[发明专利]基于对抗学习的循环神经网络用于人体运动预测方法

说明书

本发明涉及一种基于对抗学习的循环神经网络用于人体运动预测方法。主要步骤包括：首先进行数据预处理，将数据转换为四元数空间中的欧拉角来训练网络模型。然后构建GRU循环神经网络模型，在模型中我们采用基于对抗学习的训练算法和四元数约束损失函数来提升模型的预测精度，改善长时间预测序列产生的僵死现象。经过测试本方法能够预测长时间运动趋势而预测姿势不会产生僵死问题，预测运动误差相较于其他方法误差值更低，预测运动趋势更加准确。

技术领域

本发明属于计算机图形学和人机交互领域，尤其涉及一种基于对抗学习的循环神经网络用于人体运动预测的方法。

背景技术

近年来，由于人机交互机器人和自动驾驶领域的快速发展，对于人类未来的运动趋势进行预测越来越受到人们的关注。正确地预测人类在未来的活动能够帮助机器人判断人类的意图，对人类的活动进行辅助与回应，这对于人机交互领域的发展十分有价值。在自动驾驶领域，正确判断行人的意图，在危险发生之前采取必要的紧急措施能够有效地避免交通事故的发生。

由于人类未来运动的不确定性与动力学特征复杂的原因，对于人体运动进行建模预测目前仍然是一个巨大的挑战。神经网络技术的出现解决了以上的困难，神经网络的特性更加适合对海量的运动数据进行学习，抽象学习海量数据的一般特征。人体运动由于其高维度和随机性大的特点，其建模依赖于运动捕捉数据的支持。因此，预测人体运动序列的任务可以分为两类，分别为传统数学建模的方法和神经网络的方法。

这两种方法都能够构建人体运动行为，但是传统数学建模的方法较为复杂，计算成本较大，不适合应用于大型数据集上。而采用循环神经网络建模的方法预测长时间序列时产生的误差累积使得预测的序列易，运动预测的结果变的不可靠。因此长时间运动预测仍然是运动预测中最大的挑战之一。

发明内容

根据上述提出的技术问题，而提供一种基于对抗学习的循环神经网络用于人体运动预测方法。本发明主要利用一种基于对抗学习的循环神经网络用于人体运动预测的方法，包括训练模型与测试模型的步骤，其特征在于：所述训练模型步骤包括：

S1：输入人体运动库中的运动数据，并对所述运动数据进行预处理，将三维轴角表示的运动数据转换为四元数空间中的四维欧拉角表示，得到可以用来训练网络的数据；

S2：通过GRU单元建立循环神经网络模型，将所述预处理过后的运动数据输入网络中进行训练，训练网络学习运动数据间前后的时空关系；

S3：在建立的网络中构建基于对抗学习的训练算法，并调整对抗学习损失函数中的系数，使得网络的预测运动序列与真实预测运动序列欧拉角之间的欧几里得距离最小，并以此参数训练网络模型；

S4：在网络中应用四元数约束损失函数；

S5：将测试集中运动数据序列的前50帧数据输入到训练好的模型中，预测运动序列后1秒即第25帧的运动趋势，对比预测运动序列与真实预测运动序列欧拉角之间的欧几里得距离，以此来测试模型的预测性能。

进一步地，在所述步骤S2中，采用以下步骤得到循环神经网络模型：对输入的运动数据输入GRU网络进行训练，GRU单元如(1)式所示：

z_t＝σ(W_z·[h_t-1,x_t])

r_t＝σ(W_r·[h_t-1,x_t])

其中，σ表示sigmoid激活函数，tanh表示tanh激活函数，W表示权重参数，(·)表示点乘，(*)表示矩阵乘法。

更进一步地，所述步骤S3中所述的基于基于对抗学习的训练算法：