一种基于ResNet-LSTM的运动数据重定向方法与流程

技术特征：
1.一种基于resnet-lstm的运动数据重定向方法，其特征在于，包括以下步骤：步骤1，获取训练样本集合和测试样本集合；所述训练样本集合和测试样本集合均包括源、目标两种骨骼拓扑结构不同的角色运动片段，运动类型均包括步行和跑步；步骤2，以总损失函数最小化为优化目标，利用所述训练样本集合训练resnet-lstm网络，获得训练好的resnet-lstm网络；步骤3，利用测试数据集合获取待重定向的源角色运动数据，将所述测试数据输入所述训练好的resnet-lstm网络，得到重定向后的运动数据。2.如权利要求1所述的一种基于resnet-lstm的运动数据重定向方法，其特征在于，所述步骤1中，从cmu数据库中选取运动类型为步行和跑步的运动片段，将所述步行和跑步的运动片段使用ik方法重定向到源角色、目标角色两种骨骼拓扑结构不同的角色上；取源角色、目标角色的60％作为训练样本集合，取源角色、目标角色的40％作为测试样本集合；所述训练样本集合和测试样本集合均包括源角色、目标角色两种骨骼拓扑结构不同的角色运动片段，运动类型包括步行和跑步。3.如权利要求1所述的一种基于resnet-lstm的运动数据重定向方法，其特征在于，所述步骤2具体包括：构造resnet-lstm网络；所述resnet-lstm网络包括基于resnet的卷积神经网络、基于lstm的循环神经网络；首先将训练样本集合中源角色的运动数据输入所述基于resnet的卷积神经网络，得到卷积神经网络的输出数据；其次将卷积神经网络的输出数据输入所述基于lstm的循环神经网络，得到循环神经网络的输出数据；根据循环神经网络的输出数据与训练样本集合中目标角色的运动数据计算当前resnet网络的均方误差、骨骼长度误差；根据公式：loss＝λ
m
loss
m
(y) λ
b
loss
b
(y)更新总损失函数，其中，loss表示总损失函数，λ
m
、λ
b
分别表示均方误差权重参数、平滑性误差权重参数，loss
m
(y)、loss
s
(y)分别表示均方误差、平滑性误差；通过误差的反向传播算法和自适应矩估计优化算法动态调整权重参数和学习率，以总误差损失函数最小化为目标，获得训练好的resnet-lstm网络。4.如权利要求1所述的一种基于resnet-lstm的运动数据重定向方法，其特征在于，所述步骤3中，所述均方误差约束的损失函数为其中，f为训练数据的总帧数，y
lstm
表示基于resnet-lstm的网络的输出，x为对应的目标角色运动数据；所述平滑性约束的损失函数为：重复基于resnet-lstm的网络的输出的边界元素得到y
′
lstm
：y
′
lstm(1，k)
＝y
′
lstm(2，k)
＝y
lstm(1，k)
，y
′
lstm(f 1，k)
＝y
′
lstm(f 2，k)
＝y
lstm(f，k)
，y
′
lstm(i，k)
＝y
lstm(i-1，k)
，1≤k≤177，2≤i≤f-1。平滑矩阵o为：
5.如权利要求1所述的一种基于resnet-lstm的运动数据重定向方法，其特征在于，所述resnet-lstm网络包括基于resnet的卷积神经网络、基于lstm的循环神经网络；所述基于resnet的卷积神经网络包括四层全连接网络和一个resnet网络；所述基于lstm的循环神经网络包括两层全连接网络和一个lstm长短时记忆单元。

技术总结
本发明公开了一种基于ResNet-LSTM的运动数据重定向方法，通过连接基于ResNet的卷积神经网络和基于LSTM的循环神经网络，综合ResNet的高预测精度和LSTM有利于处理序列数据的优点，从而提升网络输出运动数据的准确性和平滑自然性。本发明将源角色的运动数据映射为拓扑结构不同的目标角色的运动数据，从而有效促进了运动数据的复用。了运动数据的复用。了运动数据的复用。


技术研发人员：杨晶
受保护的技术使用者：四川启睿克科技有限公司
技术研发日：2021.12.08
技术公布日：2022/3/15