本技术属于运动数据优化技术领域,具体公开了一种运动数据优化方法、计算机设备以及存储介质。本发明采用堆叠自编码器与卷积自编码器结合的方式对运动数据进行优化,提升了网络输出运动数据的位置精确性以及平滑自然性。通过堆叠自编码器堆叠个数的增加,优化后的运动数据平滑性逐渐提升,通过卷积自编码器优化后的运动数据生成的数据位置精确度提升。此外,通过在双向循环自编码器与卷积自编码器内部,添加时间注意力机制,使运动数据优化模型更加注重运动数据中手部运动信息,提高手语运动优化质量。另外,本发明还采用基于有限差分的平滑算法,构造了一个差分矩阵来实现平滑,解决了运动数据在经过卷积自编码器后运动数据平滑性降低问题。
背景技术
运动数据被广泛应用于体育科学、运动研究、社交互动、游戏制作和医疗康复等领域。在体育科学和运动研究方面,运动数据分析可以帮助科学家和研究者评估运动员的体能水平和运动效率,发现运动规律和优化运动策略。在影视以及游戏制作等领域,运动数据赋予了虚拟人物流畅的动作,逼真的场景特效等,大大降低了制作成本。在这其中,运动数据发挥了至关重要的作用,所以运动数据的获取以及优化成为了重点以及难点。
目前主流的运动数据优化方法主要可以分为基于插值、基于滤波、基于降维以及基于深度学习的优化算法。然而,基于插值的优化算法,无法处理数据缺失时间大于0.5s的场景,并且该基于插值的优化算法因为需要进行重构估计,所以要求要有可靠的运动数据,当缺失的数据点信息不可用时,插值优化算法便无法对运动数据进行优化。基于滤波的优化算法往往依赖于模型的准确性,若模型与实际情况不符,可能导致优化效果不佳,并且人体运动高度协调,各个关节运动不独立,自由度高关联,因此使用滤波效果不好。基于降维的优化算法在降维过程中可能会丢失部分重要信息,从而影响后续优化结果的准确性。
相比于基于插值、基于滤波、基于降维的运动数据优化方法,基于深度学习的运动数据优化算法,表现出比传统方法更为强大的数据处理能力。然而,在深度学习优化算法在处理运动数据时,主要有以下几个问题:(1)动作泛化问题,模型可能难以泛化到未在训练数据中出现的运动类型或个体差异,因为场景的多样性,在不同的场景下可能会影响模型的优化效果;(2)优化模型通常需要大量的计算资源,模型可能会在训练数据上过度拟合,导致在新的运动数据上表现不佳;(3)运动数据是时间序列数据,模型需要能够捕捉时间序列中的依赖关系,对于一些长时间的运动序列,模型可能难以捕捉到长距离的时间依赖。
实现思路