東京大学 | モーションキャプチャ・カメラシステム及びキャリブレーション方法 |
US20210009203A1 (en) * | 2019-07-10 | 2021-01-14 | Baidu Online Network Technology (Beijing) Co., Ltd | Methods, devices, and media for autonomously driving vehicle |
CN112540404A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 一种基于深度学习的自动速度分析方法及*** |
CN112819849A (zh) * | 2021-01-14 | 2021-05-18 | 电子科技大学 | 一种基于三目的无标记点视觉运动捕捉方法 |
CN113808047A (zh) * | 2021-09-22 | 2021-12-17 | 武汉商学院 | 一种人体运动捕捉数据去噪方法 |
CN114049678A (zh) * | 2022-01-11 | 2022-02-15 | 之江实验室 | 一种基于深度学习的面部动作捕捉方法及*** |
CN115388911A (zh) * | 2022-08-24 | 2022-11-25 | Oppo广东移动通信有限公司 | 光学动作捕捉***的精度测量方法、装置、电子设备 |
CN115389246A (zh) * | 2022-10-31 | 2022-11-25 | 之江实验室 | 一种动作捕捉***的速度精度测量方法、***及装置 |
Non-Patent Citations (2)
Title |
---|
GUO XIE,AND ETC: "Motion trajectory prediction based on a CNN-LSTM sequential model" * |
韩新功;: "人体运动数据实时捕捉***的设计与实现" * |
Also Published As
Publication number | Publication date |
---|---|
CN115861592B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840500B (zh) | 一种三维人体姿态信息检测方法及装置 | |
CN105740899B (zh) | 一种机器视觉图像特征点检测与匹配复合的优化方法 | |
CN107990899A (zh) | 一种基于slam的定位方法和*** | |
CN103440624B (zh) | 一种基于运动检测的图像去模糊方法及装置 | |
CN112734852A (zh) | 一种机器人建图方法、装置及计算设备 | |
CN110879400A (zh) | 激光雷达与imu融合定位的方法、设备及存储介质 | |
CN107931012A (zh) | 一种提取点胶路径的方法及点胶*** | |
JP2019194616A (ja) | 画像に基づく位置検出方法、装置、機器及び記憶媒体 | |
CN108564657B (zh) | 一种基于云端的地图构建方法、电子设备和可读存储介质 | |
CN109941274A (zh) | 基于雷达测距识别岸桥的停车方法及***、服务器及介质 | |
CN110288032A (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
CN107504917B (zh) | 一种三维尺寸测量方法及装置 | |
CN111798487A (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN109711503A (zh) | 一种机器人定位方法及装置 | |
CN110793548A (zh) | 基于gnss接收机硬件在环的虚实结合的导航仿真测试*** | |
CN110942083A (zh) | 拍摄装置以及拍摄*** | |
CN107592464B (zh) | 一种变倍过程中变倍跟随曲线的切换方法及装置 | |
CN113435305A (zh) | 目标物识别算法的精度检测方法、装置、设备及存储介质 | |
CN111028288B (zh) | 一种基于深度学习技术的双目标定*** | |
CN115861592A (zh) | 基于神经网络的动作捕捉***的速度精度优化方法及*** | |
KR102198028B1 (ko) | 스마트 팩토리 가상설계에 따른 설비배치에 대한 설비위치 검증방법 | |
CN115439463A (zh) | 焊接质量的确定方法、装置、处理器及焊接质量诊断*** | |
CN110858328A (zh) | 用于模仿学习的数据采集方法、装置及存储介质 | |
CN112381925B (zh) | 一种基于激光编码的全身跟踪定位方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |