一种人工智能交互系统的制作方法

本发明涉及人工智能，具体涉及一种人工智能交互系统。

背景技术：

1、人工智能的英文缩写为ai，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等；

2、现有的一种人工智能交互系统应用在训练场内运动人员做出的体育运动上，通过采集训练场内运动人员做出的体育运动动作进行图像识别，并对其进行特征标注，将特征标注后的图像上传到云端，借助云端强大的运算能力进行体育运动动作识别模型的训练，提高对体育运动动作识别模型的精准度，这样的方式需要保证训练图集的绝对准确，如果训练图集在传输的过程中被插入新的图集、篡改部分图集将会到时动作识别模型的训练方向偏离，造成云端运算能力的浪费；

3、目前对训练图集校验的一种方式是基于md5模块，md5 (message-digestalgorithm 5)模块用于计算信息密文(信息摘要)。 "message digests", 就是“信息摘要”的意思。md5 对一段信息进行比较复杂的算法计算，生成一个128位的哈希值密文。md5 的生成过程比较复杂，md5 是从md2, md4逐步演进而来的，两个不同的讯息计算得到相同的md5值（常称为“碰撞”）的可能性是非常低的，2的128次方分之一。所以 md5 可以被当作唯一值使用，类似于“指纹”；

4、通过对训练图集进行md5值运算得到该训练图集唯一的md5值，云端通过校验md5值来对其进行校验，这样的校验方式无法基于训练图集中单个图像对其进行校验，且对于传输过程中缺损的图像和被篡改的图像无法准确区分；

5、为了解决上述问题，本发明提出了一种解决方案；

技术实现思路

1、本发明的目的在于提供一种人工智能交互系统，目的是为了解决现有技术中通过对训练图集进行md5值运算得到该训练图集唯一的md5值，云端通过校验md5值来对其进行校验，这样的校验方式无法基于训练图集中单个图像对其进行校验，且对于传输过程中缺损的图像和被篡改的图像无法准确区分的问题；

2、本发明的目的可以通过以下技术方案实现：

3、一种人工智能交互系统，包括：

4、客户终端，所述客户终端包括若干个客户端模块，所述客户端模块用于采集训练场内一项体育运动的训练图像并对其进行指向性特征标注，一个所述客户端模块对应训练场内可以进行的一项体育运动，所述客户端模块包括图像采集单元、特征标注单元和黏性交互单元；

5、所述图像采集单元对对应体育运动的训练图像进行采集，所述特征标注单元对对应体育运动的训练图像进行指向性特征标注并依据其生成该训练图像的指向特征标注图像，

6、所述黏性交互单元依据一个黏性周期内所有训练图像的指向特征标注图像生成该黏性周期的训练特征图集，并按照一定的黏性生成规则生成该黏性周期内该体育运动对应训练特征图集的校验追溯文档，具体如下：

7、s11：获取一个黏性周期内所述黏性交互单元接收到特征标注单元传输的训练图像的指向特征标注图像总数量，标记为p1；

8、s12：首先选定该黏性周期内所述黏性交互单元接收到的第二个训练图像的指向特征标注图像为该黏性周期的黏性关联图像，将该黏性周期内所述黏性交互单元接收到黏性关联图像的前一个图像和后一个图像的指向特征标注图像，标定为该黏性周期的黏性关联图像的第一附属图像和第二附属图像；

9、s13：按照第一筛选获取规则对黏性关联图像和第一附属图像中的指向性特征进行筛选，获取经过排序后黏性关联图像和第一附属图像中的黏性关联特征d1、d2、...、da，具体如下：

10、s131：获取黏性关联图像和第一附属图像中都被标注的指向性特征，标记为a1、a2、...、aa，a≥1；

11、s132：获取该黏性关联图像中构成指向性特征a1的所有像素点并用数对表示像素点的位置，标记为b1(bc1，bd1)、b2(bc2，bd2)、...、bb(bcb，bdb)，所述用数对表示像素点的位置时，括号里逗号前的位置表示像素点在黏性关联图像中的列数，逗号后的位置表示像素点在黏性关联图像中的行数；

12、s133：获取该黏性关联图像中构成指向性特征a1的左边缘基点值bdmin、右边缘基点值bdmax、上边缘基点值bcmin和下边缘基点值bcmax，所述bdmax和bdmin分别为bd1、bd2、...、bdb中的最大值和最小值，所述bcmax和bcmin分别为bc1、bc2、...、bcb中的最大值和最小值；

13、利用公式计算获取该指向性特征a1的边缘特征基点值c1；

14、s134：按照s132到s133依次计算获取指向性特征a1、a2、...、aa的边缘特征基点值c1、c2、...、ca，并按照边缘特征基点值从大到小的顺序将边缘特征基点值对应的指向性特征，重新标定为黏性关联特征，标记为d1、d2、...、da；

15、s14：利用公式计算获取后黏性关联图像和第一附属图像中黏性关联特征d1的竖向拟化基础f1，所述e1为黏性关联特征d1的边缘特征基点值，所述ɑ1和ɑ2为预设第一、第二竖向拟化因子；

16、s15：按照s14计算获取黏性关联图像和第一附属图像中黏性关联特征d1、d2、...、da的竖向拟化基础值f1、f2、...、fa；

17、s16：按照第二筛选标定规则筛选标定黏性关联图像中构成黏性关联特征d1的第一黏性梯度像素点、第二黏性梯度像素点、...、第j黏性梯度像素点；

18、s17：按照s16筛选标定第一附属图像中构成黏性关联特征d1的第一黏性梯度像素点、第二黏性梯度像素点、...、第j黏性梯度像素点，j>1；

19、s18：将h和j进行大小比较，若h>j：

20、s181：分别获取黏性关联图像和第一附属图像中构成黏性关联特征d1的第一黏性梯度像素点的总数量，重新标定为k1和l1；

21、利用公式计算获取黏性关联图像和第一附属图像中构成黏性关联特征d1的第一黏性梯度像素点的竖向拟化值m1；

22、s182：按照s181计算获取黏性关联图像和第一附属图像中构成黏性关联特征d1的第一、二、...、j黏性梯度像素点的竖向拟化值m1、m2、...、mj并利用加和求平均公式计算获取其均值，将竖向拟化值m1、m2、...、mj的均值重新标定为黏性关联特征d1的竖向拟化梯度值，标记为n1；

23、s19：反之则按照s18，基于黏性关联图像和第一附属图像中构成黏性关联特征d1的第一、二、...、h黏性梯度像素点计算获取黏性关联特征d1的竖向拟化梯度值，标记为n1；

24、s110：按照s13到s19计算获取黏性关联图像和第一附属图像中黏性关联特征d1、d2、...、da的竖向拟化梯度值n1、n2、...、na并按照黏性关联特征d1、d2、...、da的顺序将其对应的竖向拟化梯度值用“|”聚合生成黏性关联图像和第一附属图像的拟化特征校验序列；

25、s111：按照s12到s110计算获取黏性关联图像和第二附属图像的拟化特征校验序列；

26、s112：依次选定该黏性周期内所述黏性交互单元接收到的第二、三、...、p1-1个训练图像的指向特征标注图像为该黏性周期的黏性关联图像，并按照s11到s111分别计算获取第二、三、...、p1-1个训练图像的指向特征标注图像和其后一个图像的拟化特征校验序列；

27、所述黏性交互单元依据获取到的p1-1个拟化特征校验序列生成该黏性周期内训练特征图集的校验追溯文档；

28、模型训练终端，所述模型训练终端包括图集校验模块和模型训练模块，所述图集校验模块对一个黏性周期的训练特征图集和其对应的校验追溯文档进行校验，所述模型训练模块中存储有可以识别训练场内所有体育运动动作的动作识别模型，所述模型训练模块将校验通过的一个黏性周期的训练特征图集输入到动作识别模型中进行训练优化动作识别模型参数。

29、进一步的，一个所述黏性周期持续p1时间，所述p1为预设周期持续间隔时长。

30、进一步的，所述特征标注单元进行指向性特征标注是采用框选的方式，将训练图像中的指向性特征进行框选，这里需要说明的是图像采集单元采集到的所有训练图像的图像规格一致，所述训练图像的图像规格为2400*1920px。

31、进一步的，所述指向性特征指代的是可以识别体育运动动作的运动人员肢体，包括头部、左肩、右肩、左大臂、右大臂、左小臂、右小臂、左手、右手、胸部、腰部、左大腿、右大腿、左小腿、右小腿、左脚和右脚。

32、进一步的，所述一项体育运动的训练图像指代的是训练场内运动人员做该项体育运动动作的图像，所述训练图像中包含做体育运动动作的运动人员全身。

33、进一步的，所述图集校验模块对一个黏性周期的训练特征图集和其对应的校验追溯文档进行校验的具体校验规则如下：

34、s21：获取一个黏性周期内训练特征图集对应的校验追溯文档中的第一个拟化特征序列，并按照“|”对拟化特征序列中的值进行提取，获取该拟化特征序列对应的拟化特征值v1、v2、...、vv，v≥1；

35、s22：获取该黏性周期内训练特征图集中的第二个指向特征标注图像并选定其为黏性关联图像，将该黏性周期内该黏性关联图像的前一个指向特征标注图像标定为该黏性周期的黏性关联图像的第一附属图像，将该黏性周期内该黏性关联图像的后一个指向特征标注图像标定为该黏性周期的黏性关联图像的第二附属图像；

36、s23：按照s13计算获取黏性关联图像和该黏性关联图像的第一附属图像的黏性关联特征和其对应的边缘特征基点值，并按照边缘特征基点值从大到小的顺序对应的黏性关联特征进行排序，将排序后的黏性关联特征标记为o1、o2、...、ov，v≥1，按照s13计算获取黏性关联图像和该黏性关联图像的第二附属图像的黏性关联特征和其对应的边缘特征基点值，并按照边缘特征基点值从大到小的顺序对黏性关联特征进行排序，将排序后的黏性关联特征标记为q1、q2、...、qv；

37、s24：创建第一、第二和第三风险权重变量r1，初始的r1、r2和r3的值为0；

38、s25：按照s14到s110计算获取黏性关联特征o1、o2、...、ov的竖向拟化梯度值po1、po2、...、pov，计算获取黏性关联特征q1、q2、...、qv的竖向拟化梯度值pq1、pq2、...、pqv；

39、s26：依次将po1、pq1和v1进行比较：

40、s261：若po1≠v1则将第一风险权重变量r1的值自增1，若pq1≠v1，则将第二风险权重变量r2的值自增1；

41、s262：若po1≠v1且若pq1≠v1，则将第三风险权重变量r3的值自增1；

42、s27：按照s26依次将竖向拟化梯度值po1、po2、...、pov和竖向拟化梯度值pq1、pq2、...、pqv与v1、v2、...、vv进行比较，获取最终的第一风险权重变量r1、r2和r3的值将其依次标记为pr1、pr2和pr3；

43、s28：若pr1>p4，则判定第一附属图像缺失，记录其对应在该黏性周期的训练特征图集中的位置，反之，则判定第一附属图像被篡改，将第一附属图像从该黏性周期的训练特征图集中剔除；

44、若pr2>p4，则判定第二附属图像缺失，记录其对应在该黏性周期的训练特征图集中的位置，反之，则判定第二附属图像被篡改，将第二附属图像从该黏性周期的训练特征图集中剔除；

45、若pr3>p4，则判定黏性关联图像缺失，记录其对应在该黏性周期的训练特征图集中的位置，反之，则判定黏性关联图像被篡改，将黏性关联图像从该黏性周期的训练特征图集中剔除，所述p4为预设阈值；

46、s29：按照s21到s28依次对该黏性周期的训练特征图集中的所有指向特征标注图像进行判定获取该黏性周期训练特征图集中所有被判定缺失的指向特征标注图像在训练特征图集中的位置。

47、本发明的有益效果：

48、本发明通过设置客户终端对体育场内运动人员做各个体育运动动作的训练图像进行采集，特征标注单元对对应训练图集中做出对应体育运动动作的肢体进行指向性特征标注，黏性交互单元基于一个黏性周期内训练特征图集中的每一个进行指向性特征标注的训练图像生成拟化特征校验序列，增强了训练特征图集中前后图像的关联性；

49、本发明通过设置图集校验模块基于一个黏性周期内训练特征图集中的每一个进行指向性特征标注的训练图像的拟化特征校验序列对训练特征图集中每一个进行指向性特征标注的训练图像进行校验，一方面避免了训练特征图集在传输的过程中被三方嵌入新的或者插入其他与训练图像标注的指向性特征相似的图像导致动作识别模型的训练方向偏离原本方向，造成模型训练资源的损失，另一方面可以快速精准的将被三方嵌入和传输过程中损失的训练图像进行区分，对损失的训练图像进行重传，提高了模型训练的质量。