本申請涉及數(shù)據(jù)處理，尤其涉及一種姿態(tài)預測方法、裝置及智能機器人。

背景技術(shù)：

1、在智能機器人技術(shù)不斷發(fā)展的進程中，姿態(tài)預測是機器人與環(huán)境及人類交互過程中的一項重要任務(wù)。然而，現(xiàn)有的姿態(tài)預測技術(shù)存在諸多技術(shù)問題。

2、當前的姿態(tài)預測技術(shù)在識別目標對象姿態(tài)時準確性不足。在實際應(yīng)用中，機器人需要精確判斷目標對象（如人類、其他物體等）的姿態(tài)以便做出正確的響應(yīng)，但傳統(tǒng)方法往往在姿態(tài)起始邊界和結(jié)束邊界的確定上不夠精準，導致整體姿態(tài)預測結(jié)果不可靠。在特征處理方面，現(xiàn)有技術(shù)未能充分挖掘和利用圖像的表征信息。智能機器人獲取的目標對象圖像包含著豐富的信息，但傳統(tǒng)姿態(tài)預測技術(shù)缺乏有效的手段對這些信息進行整合和深度挖掘，無法全面地提取與姿態(tài)相關(guān)的特征，進而影響姿態(tài)預測的準確性。另外，現(xiàn)有的姿態(tài)分類預測缺乏有效的保障機制。由于姿態(tài)的多樣性和復雜性，現(xiàn)有的分類預測方法容易出現(xiàn)錯誤分類的情況，沒有足夠的措施確保在不同情況下姿態(tài)分類的準確性，從而影響機器人基于姿態(tài)預測結(jié)果進行后續(xù)操作的有效性。

技術(shù)實現(xiàn)思路

1、有鑒于此，本申請?zhí)峁┮环N姿態(tài)預測方法、裝置及智能機器人。本申請的技術(shù)方案是這樣實現(xiàn)的：

2、一方面，本申請?zhí)峁┮环N姿態(tài)預測方法，所述方法包括：獲取目標對象圖像的圖像表征矩陣，所述目標對象圖像是擬進行姿態(tài)預測的對象圖像，所述目標對象圖像中包括一個或多個圖像塊；依據(jù)所述圖像表征矩陣確定所述目標對象圖像中每個圖像塊對應(yīng)的姿態(tài)起始邊界置信度和姿態(tài)結(jié)束邊界置信度，所述姿態(tài)起始邊界置信度表征所述圖像塊作為姿態(tài)區(qū)域的初始位置的置信度，所述姿態(tài)結(jié)束邊界置信度表征所述圖像塊作為所述姿態(tài)區(qū)域的結(jié)束位置的置信度；如果第一圖像塊的姿態(tài)起始邊界置信度和第二圖像塊的姿態(tài)結(jié)束邊界置信度滿足姿態(tài)適配要求，將所述目標對象圖像中所述第一圖像塊和所述第二圖像塊之間的區(qū)域確定為待定姿態(tài)區(qū)域，以及依據(jù)所述第一圖像塊的姿態(tài)起始邊界置信度和所述第二圖像塊的姿態(tài)結(jié)束邊界置信度一起確定所述待定姿態(tài)區(qū)域?qū)?yīng)的融合置信度；依據(jù)所述圖像表征矩陣對所述目標對象圖像的姿態(tài)分類進行預測，獲得所述目標對象圖像對應(yīng)的目標姿態(tài)分類；如果確定所述目標對象圖像具有一個或多個融合置信度達到姿態(tài)分類參考置信度的待定姿態(tài)區(qū)域，同時所述目標姿態(tài)分類與設(shè)定姿態(tài)分類一致，預測所述目標對象圖像的姿態(tài)為所述設(shè)定姿態(tài)分類。

3、第二方面，本申請?zhí)峁┮环N姿態(tài)預測裝置，所述裝置包括：圖像特征提取模塊，用于獲取目標對象圖像的圖像表征矩陣，所述目標對象圖像是擬進行姿態(tài)預測的對象圖像，所述目標對象圖像中包括一個或多個圖像塊；姿態(tài)區(qū)域確定模塊，用于依據(jù)所述圖像表征矩陣確定所述目標對象圖像中每個圖像塊對應(yīng)的姿態(tài)起始邊界置信度和姿態(tài)結(jié)束邊界置信度，所述姿態(tài)起始邊界置信度表征所述圖像塊作為姿態(tài)區(qū)域的初始位置的置信度，所述姿態(tài)結(jié)束邊界置信度表征所述圖像塊作為所述姿態(tài)區(qū)域的結(jié)束位置的置信度；待定區(qū)域處理模塊，用于如果第一圖像塊的姿態(tài)起始邊界置信度和第二圖像塊的姿態(tài)結(jié)束邊界置信度滿足姿態(tài)適配要求，將所述目標對象圖像中所述第一圖像塊和所述第二圖像塊之間的區(qū)域確定為待定姿態(tài)區(qū)域，以及依據(jù)所述第一圖像塊的姿態(tài)起始邊界置信度和所述第二圖像塊的姿態(tài)結(jié)束邊界置信度一起確定所述待定姿態(tài)區(qū)域?qū)?yīng)的融合置信度；目標姿態(tài)確定模塊，用于依據(jù)所述圖像表征矩陣對所述目標對象圖像的姿態(tài)分類進行預測，獲得所述目標對象圖像對應(yīng)的目標姿態(tài)分類；姿態(tài)分類預測模塊，用于如果確定所述目標對象圖像具有一個或多個融合置信度達到姿態(tài)分類參考置信度的待定姿態(tài)區(qū)域，同時所述目標姿態(tài)分類與設(shè)定姿態(tài)分類一致，預測所述目標對象圖像的姿態(tài)為所述設(shè)定姿態(tài)分類。

4、第三方面，本申請?zhí)峁┮环N智能機器人，包括存儲器和處理器，所述存儲器存儲有可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)以上第一方面所述方法中的步驟。

5、本申請的有益效果包括：本申請實施例在對目標對象圖像進行姿態(tài)預測時，基于目標對象圖像的每個圖像塊對應(yīng)的姿態(tài)起始邊界置信度和姿態(tài)結(jié)束邊界置信度確定目標對象圖像中包括的待定姿態(tài)區(qū)域，以及對目標對象圖像的姿態(tài)分類進行檢測，如果確定目標對象圖像中具有一個或多個融合置信度達到姿態(tài)分類參考置信度的待定姿態(tài)區(qū)域，同時目標姿態(tài)分類與設(shè)定姿態(tài)分類一致，預測目標對象圖像為設(shè)定姿態(tài)分類。本申請以圖像塊為識別單元對目標圖像中的姿態(tài)區(qū)域進行檢測，以及基于目標對象圖像中的姿態(tài)區(qū)域以及根據(jù)目標對象圖像全局確定的姿態(tài)分類來一起預測目標對象圖像的姿態(tài)分類，使得預測結(jié)果更加精確可靠。

6、此外，為了確保圖像表征矩陣預測的精度，以及防止采納大規(guī)模的預測器，基于將較為準確的預測蒸餾至小規(guī)模的第一預測器來增加預測精度。獲取圖像表征矩陣集合，圖像表征矩陣集合中包括多個圖像表征矩陣和每個圖像表征矩陣對應(yīng)的初始先驗姿態(tài)分類標記，初始先驗姿態(tài)分類標記表示對應(yīng)的圖像表征矩陣的姿態(tài)分類。之后在圖像表征矩陣集合包括的多個圖像表征矩陣中確定目標圖像表征矩陣，獲取目標圖像表征矩陣對應(yīng)的第一可視化標注，第一可視化標注表征目標圖像表征矩陣是姿態(tài)分類的可視化信息，以具有更豐富的特征。依據(jù)目標圖像表征矩陣和目標圖像表征矩陣對應(yīng)的第一可視化標注生成二元組調(diào)試樣本集合，進而依據(jù)二元組調(diào)試樣本集合對第一預測器的可學習網(wǎng)絡(luò)參變量進行優(yōu)化，獲得預測器。第一預測器是事先調(diào)試的預測器，第一預測器的參變量數(shù)量少于預設(shè)數(shù)量，也就是第一預測器是精巧的小預測器?；诰哂懈S富的特征的二元組調(diào)試樣本集合對第一預測器進行優(yōu)化，令第一預測器可以學習到更豐富的預測特征，提高預測性能。此外，因為預測器是依據(jù)精巧小預測器獲得，預測器的結(jié)構(gòu)更簡單，對算力的依賴更小，節(jié)約成本，普適性更高。

技術(shù)特征：

1.一種姿態(tài)預測方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述目標對象圖像中包括一個或多個圖像區(qū)域，每一所述圖像區(qū)域包括一個或多個圖像塊；

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述依據(jù)所述目標對象圖像的圖像區(qū)域劃分結(jié)果和圖像塊劃分結(jié)果，獲取所述目標對象圖像對應(yīng)的區(qū)域塊整合表征矩陣，包括：

4.根據(jù)權(quán)利要求1至3任一所述的方法，其特征在于，所述依據(jù)所述圖像表征矩陣確定所述目標對象圖像中每個圖像塊對應(yīng)的姿態(tài)起始邊界置信度和姿態(tài)結(jié)束邊界置信度，包括：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)、第二神經(jīng)網(wǎng)絡(luò)和所述第三神經(jīng)網(wǎng)絡(luò)在所述多分支聯(lián)合調(diào)試時，基于預設(shè)誤差度量進行調(diào)試，所述預設(shè)誤差度量由所述第一神經(jīng)網(wǎng)絡(luò)對應(yīng)的第一誤差度量、所述第二神經(jīng)網(wǎng)絡(luò)對應(yīng)的第二誤差度量和所述第三神經(jīng)網(wǎng)絡(luò)對應(yīng)的第三誤差度量基于預設(shè)影響系數(shù)加權(quán)獲得，所述第一誤差度量和所述第二誤差度量是種類一樣的誤差度量；

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述依據(jù)所述圖像表征矩陣對所述目標對象圖像的姿態(tài)分類進行預測，獲得所述目標對象圖像對應(yīng)的目標姿態(tài)分類基于預測器實現(xiàn)，所述預測器基于以下過程進行調(diào)試得到：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述目標圖像表征矩陣為第一種圖像表征矩陣，所述在所述圖像表征矩陣集合包括的多個圖像表征矩陣中確定目標圖像表征矩陣，包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述依據(jù)所述目標圖像表征矩陣和所述目標圖像表征矩陣對應(yīng)的初始先驗姿態(tài)分類標記，基于第二預測器輸出所述第一可視化標注，包括：

9.一種姿態(tài)預測裝置，其特征在于，所述裝置包括：

10.一種智能機器人，包括存儲器和處理器，所述存儲器存儲有可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)權(quán)利要求1至8任一項所述方法中的步驟。

技術(shù)總結(jié)
本申請?zhí)峁┮环N姿態(tài)預測方法、裝置及智能機器人，在對目標對象圖像進行姿態(tài)預測時，基于目標對象圖像的每個圖像塊對應(yīng)的姿態(tài)起始邊界置信度和姿態(tài)結(jié)束邊界置信度確定目標對象圖像中包括的待定姿態(tài)區(qū)域，以及對目標對象圖像的姿態(tài)分類進行檢測，如果確定目標對象圖像中具有一個或多個融合置信度達到姿態(tài)分類參考置信度的待定姿態(tài)區(qū)域，同時目標姿態(tài)分類與設(shè)定姿態(tài)分類一致，預測目標對象圖像為設(shè)定姿態(tài)分類。本申請以圖像塊為識別單元對目標圖像中的姿態(tài)區(qū)域進行檢測，以及基于目標對象圖像中的姿態(tài)區(qū)域以及根據(jù)目標對象圖像全局確定的姿態(tài)分類來一起預測目標對象圖像的姿態(tài)分類，使得預測結(jié)果更加精確可靠。

技術(shù)研發(fā)人員：李林
受保護的技術(shù)使用者：成都錦城學院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19