[發明專利]一種用于提取人體骨骼特征的模型訓練方法及裝置

在審

• 申請號: 202111351423.4
• 申請日: 2021-11-15
• 公開（公告）號: CN114241514A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 何嘉斌;劉廷曦;翁仁亮
• 申請（專利權）人: 北京愛筆科技有限公司
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V40/20;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 柳虹

1.一種用于提取人體骨骼特征的模型訓練方法，其特征在于，所述方法包括：

獲取M個骨骼數據集合，所述M個骨骼數據集合中的每個骨骼數據集合分別對應一種數據維度，每個所述骨骼數據集合中均包括N筆骨骼數據，所述骨骼數據集合中的N筆骨骼數據與N筆初始骨骼數據一一對應，M為大于1的整數，N為大于或者等于1的整數；

根據所述M個骨骼數據集合，訓練用于提取人體骨骼特征的模型；其中：

所述模型的損失，基于所述N筆初始骨骼數據的損失確定，所述N筆初始骨骼數據包括第一初始骨骼數據，所述第一初始骨骼數據的損失，根據所述第一初始骨骼數據在所述M個數據維度分別對應的損失確定。

2.根據權利要求1所述的方法，其特征在于，所述根據所述M個骨骼數據集合，訓練用于提取人體骨骼特征的模型，包括：

采用第一數據增強方式對所述M個骨骼數據集合中的N筆骨骼數據進行處理，得到M個第一訓練數據集合，其中，一個所述骨骼數據集合對應一個第一訓練數據集合，一個所述第一訓練數據集合包括N組訓練數據；采用第二數據增強方式對所述M個骨骼數據集合中的N筆骨骼數據進行處理，得到M個第二訓練數據集合，其中，一個所述骨骼數據集合對應一個第二訓練數據集合，一個所述第二訓練數據集合包括N組訓練數據；

基于所述M個第一訓練數據集合和所述M個第二訓練數據集合，訓練用于提取人體骨骼特征的模型；其中：

所述M個數據維度包括第一維度，所述第一維度對應的第一訓練數據集合經由所述模型，得到第一維度對應的第一骨骼特征集合，所述第一維度對應的第二訓練數據集合經由所述模型，得到第一維度對應的第二骨骼特征集合，所述第一骨骼特征集合和所述第二骨骼特征集合分別包括N個特征，所述N個特征與所述N筆初始骨骼數據一一對應。

3.根據權利要求2所述的方法，其特征在于，所述第一初始骨骼數據在第一維度的損失，根據第一損失和/或第二損失確定，其中：

所述第一損失根據第一骨骼特征和第二骨骼特征的第一相似度、所述第一相似度的第一權重、所述第一骨骼特征和2*N個骨骼特征中的每個骨骼特征的相似度的第二權重以及每個第二權重對應的多維度融合相似度確定，所述第一骨骼特征為所述第一維度對應的第一骨骼特征集合中與所述第一初始骨骼數據對應的骨骼特征，所述第二骨骼特征為所述第一維度對應的第二骨骼特征集合中與所述第一初始骨骼數據對應的骨骼特征，所述2*N個骨骼特征包括:所述第一維度對應的第一骨骼特征集合和所述第一維度對應的第二骨骼特征集合；

所述第二損失根據所述第一相似度、所述第一權重、所述第二骨骼特征和2*N個骨骼特征中的每個骨骼特征的相似度的第三權重、以及每個第三權重對應的多維度融合相似度確定。

4.根據權利要求3所述的方法，其特征在于，所述2*N個骨骼特征包括第三骨骼特征，所述第一骨骼特征和第三骨骼特征的相似度的第二權重對應的多維度融合相似度，通過所述第一骨骼特征和所述第三骨骼特征的相似度、以及(M-1)個維度中每個維度對應的第四骨骼特征和第五骨骼特征的相似度確定，其中，所述第四骨骼特征和所述第一骨骼特征對應同一初始骨骼數據，所述第五骨骼特征和所述第三骨骼特征對應同一初始骨骼數據。

5.根據權利要求3所述的方法，其特征在于，所述2*N個骨骼特征包括第三骨骼特征，所述第二骨骼特征和第三骨骼特征的相似度的第三權重對應的多維度融合相似度，通過所述第二骨骼特征和所述第三骨骼特征的相似度、以及(M-1)個維度中每個維度對應的第六骨骼特征和第七骨骼特征的相似度確定，其中，所述第六骨骼特征和所述第二骨骼特征對應同一訓練數據，所述第七骨骼特征和所述第三骨骼特征對應同一訓練數據。

6.根據權利要求3所述的方法，其特征在于，所述第一相似度對應的權重大于所述第一骨骼特征與第八骨骼特征的相似度對應的權重，所述第一相似度對應的權重大于所述第二骨骼特征與第九骨骼特征的相似度對應的權重，其中，所述第八骨骼特征為所述2*N個骨骼特征中除所述第二骨骼特征之外的其它(2*N-1)個骨骼特征中的任意一個骨骼特征，所述第九骨骼特征為所述2*N個骨骼特征中除所述第一骨骼特征之外的其它(2*N-1)個骨骼特征中的任意一個骨骼特征。