[发明专利]一种基于多任务非自回归解码的人体骨架的动作预测方法

权利要求书

1.一种基于多任务非自回归解码的人体骨架的动作预测方法，其特征在于，包括以下步骤：

S1、获取用于训练的人体3D骨骼关键点数据集，并定义算法目标；

S2、建立图卷积编码器，对输入的人体3D骨架进行特征学习，得到输入骨架的特征；

S3、建立分类器，对输入的人体3D骨架输入进行行为识别；

S4、建立非自回归解码器，预测未来时刻人体3D骨架；

S5、使用共享的图卷积编码器和分类器，对预测的人体3D骨架再进行行为识别；

S6、使用S1～S5建立的联合学习框架进行未来时刻的人体动作预测。

2.如权利要求1所述的基于多任务非自回归解码的人体骨架的动作预测方法，其特征在于，步骤S1中，所述的用于训练的人体3D骨骼关键点数据集，包括给定的人体骨架关键点序列其中表示第t帧中第n个节点的3D信息，该3D信息使用四元数表示，N为人体关节点总数，T₁为给定序列帧数；还包括待预测的人体骨架关键点序列其中为待预测的第t帧中第n个节点的3D信息真值，T₂为待预测序列帧数；

定义算法目标为：给定连续T₁帧人体骨架序列作为输入，预测未来T₂帧人体骨架序列的动作信息。

3.如权利要求2所述的基于多任务非自回归解码的人体骨架的动作预测方法，其特征在于，步骤S2中，所述建立图卷积编码器，对输入的人体3D骨架进行特征学习，得到输入骨架的特征，具体包括：

S21、建立9层的图卷积编码网络，每一层加入LeakyReLU激活函数，且网络的每一层分别包含图卷积部分和时序卷积部分；图卷积部分所使用的图结构为数据集所定义的人体骨骼连接关系，时序卷积部分卷积核大小为9；利用该图卷积编码网络对给定的人体骨架输入提取其高层语义特征c，公式表示为：

c＝f_enc(X；θ_enc)

其中，f_enc()为图卷积编码网络，θ_enc为编码网络参数，X为人体骨架输入序列。

4.如权利要求3所述的基于多任务非自回归解码的人体骨架的动作预测方法，其特征在于，步骤S3中，所述建立分类器，对输入的人体3D骨架输入进行行为识别，具体包括：

S31、建立3层的全连接网络作为行为识别分类网络，每一层加入LeakyReLU激活函数以及Dropout随机丢弃函数；在行为识别分类网络中，给定如S21所述的高层语义特征c，输出多类行为动作概率值p，公式表示为：

p＝f_cls(c；θ_cls)

其中，f_cls()为行为识别分类网络，θ_cls为分类网络参数。