[发明专利]一种基于神经网络的交互式运动控制方法及系统

权利要求书

1.一种基于神经网络的交互式运动控制方法，其特征在于，包括：

步骤S1，输入源运动的运动序列；

步骤S2，通过一深度自编码模型提取所述运动序列的运动特征，得到所述源运动的运动风格特征；

步骤S3，对提取的所述运动风格特征建立运动风格转移约束；

步骤S4，通过一预先训练的风格转移模型在所建立的约束条件下，将关联所述源运动的所述运动风格特征转移到目标运动的行为内容上，以实现所述目标运动按照所述源运动的运动风格运动。

2.根据权利要求1所述的基于神经网络的交互式运动控制方法，其特征在于，训练所述深度自编码模型的方法如下：

步骤L1，从一运动数据库中获取不同运动风格的运动数据，同一运动风格的运动数据包括运动行为数据和运动风格数据；

步骤L2，将不同运动风格的运动数据重定向到同一目标骨架上；

步骤L3，将所述目标骨架的运动数据分解为运动行为数据和运动风格数据；

步骤L4，以所述目标骨架在不同运动风格下的运动数据为训练样本，对一神经网络模型进行预训练，得到训练所述深度自编码模型的初始化模型参数；

步骤L5，将所述目标骨架的运动数据输入给预训练的所述神经网络模型，所述神经网络模型输出运动风格特征提取结果；

步骤L6，根据模型提取的所述运动风格特征和原始输入的运动数据，分析模型损失，并根据分析结果调整模型训练参数，然后返回步骤L4对所述神经网络模型进行迭代更新训练，最终训练形成所述深度自编码模型。

3.根据权利要求2所述的基于神经网络的交互式运动控制方法，其特征在于，所述运动数据库为CMU运动捕捉数据库。

4.根据权利要求2所述的基于神经网络的交互式运动控制方法，其特征在于，所述预训练模型为RBM受限玻尔兹曼机模型。

5.根据权利要求1所述的基于神经网络的交互式运动控制方法，其特征在于，所述步骤S3中，对提取的所述运动风格特征建立运动风格转移约束的方法可通过以下公式(1)表达：

公式(1)中，P表示所述深度自编码模型提取的所述运动风格特征；

X为通过所述风格转移模型前向传播得到的隐藏层节点值；

G(P)表示对P作格拉姆矩阵计算；

G(X)表示对X作格拉姆矩阵计算。

6.一种基于神经网络的交互式运动控制系统，可实现如权1～5任意一项所述的方法，其特征在于，包括：

运动序列输入模块，用于输入源运动或目标运动的运动序列；

源运动风格特征提取模块，连接所述运动序列输入模块，用于通过一深度自编码模型提取所述源运动的运动风格特征；

运动风格转移约束建立模块，连接所述源运动风格特征提取模块，用于对提取的所述运动风格特征建立运动风格转移约束；

运动风格特征转移模块，分别连接所述运动风格转移约束建立模块和所述运动序列输入模块，用于通过一预先训练的风格转移模型在所建立的约束条件下，将关联所述源运动的运动风格特征转移到输入的目标运动的行为内容上，以实现所述目标运动按照所述源运动的运动风格运动。

7.根据权利要求6所述的基于神经网络的交互式运动控制系统，其特征在于，还包括：

深度自编码模型训练模块，用于训练所述深度自编码模型，所述深度自编码模型训练模块中具体包括：

运动数据获取单元，用于从一运动数据库中获取不同运动风格的运动数据，通过一运动风格的运动数据包括运动行为数据和运动风格数据；

运动数据重定向单元，连接所述运动数据获取单元，用于将不同运动风格的运动数据重定向到同一目标骨架上；

运动数据分解单元，连接所述运动数据重定向单元，用于将所述目标骨架的运动数据分解为运动行为数据和运动风格数据；

模型预训练单元，连接所述运动数据分解单元，用于以所述目标骨架在不同运动风格下的运动数据为训练样本，对一神经网络模型进行预训练，得到训练所述深度自编码模型的初始化模型参数；

模型性能验证数据输入单元，用于输入验证所述神经网络模型性能的运动数据；

模型性能分析单元，分别连接所述模型性能验证数据输入单元和所述模型预训练单元，用于将验证模型性能的运动数据输入到所述神经网络模型中，所述神经网络模型输出运动风格特征提取结果，然后根据模型提取的所述运动风格特征和原始输入的运动数据，分析模型损失；

模型训练参数调整单元，连接所述模型性能分析单元，用于根据模型损失分析结果调整模型训练参数；

模型更新训练单元，分别连接所述模型训练参数调整单元和所述运动数据分解单元，用于根据所调整的模型训练参数，并以所述目标骨架在不同运动风格下的运动数据为训练样本对所述神经网络模型进行迭代更新训练，最终训练形成所述深度自编码模型。