一种物体属性识别模型的生成方法、存储介质及电子设备技术

本发明专利技术公开了一种物体属性识别模型的生成方法、存储介质及电子设备，所述方法包括：通过以包括动作序列以及目标物体属性标签的训练样本对预设神经网络进行训练，所述动作序列为人体与物体的交互动作序列，这样训练得到的物体属性识别模型可以从人体与物体的交互动作中识别到物体属性，所述物体属性包括且不仅限于为物体重量、形状以及软硬程度等，使得训练得到的识别模块对物体属性识别具有通用性，使用范围广的特点。

An object attribute recognition model generation method, storage medium and electronic equipment

The invention discloses a method for generating an object attribute recognition model, a storage medium and an electronic device. The method comprises: training a preset neural network with a training sample including an action sequence and a target object attribute label, and the action sequence is an interactive action sequence between a human body and an object, so that the object attribute recognition model obtained from the training can be trained from a human body and an object Object attributes are recognized in the interaction of objects. The object attributes include, but are not limited to, object weight, shape, software and hardware degree, etc., which makes the recognition module obtained by training have the characteristics of universality and wide range of use for object attribute recognition.

【技术实现步骤摘要】
一种物体属性识别模型的生成方法、存储介质及电子设备
本专利技术涉及计算机图形学
，特别涉及一种物体属性识别模型的生成方法、存储介质及电子设备。
技术介绍
随着近年来深度学习的发展，人体动作行为识别等类似的问题普遍使用神经网络来解决。目前现有的识别方法普遍为使用循环神经网络(RNN)结构来进行骨架序列识别以及采用卷积神经网络(CNN)对骨架序列提取特，这些方法的主要差异在于骨架序列的表示以及网络结构。然而现有识别方法主要是针对人的不同行为的人体静态姿态，限制了根据人体行为对物体属性的识别。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种物体属性识别模型的生成方法、存储介质及电子设备。为了解决上述技术问题，本专利技术所采用的技术方案如下：一种物体属性识别模型的生成方法，其包括：获取训练样本集，所述训练样本集包括多组训练样本，每组训练样本包括所述训练样本集的交互动作序列以及目标物体属性标签；将所述训练样本集中动作序列输入预设神经网络模型，并获取所述预设神经网络模型所输出的生成物体属性标签；根据所述目标物体属性标签和所述生成物体属性标签对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的物体属性识别模型。所述物体属性识别模型的生成方法，其中，所述动作序列包括预设数量的骨骼序列帧，每一张骨骼序列帧包括人体骨骼数据，其中，所述人体骨骼数据为树状序列结构并以关节为节点。所述物体属性识别模型的生成方法，其中，所述物体属性识别模型包括图卷积模块、门控循环单元模块以及全连接模块；所述将所述训练样本集中动作序列输入预设神经网络模型，并获取所述预设神经网络模型所输出的生成物体属性标签具体包括：将所述动作序列的关节特征输入图卷积模块，通过所述图卷积模块提取用于输入门控循环单元模块的关节特征，其中，图卷积模块的输入包括关节位置和关节速度；将用于输入门控循环单元模块的关节特征输入门控循环单元模块，通过门控循环单元模块输出在时序维度上的关节特征，其中，所述门控循环单元模块带有注意力子模块，所述注意力子模块用于获取各关节对物体属性的重要程度系数；将所述权重系数以及关节特征输入所述全连接模块，通过所述全连接模块输出所述动作序列对应的生成物体属性标签。所述物体属性识别模型的生成方法，其中，所述图卷积层输出的关节特征的表达式为：其中，xt,i为输入图卷积层的第i各关节的关节特征，j为i的父节点的索引，t为人体骨骼数据帧的帧序号，Wg和b为图卷积层的权重系数。所述物体属性识别模型的生成方法，其中，所述重要程度系数的计算公式为：其中，Wha,Wxa,ba为循环神经网络的网络参数，为输入门控循环单元模块的第i各关节的关节特征，Ht-1为循环神经网络的隐含状态，t,t-1为人体骨骼数据帧的帧序号。一种基于交互动作序列识别物体属性的方法，其应用如上任一所述的物体属性识别模型，所述方法包括获取待识别的交互动作序列，并将所述交互动序列作输入已训练的物体属性识别模型；通过所述物体属性识别模型对所述交互动作序列进行识别，以得到所述交互动作序列对应的物体属性。所述基于交互动作序列识别物体属性的方法，其中，所述获取待识别的交互动作序列，并将所述交互动序列作输入已训练的物体属性识别模型具体包括：获取待识别的交互动作序列，并对所述交互动作序列进行预处理，以得到预设数量的图像帧；获取各图像帧对应的人体骨骼数据帧，将获取到所有人体骨骼数据帧输入已训练的物体属性识别模型，其中，所述人体骨骼数据帧按照图像帧的帧时间顺序排列。一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的物体属性识别模型的生成方法中的步骤，或者以实现如上任一所述的基于交互动作序列识别物体属性的方法中的步骤。一种电子设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述通信总线实现处理器和存储器之间的连接通信；所述处理器执行所述计算机可读程序时实现如上任一所述的物体属性识别模型的生成方法中的步骤，或者实现如上任一所述的基于交互动作序列识别物体属性的方法中的步骤。有益效果：与现有技术相比，本专利技术提供了一种物体属性识别模型的生成方法、存储介质及电子设备，所述方法包括：通过以包括动作序列以及目标物体属性标签的训练样本对预设神经网络进行训练，所述动作序列为人体与物体的交互动作序列，这样使得训练得到的物体属性识别模型可以从人体与物体的交互动作中识别到物体属性，所述物体属性可以为物体重量、形状以及软硬程度等，扩大了物体属性识别的全面性，从而提高了物体属性识别模型的适用范围。附图说明图1为本专利技术提供的物体属性识别模型的生成方法的流程图。图2为本专利技术提供的物体属性识别模型的生成方法的动作序列的示意图。图3为本专利技术提供的物体属性识别模型的生成方法中人体骨骼关节示意图。图4为本专利技术提供的物体属性识别模型的生成方法中预设神经网络的处理过程的流程图。图5为本专利技术提供的物体属性识别模型的生成方法中步骤S20的流程示意图。图6为本专利技术提供的物体属性识别模型的生成方法中不同图卷积方法在不同属性推断任务下的准确率的曲线图。图7为本专利技术提供的一种电子设备的结构原理图。具体实施方式本专利技术提供一种物体属性识别模型的生成方法、存储介质及电子设备，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。下面结合附图，通过对实施例的描述，对
技术实现思路
作进一步说明。本实施例提供本文档来自技高网...

【技术保护点】
1.一种物体属性识别模型的生成方法，其特征在于，其包括：/n获取训练样本集，所述训练样本集包括多组训练样本，每组训练样本包括动作序列以及目标物体属性标签；/n将所述训练样本集中的动作序列输入预设神经网络模型，并获取所述预设神经网络模型所输出的生成物体属性标签；/n根据所述目标物体属性标签和所述生成物体属性标签对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的物体属性识别模型。/n

【技术特征摘要】
1.一种物体属性识别模型的生成方法，其特征在于，其包括：
获取训练样本集，所述训练样本集包括多组训练样本，每组训练样本包括动作序列以及目标物体属性标签；
将所述训练样本集中的动作序列输入预设神经网络模型，并获取所述预设神经网络模型所输出的生成物体属性标签；
根据所述目标物体属性标签和所述生成物体属性标签对所述预设神经网络模型的模型参数进行修正，直至所述预设神经网络模型的训练情况满足预设条件，以得到已训练的物体属性识别模型。


2.根据权利要求1所述物体属性识别模型的生成方法，其特征在于，所述动作序列包括预设数量的骨骼序列帧，每一张骨骼序列帧包括人体骨骼数据，其中，所述人体骨骼数据为树状序列结构并以关节为节点。


3.根据权利要求2所述物体属性识别模型的生成方法，其特征在于，所述物体属性识别模型包括图卷积模块、门控循环单元模块以及全连接模块；将所述训练样本集中动作序列输入预设神经网络模型，并获取所述预设神经网络模型所输出的生成物体属性标签具体包括：
将所述动作序列的关节特征输入图卷积模块，通过所述图卷积模块提取用于输入门控循环单元模块的关节特征，其中，图卷积模块的输入包括关节位置和关节速度；
将用于输入门控循环单元模块的关节特征输入门控循环单元模块，通过门控循环单元模块输出在时序维度上的关节特征，其中，所述门控循环单元模块带有注意力子模块，所述注意力子模块用于获取各关节对物体属性的重要程度系数；
将所述权重系数以及关节特征输入所述全连接模块，通过所述全连接模块输出所述动作序列对应的生成物体属性标签。


4.根据权利要求3所述物体属性识别模型的生成方法，其特征在于，所述图卷积层输出的关节特征的表达式为：



其中，xt,i为输入图卷积层的第i各关节的关节特征，j为i的父节点的索引，t为人体骨骼数据帧的帧序号，Wg和b为图卷积层的权重系数。


5.根据权利要...

【专利技术属性】
技术研发人员：黄惠，郑倩，吴伟锴，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44