CN112818898A - 模型训练方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了模型训练方法、装置和电子设备。该方法的一具体实施方式包括：获取训练样本集合；从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到三维人体姿态信息；确定三维人体姿态信息与样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将姿态关键点和惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。该实施方式可以节省不同坐标系之间的标定成本。

Description

模型训练方法、装置和电子设备

技术领域

本公开实施例涉及计算机技术领域，具体涉及模型训练方法、装置和电子设备。

背景技术

人体姿态估计(Human Pose Estimation)是计算机视觉中的一个重要任务，也是计算机理解人类动作、行为必不可少的一步。近年来，使用深度学习进行人体姿态估计的方法陆续被提出，且达到了远超传统方法的表现。在实际求解时，对人体姿态的估计常常转化为对人体关键点的预测问题，即首先预测出人体各个关键点的位置坐标，然后根据先验知识确定关键点之间的空间位置关系，从而得到预测的人体骨架。

发明内容

提供该公开内容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。该公开内容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。

本公开实施例提供了一种模型训练方法、装置和电子设备，可以节省不同坐标系之间的标定成本，并且可以使得三维人体姿态预测网络达到更好的精度。

第一方面，本公开实施例提供了一种模型训练方法，该方法包括：获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

第二方面，本公开实施例提供了一种模型训练装置，该装置包括：第一获取单元，用于获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；训练单元，用于从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面的模型训练方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的模型训练方法的步骤。

本公开实施例提供的模型训练方法、装置和电子设备，通过获取训练样本集合；之后，从上述训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足上述训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。通过在网络训练过程中确定网络输出的三维人体姿态关键点与对应的惯性动作捕捉三维点之间的变换矩阵，可以将三维人体姿态关键点和惯性动作捕捉三维点转换到同一坐标系下，相比于在使用惯性动作捕捉数据充当三维人体姿态估计算法的数据集时，需要标定惯捕坐标系和相机坐标系的变换关系的这种方法，本实施例提供的这种方法可以节省不同坐标系之间的标定成本，并且可以使得三维人体姿态预测网络达到更好的精度。

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是本公开的各个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的模型训练方法的一个实施例的流程图；

图3是根据本公开的模型训练方法中预测三维人体姿态信息的一个实施例的流程图；

图4是根据本公开的模型训练装置的一个实施例的结构示意图；

图5是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

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，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法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”。

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。

图1示出了可以应用本公开的模型训练方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括惯性动作捕捉设备101，网络1021、1022、1023，终端设备103和服务器104。网络1021用以在惯性动作捕捉设备101和终端设备103之间提供通信链路的介质。网络1022用以在惯性动作捕捉设备101和服务器104之间提供通信链路的介质。网络1023用以在终端设备103和服务器104之间提供通信链路的介质。网络1021、1022、1023可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

惯性动作捕捉设备101可以包括但不限于：安装在人体各个节点(例如，关节)上的惯性动作捕捉传感器和惯性动作捕捉用的服装。将惯性动作捕捉传感器安装于用户身体的关节处，或者用户穿上惯性动作捕捉用的服装之后，可以采集身体部位的姿态和方位，并利用网络1021将惯性动作捕捉数据传输给终端设备103，或者利用网络1022将惯性动作捕捉数据传输给服务器104。

用户可以使用终端设备103通过网络1023与服务器104交互，以发送或接收消息等，例如，用户可以利用终端设备103采集到人体图像，服务器104可以从终端设备103中获取人体图像。终端设备103上可以安装有各种通讯客户端应用，例如惯性动作捕捉应用、图像采集类应用、即时通讯软件等。

终端设备103可以首先获取训练样本集合，其中，训练样本集合中的样本惯性动作捕捉数据可以是从惯性动作捕捉设备101中获取的；之后，可以从上述训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足上述训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

终端设备103可以是硬件，也可以是软件。当终端设备103为硬件时，可以是具有摄像头并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等。当终端设备103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器104可以是提供各种服务的服务器。例如，可以首先获取训练样本集合，其中，训练样本集合中的样本人体图像可以是从终端设备103中获取的，训练样本集合中的样本惯性动作捕捉数据可以是从惯性动作捕捉设备101中获取的；之后，可以从上述训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足上述训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

还需要说明的是，本公开实施例所提供的模型训练方法可以由服务器104执行，此时，模型训练装置通常设置于服务器104中。本公开实施例所提供的模型训练方法也可以由终端设备103执行，此时，模型训练装置通常设置于终端设备103中。

还需要说明的是，在本公开实施例所提供的模型训练方法由服务器104执行的情况下，若服务器104的本地存储有训练样本集合，此时示例性系统架构100可以不存在惯性动作捕捉设备101，网络1021、1022、1023和终端设备103。

还需要说明的是，在本公开实施例所提供的模型训练方法由终端设备103执行的情况下，若终端设备103的本地存储有惯性动作捕捉数据和初始神经网络等信息，此时示例性系统架构100可以不存在惯性动作捕捉设备101，网络1021、1022、1023和服务器104。

应该理解，图1中的惯性动作捕捉设备、网络、终端设备和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的惯性动作捕捉设备、网络、终端设备和服务器。

继续参考图2，示出了根据本公开的模型训练方法的一个实施例的流程200。该模型训练方法，包括以下步骤：

步骤201，获取训练样本集合。

在本实施例中，模型训练方法的执行主体(例如图1所示的终端设备或服务器)可以获取训练样本集合。上述训练样本集合中的训练样本可以包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据。样本惯性动作捕捉数据可以为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据。惯性动作捕捉是一种新型的人体动作捕捉技术，它用无线动作姿态传感器采集身体部位的姿态和方位，利用人体运动学原理恢复人体运动模型，同时采用无线传输的方式将数据呈现在电脑软件里。

在这里，用户在利用惯性动作捕捉设备进行人体的惯性动作捕捉的同时，可以利用摄像装置对该用户进行拍摄，从而得到与惯性动作捕捉数据对应的人体图像。

步骤202，从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

在本实施例中，上述执行主体可以从在步骤201中获取到的训练样本集合中选取训练样本，基于选取的训练样本，执行如下训练步骤。

在本实施例中，训练步骤202可以包括子步骤2021、2022、2023、2024、2025和2026。其中：

步骤2021，将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。

在本实施例中，上述执行主体可以将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。上述初始神经网络可以是能够根据人体图像得到三维人体姿态信息的各种神经网络，例如，卷积神经网络、深度神经网络等等。三维人体姿态信息可以包括各种身体部位的姿态和方位，例如，人体关节的方向和位置。

步骤2022，确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵。

在本实施例中，上述执行主体可以确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵。变换矩阵是数学线性代数中的一个概念。在线性代数中，线性变换能够用矩阵表示。如果T是一个把Rn映射到Rm的线性变换，且x是一个具有n个元素的列向量，那么我们把m×n的矩阵A，称为T的变换矩阵。

在这里，上述执行主体可以利用最小二乘法确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵。最小二乘法又称最小平方法，是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

步骤2023，利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异。

在本实施例中，上述执行主体可以利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下。在这里，上述执行主体可以建立一个坐标系，可以将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点变换到所建立的坐标系中，可以将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点变换到所建立的坐标系中。

之后，上述执行主体可以确定姿态关键点和惯性动作捕捉三维点之间的差异。具体地，上述执行主体可以利用预设的损失函数确定姿态关键点和惯性动作捕捉三维点之间的差异，例如，可以采用均方误差作为损失函数确定姿态关键点和惯性动作捕捉三维点之间的差异，也可以采用L2范数作为损失函数确定姿态关键点和惯性动作捕捉三维点之间的差异。

步骤2024，基于确定出的差异，调整初始神经网络的网络参数。

在本实施例中，上述执行主体可以基于在步骤2023中确定出的差异，调整初始神经网络的网络参数。在这里，上述执行主体可以采用各种实现方式基于姿态关键点和惯性动作捕捉三维点之间的差异调整初始神经网络的网络参数。例如，可以采用BP(BackPropagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整初始神经网络的网络参数。

步骤2025，确定是否满足预设的训练结束条件。

在本实施例中，上述执行主体可以确定是否满足预设的训练结束条件。这里预设的训练结束条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；确定出的差异小于预设差异阈值。

若满足上述训练结束条件，则上述执行主体可以执行步骤2026。

步骤2026，若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

在本实施例中，若在步骤2025中确定出满足上述训练结束条件，则上述执行主体可以将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

本公开的上述实施例提供的方法通过在网络训练过程中确定网络输出的三维人体姿态关键点与对应的惯性动作捕捉三维点之间的变换矩阵，可以将三维人体姿态关键点和惯性动作捕捉三维点转换到同一坐标系下，相比于在使用惯性动作捕捉数据充当三维人体姿态估计算法的数据集时，需要标定惯捕坐标系和相机坐标系的变换关系的这种方法，本实施例提供的这种方法可以节省不同坐标系之间的标定成本，并且可以使得三维人体姿态预测网络达到更好的精度。

在一些可选的实现方式中，若在步骤2025中确定出不满足上述训练结束条件，则上述执行主体可以将调整后的初始神经网络作为初始神经网络，从上述训练样本集合中选取未使用过的训练样本，以及基于重新选取出的训练样本，继续执行上述训练步骤(子步骤2021-2026)。

在一些可选的实现方式中，上述训练样本集合中的训练样本可以包括样本人体视频和与样本人体视频对应的样本惯性动作捕捉数据。样本惯性动作捕捉数据可以为拍摄样本人体视频时采集到的样本人体视频中呈现的人体的惯性动作捕捉数据。在这里，用户在利用惯性动作捕捉设备进行人体的惯性动作捕捉的同时，可以利用摄像装置对该用户进行拍摄，从而得到与惯性动作捕捉数据对应的人体视频。上述执行主体可以通过如下方式将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息：上述执行主体可以将选取的训练样本的样本人体视频输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。上述初始神经网络可以是能够根据人体视频得到三维人体姿态信息的各种神经网络，例如，卷积神经网络、深度神经网络等等。三维人体姿态信息可以包括各种身体部位的姿态和方位，例如，人体关节的方向和位置。相比于利用图像对应的三维人体姿态信息与对应的惯性动作捕捉数据求取变换矩阵，这里使用整段视频对应的三维人体姿态信息与对应的惯性动作捕捉数据求取变换矩阵，使用视频级别变换矩阵，利用大量的数据减少误差，样本的随机误差相互之间会抵消一部分，网络输出的平均误差就会越小，求取的仿射变换的误差也相应地越小。

在一些可选的实现方式中，上述执行主体可以通过如下方式利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：上述执行主体可以利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点转换到选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点所在的坐标系中。惯性动作捕捉三维点所在的坐标系中可以是采集样本惯性动作捕捉数据时的人体坐标系，例如，可以是以人体区域的左下角为坐标原点、以平行地面和垂直地面的两条边为坐标轴的坐标系。

在一些可选的实现方式中，上述执行主体可以通过如下方式利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：利用上述变换矩阵，将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到选取的训练样本对应的三维人体姿态信息所指示的姿态关键点所在的坐标系中。姿态关键点所在的坐标系可以是选取的训练样本的样本人体图像对应的相机坐标系。

进一步参考图3，图3是根据本实施例的模型训练方法中预测三维人体姿态信息的一个实施例的流程300。该预测三维人体姿态信息的流程300，包括以下步骤：

步骤301，获取待预测的人体图像。

在本实施例中，模型训练方法的执行主体(例如图1所示的终端设备或服务器)可以直接或间接地获取待预测的人体图像。例如，当上述执行主体为终端设备时，上述执行主体可以直接获取用户所输入的待预测的人体图像；当上述执行主体为服务器时，上述执行主体可以通过有线连接方式或无线连接方式从终端设备获取用户所输入的待预测的人体图像。在这里，上述人体图像中可以包括人体的各个部位，例如，头、腰、胳膊、腿等等。

步骤302，将人体图像输入训练完成的三维人体姿态预测网络中，得到人体图像中呈现的人体的三维人体姿态信息。

在本实施例中，上述执行主体可以将上述人体图像输入训练完成的三维人体姿态预测网络中，得到上述人体图像中呈现的人体的三维人体姿态信息。上述三维人体姿态预测网络是利用图2所述的方法训练得到的三维人体姿态预测网络。上述三维人体姿态预测网络可以用于表征图像与图像中呈现的人体的三维人体姿态信息之间的对应关系。上述三维人体姿态信息可以包括各种身体部位的姿态和方位，例如，人体关节的方向和位置。

本公开的上述实施例提供的方法通过将人体图像输入图2所述的方法训练得到的三维人体姿态预测网络中，从而预测人体图像中呈现的人体的三维人体姿态信息，通过这种方式可以提高预测出的三维人体姿态信息的准确性。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的模型训练装置400包括：第一获取单元401和训练单元402。其中，第一获取单元401用于获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；训练单元402用于从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

在本实施例中，模型训练装置400的第一获取单元401和训练单元402的具体处理可以参考图2对应实施例中的步骤201和步骤202。

在一些可选的实现方式中，上述模型训练装置400还可以包括反馈单元(图中未示出)。上述反馈单元可以用于若不满足上述训练结束条件，则将调整后的初始神经网络作为初始神经网络，从上述训练样本集合中选取未使用过的训练样本，基于选取的训练样本，继续执行上述训练步骤。

在一些可选的实现方式中，上述模型训练装置400还可以包括第二获取单元(图中未示出)和输入单元(图中未示出)。上述第二获取单元可以用于获取待预测的人体图像；上述输入单元可以用于将上述人体图像输入上述训练完成的三维人体姿态预测网络中，得到上述人体图像中呈现的人体的三维人体姿态信息。

在一些可选的实现方式中，训练样本可以包括样本人体视频和与样本人体视频对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据可以为拍摄样本人体视频时采集到的样本人体视频中呈现的人体的惯性动作捕捉数据；以及上述训练单元402可以进一步用于通过如下方式将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息：上述训练单元402可以将选取的训练样本的样本人体视频输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。

在一些可选的实现方式中，上述训练单元402可以进一步用于通过如下方式利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：上述训练单元402可以利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点转换到选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点所在的坐标系中。

在一些可选的实现方式中，上述训练单元402可以进一步用于通过如下方式利用上述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：上述训练单元402可以利用上述变换矩阵，将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到选取的训练样本对应的三维人体姿态信息所指示的姿态关键点所在的坐标系中。

下面参考图5，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)500的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

根据本公开的一个或多个实施例，提供了一种模型训练方法，该方法包括：获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

根据本公开的一个或多个实施例，该方法还包括：若不满足训练结束条件，则将调整后的初始神经网络作为初始神经网络，从训练样本集合中选取未使用过的训练样本，基于选取的训练样本，继续执行训练步骤。

根据本公开的一个或多个实施例，该方法还包括：获取待预测的人体图像；将人体图像输入训练完成的三维人体姿态预测网络中，得到人体图像中呈现的人体的三维人体姿态信息。

根据本公开的一个或多个实施例，训练样本包括样本人体视频和与样本人体视频对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体视频时采集到的样本人体视频中呈现的人体的惯性动作捕捉数据；以及将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息，包括：将选取的训练样本的样本人体视频输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。

根据本公开的一个或多个实施例，利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，包括：利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点转换到选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点所在的坐标系中。

根据本公开的一个或多个实施例，利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，包括：利用变换矩阵，将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到选取的训练样本对应的三维人体姿态信息所指示的姿态关键点所在的坐标系中。

根据本公开的一个或多个实施例，提供了一种模型训练装置，该装置包括：第一获取单元，用于获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；训练单元，用于从训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

根据本公开的一个或多个实施例，该装置还包括：反馈单元，用于若不满足训练结束条件，则将调整后的初始神经网络作为初始神经网络，从训练样本集合中选取未使用过的训练样本，基于选取的训练样本，继续执行训练步骤。

根据本公开的一个或多个实施例，该装置还包括：第二获取单元，用于获取待预测的人体图像；输入单元，用于将人体图像输入训练完成的三维人体姿态预测网络中，得到人体图像中呈现的人体的三维人体姿态信息。

根据本公开的一个或多个实施例，训练样本包括样本人体视频和与样本人体视频对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体视频时采集到的样本人体视频中呈现的人体的惯性动作捕捉数据；以及训练单元进一步用于通过如下方式将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息：将选取的训练样本的样本人体视频输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。

根据本公开的一个或多个实施例，训练单元进一步用于通过如下方式利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点转换到选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点所在的坐标系中。

根据本公开的一个或多个实施例，训练单元进一步用于通过如下方式利用变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：利用变换矩阵，将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到选取的训练样本对应的三维人体姿态信息所指示的姿态关键点所在的坐标系中。

根据本公开的一个或多个实施例，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述模型训练方法。

根据本公开的一个或多个实施例，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述模型训练方法的步骤。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元和训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取训练样本集合的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种模型训练方法，其特征在于，包括：

获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；

从所述训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足所述训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若不满足所述训练结束条件，则将调整后的初始神经网络作为初始神经网络，从所述训练样本集合中选取未使用过的训练样本，基于选取的训练样本，继续执行所述训练步骤。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取待预测的人体图像；

将所述人体图像输入所述训练完成的三维人体姿态预测网络中，得到所述人体图像中呈现的人体的三维人体姿态信息。

4.根据权利要求1所述的方法，其特征在于，训练样本包括样本人体视频和与样本人体视频对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体视频时采集到的样本人体视频中呈现的人体的惯性动作捕捉数据；以及

所述将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息，包括：

将选取的训练样本的样本人体视频输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。

5.根据权利要求1-4之一所述的方法，其特征在于，所述利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，包括：

利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点转换到选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点所在的坐标系中。

6.根据权利要求1-4之一所述的方法，其特征在于，所述利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，包括：

利用所述变换矩阵，将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到选取的训练样本对应的三维人体姿态信息所指示的姿态关键点所在的坐标系中。

7.一种模型训练装置，其特征在于，包括：

第一获取单元，用于获取训练样本集合，其中，训练样本包括样本人体图像和与样本人体图像对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体图像时采集到的样本人体图像中呈现的人体的惯性动作捕捉数据；

训练单元，用于从所述训练样本集合中选取训练样本，基于选取的训练样本，执行以下训练步骤：将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息；确定选取的训练样本对应的三维人体姿态信息与对应的样本惯性动作捕捉数据之间的变换矩阵；利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下，确定姿态关键点和惯性动作捕捉三维点之间的差异；基于确定出的差异，调整初始神经网络的网络参数；确定是否满足预设的训练结束条件；若满足所述训练结束条件，则将调整后的初始神经网络确定为训练完成的三维人体姿态预测网络。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

反馈单元，用于若不满足所述训练结束条件，则将调整后的初始神经网络作为初始神经网络，从所述训练样本集合中选取未使用过的训练样本，基于选取的训练样本，继续执行所述训练步骤。

9.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二获取单元，用于获取待预测的人体图像；

输入单元，用于将所述人体图像输入所述训练完成的三维人体姿态预测网络中，得到所述人体图像中呈现的人体的三维人体姿态信息。

10.根据权利要求7所述的装置，其特征在于，训练样本包括样本人体视频和与样本人体视频对应的样本惯性动作捕捉数据，样本惯性动作捕捉数据为拍摄样本人体视频时采集到的样本人体视频中呈现的人体的惯性动作捕捉数据；以及

所述训练单元进一步用于通过如下方式将选取的训练样本的样本人体图像输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息：

将选取的训练样本的样本人体视频输入初始神经网络中，得到选取的训练样本对应的三维人体姿态信息。

11.根据权利要求7-10之一所述的装置，其特征在于，所述训练单元进一步用于通过如下方式利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：

利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点转换到选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点所在的坐标系中。

12.根据权利要求7-10之一所述的装置，其特征在于，所述训练单元进一步用于通过如下方式利用所述变换矩阵，将选取的训练样本对应的三维人体姿态信息所指示的姿态关键点和对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到同一坐标系下：

利用所述变换矩阵，将选取的训练样本对应的样本惯性动作捕捉数据所指示的惯性动作捕捉三维点转换到选取的训练样本对应的三维人体姿态信息所指示的姿态关键点所在的坐标系中。

13.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images