CN112053421B - 信号降噪处理方法、装置、设备及存储介质 - Google Patents

信号降噪处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112053421B
CN112053421B CN202011097709.XA CN202011097709A CN112053421B CN 112053421 B CN112053421 B CN 112053421B CN 202011097709 A CN202011097709 A CN 202011097709A CN 112053421 B CN112053421 B CN 112053421B
Authority
CN
China
Prior art keywords
noise
signal curve
data
signal
curve
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011097709.XA
Other languages
English (en)
Other versions
CN112053421A (zh
Inventor
陈添财
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011097709.XA priority Critical patent/CN112053421B/zh
Publication of CN112053421A publication Critical patent/CN112053421A/zh
Application granted granted Critical
Publication of CN112053421B publication Critical patent/CN112053421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本申请公开了一种信号降噪处理方法、装置、设备及存储介质，涉及计算机领域。该方法包括：获取待降噪的信号曲线，所述信号曲线基于运动数据生成；将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线；对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线。本申请通过预训练的神经网络模型对带降噪信号曲线进行降噪处理后，再进行平滑处理，通过这种方式得到的目标信号曲线不仅能够保留非噪声信号的细节，而且能够有效地平滑掉噪声，从而解决了信号毛刺比较大的情形下，直接进行平滑处理无法有效滤除毛刺平滑曲线的问题。

Description

信号降噪处理方法、装置、设备及存储介质
技术领域
本申请实施例涉及计算机技术领域，特别涉及一种信号降噪处理方法、装置、设备及存储介质。
背景技术
游戏动画设计师需要在Maya或者其他动画编辑软件中去除游戏动画中的抖动。动画由角色关节的平移或旋转所控制，播放动画时根据这些关节的平移或旋转数据实时更新关节的位置，这样整个人物就可以动起来。动画师经常需要对这些曲线进行降噪处理，让整个角色的运动更加平滑。如果关节的旋转曲线非常抖动，会导致整个角色的运动也十分抖动，很影响游戏体验。
通常情况下，使用自适应滤波器对曲线进行平滑处理，可以去除曲线中抖动部分，而且自适应滤波器能够在平滑曲线的同时，保留其他正常信号的细节，但是其最终效果十分依赖对每一帧的截止频率的估计值。而截止频率的估计值又与曲线速度值相关。在信号毛刺大时，估计到的每一帧的速度也比较大，进而导致截止频率比较高，无法有效滤除毛刺平滑曲线。
发明内容
本申请实施例提供了一种信号降噪处理方法、设备及存储介质，可以解决信号毛刺比较大的情形下，直接进行平滑处理无法有效滤除毛刺平滑曲线的问题。所述技术方案如下：
一个方面，提供了一种信号降噪处理方法，所述方法包括：
获取待降噪的信号曲线，所述信号曲线基于运动数据生成；
将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线，其中，所述神经网络模型用于对所述待降噪的信号曲线进行降噪处理；
对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线。
在另一个可能的实现方式中，所述每个数据对应的降噪参数包括：所述每个数据对应的标准差和偏置值，则所述根据所述每个数据对应的降噪参数得到预降噪的信号曲线，包括：
根据所述每个数据对应的标准差得到相应权重；
根据所述每个数据对应的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线。
在又一个可能的实现方式中，所述对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线，包括：
根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率，所述第一目标数据为所述预降噪的信号曲线中的任一数据；
根据所述截止频率构建相应的滤波器；
利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据；
重复上述步骤直至遍历所述预降噪的信号曲线中的所有数据，得到目标信号曲线。
在又一个可能的实现方式中，训练所述神经网络模型的过程，包括：
对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线；
根据所述带噪信号曲线中的每个数据，构建训练样本集；
将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，直至损失函数收敛，得到所述神经网络模型，其中，所述损失函数表征训练过程中所述神经网络模型输出的预测的信号曲线与所述原始不带噪的信号曲线之间的差异。
在又一个可能的实现方式中，所述对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线，包括：
对所述信号曲线叠加高斯白噪声，得到所述带噪信号曲线；或者，
对所述信号曲线叠加高斯白噪声和异常值类型的噪声，得到所述带噪信号曲线。
在又一个可能的实现方式中，所述根据所述带噪信号曲线中的每个数据，构建训练样本集，包括：
以所述带噪信号曲线中的第二目标数据为中心，从所述带噪信号曲线中选取预设长度的数据片段，其中，所述第二目标数据为所述带噪信号曲线中的任一数据；
根据所述数据片段、所述数据片段的各帧速度、以及对所述数据片段进行归一化后的数据，构建一个样本；
重复上述步骤直至遍历所述带噪信号曲线中的所有数据，得到所述训练样本集。
在又一个可能的实现方式中，所述将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，包括：
将所述训练样本集输入初始神经网络模型进行训练，得到所述训练样本集中每个样本的标准差和偏置值；
根据所述每个样本的标准差和偏置值，得到相应的预测值,由所述训练样本集中所有样本的预测值构成所述预测的信号曲线并输出。
在又一个可能的实现方式中，所述根据所述每个样本的标准差和偏置值，得到相应的预测值，包括：
根据所述每个样本的标准差得到相应的权重；
根据所述每个样本相应的权重和偏置值，得到相应的预测值。
另一方面，提供了一种信号降噪处理装置，所述装置包括：
获取模块，用于获取待降噪的信号曲线，所述信号曲线基于运动数据生成；
降噪模块，用于将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线，其中，所述神经网络模型用于对所述待降噪的信号曲线进行降噪处理；
平滑模块，用于对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线。
在另一个可能的实现方式中，所述每个数据对应的降噪参数包括：所述每个数据对应的标准差和偏置值，则所述降噪模块，具体用于：
根据所述每个数据对应的标准差得到相应权重；
根据所述每个数据对应的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线。
在又一个可能的实现方式中，所述平滑模块，具体用于：
根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率，所述第一目标数据为所述预降噪的信号曲线中的任一数据；
根据所述截止频率构建相应的滤波器；
利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据；
重复上述步骤直至遍历所述预降噪的信号曲线中的所有数据，得到目标信号曲线。
在又一个可能的实现方式中，所述装置还包括：
叠加子模块，用于对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线；
构建子模块，用于根据所述带噪信号曲线中的每个数据，构建训练样本集；
执行子模块，用于将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，直至损失函数收敛，得到所述神经网络模型，其中，所述损失函数表征训练过程中所述神经网络模型输出的预测的信号曲线与所述原始不带噪的信号曲线之间的差异。
在又一个可能的实现方式中，所述叠加子模块，具体用于：
对所述信号曲线叠加高斯白噪声，得到所述带噪信号曲线；或者，
对所述信号曲线叠加高斯白噪声和异常值类型的噪声，得到所述带噪信号曲线。
在又一个可能的实现方式中，所述构建子模块，具体用于：
以所述带噪信号曲线中的第二目标数据为中心，从所述带噪信号曲线中选取预设长度的数据片段；根据所述数据片段、所述数据片段的各帧速度、以及对所述数据片段进行归一化后的数据，构建一个样本；重复上述步骤直至遍历所述带噪信号曲线中的所有数据，得到所述训练样本集，其中，所述第二目标数据为所述带噪信号曲线中的任一数据。
在又一个可能的实现方式中，所述执行子模块，具体用于：
将所述训练样本集输入初始神经网络模型进行训练，得到所述训练样本集中每个样本的标准差和偏置值；
根据所述每个样本的标准差和偏置值，得到相应的预测值,由所述训练样本集中所有样本的预测值构成所述预测的信号曲线并输出。
在又一个可能的实现方式中，所述执行子模块，具体用于：
根据所述每个样本的标准差得到相应的权重；
根据所述每个样本相应的权重和偏置值，得到相应的预测值。
另一方面，提供了一种电子设备，所述设备包括处理器；以及存储器，用于存储计算机程序指令；其中，当所述计算机程序指令由所述处理器加载并运行时，所述处理器执行如上所述的信号降噪处理方法。
另一方面，提供了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计算机程序指令，其中，所述计算机程序指令被处理器加载并运行时，所述处理器执行如上所述的信号降噪处理方法。
另一方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行如上所述的信号降噪处理方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过预训练的神经网络模型对带降噪信号曲线进行降噪处理后，再进行平滑处理，这种方式能够保留非噪声信号的细节，又能够有效地平滑掉噪声，从而解决了信号毛刺比较大的情形下，直接进行平滑处理无法有效滤除毛刺平滑曲线的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是采用现有技术对带噪信号曲线降噪前后的对比图；
图2是现有的高斯分布计算的原理图；
图3示出了本申请一个示例性实施例提供的一种信号降噪处理方法的示意性流程图；
图4示出了本申请一个示例性实施例提供的神经网络模型训练过程的示意性流程图；
图5示出了采用叠加了高斯白噪声的带噪信号曲线，训练得到的神经网络模型对待降噪信号曲线进行噪声处理的整体效果比对图；
图6示出了叠加异常值类型的噪声后的带噪曲线与原始曲线的对比图；
图7示出了采用叠加了高斯白噪声和异常值类型的噪声的带噪信号曲线，训练得到的神经网络模型对待降噪信号曲线进行噪声处理的整体效果比对图；
图8示出了本申请一个示例性实施例提供的一种信号降噪处理方法在产品应用层面的界面形态图；
图9示出了平滑毛刺较大的曲线效果的对比图；
图10示出了包含异常值噪声作为输入的效果对比图；
图11示出了不采用自适应Butterworth滤波器平滑的效果对比图；
图12(a)示出了一个游戏人物的关节示意图；
图12(b)示出了图12(a)中游戏人物的右膝关节的信号曲线的示意图；
图12(c)示出了采用本申请实施例中的信号降噪处理方法对图12(b)中的信号曲线进行降噪处理后得到的目标信号曲线的示意图；
图13示出了一个示例性实施例提供的一种信号降噪处理装置的结构示意图；
图14示出了本申请一个示例性实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面详细描述本申请的实施例，该实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，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，本申请的说明书中使用的措辞“包括”是指存在特征、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。
为了更好的理解及说明本申请实施例的方案，下面对本申请实施例中所涉及到的一些技术用语进行简单说明：
Motion Capture:动作捕捉。动作捕捉(Motion Capture，简称MoCap)技术被广泛应用于游戏、影视等行业的角色动作制作过程中。典型的如基于被动式光学式的动作捕捉系统，需要在演员身上的关键关节处贴好反光球(marker点)，演员表演各种动作，动作捕捉镜头上发出的LED照射光经反光球反射至动作捕捉摄像机，在多台动捕摄像机的配合下进行marker的检测和定位。
MAYA：AutoDesk公司出品的软件，广泛用于游戏人物建模、动画等工作中。
Butterworth Low Pass Filter:巴特沃斯(Butterworth)低通滤波器。信号由不同频率的信号分量构成，通过设置低通滤波器的截止频率(cutoff)，过滤掉截止频率以上的信号，只留截止频率以下的信号分量。
Cutoff：截止频率。在本申请中指Butterworth低通滤波器的截止频率。Cutoff较低，则平滑效果越明显，但是曲线也会更加偏离原来的状态；Cutoff较高，则平滑效果越弱，但是能更多保留原来的状态。本文中的cutoff是对应采样率fps＝1.0的cutoff，值在区间[0.0,0.5]范围内。
Gaussian Filter：高斯滤波器。基本原理是根据高斯分布计算权重，再用权重和原始数据加权平均得到新的数值。
Mixamo：adobe提供的开源高质量游戏动画数据集。
游戏动画设计师需要在Maya或者其他动画编辑软件中去除游戏动画中的抖动。动画由角色关节的平移或旋转所控制，播放动画时根据这些关节的平移或旋转数据实时更新关节的位置，这样整个人物就可以动起来。动画师经常需要对这些曲线进行降噪处理，让整个角色的运动更加平滑。
如果关节的旋转曲线非常抖动，会导致整个角色的运动也十分抖动，很影响游戏体验。
自适应滤波器能够在平滑曲线的同时，保留其他正常信号的细节，但是其最终效果十分依赖对每一帧的cutoff的估计值。而cutoff的估计值又与曲线速度值相关。在信号毛刺大时，估计到的帧速度比较大，进而导致cutoff比较高，无法有效滤除毛刺。比如从图1中可以看到在毛刺比较大的情形下，自适应Butterworth滤波器已经无法平滑信号。图1中曲线1表示原始的信号，曲线2表示自适应Butterworth滤波器作用后的效果，曲线3表示各帧数据对应的截止频率。在该图中，横坐标表示采集信号数据的时间，纵坐标表示信号数据的大小及对应的截止频率。
目前采用Gaussian filter方法对信号进行过滤，具体是采用高斯分布计算权重，再用原始数据与计算得到的权重加权平均。原理如图2所示，图2表示对xi数据做过滤，根据高斯分布计算xi及其周围数据所对应的权重，比如xi对应的权重为wi，xi-1对应权重wi-1等，再求加权平均
Figure BDA0002724285060000081
Figure BDA0002724285060000082
根据上述原理描述可以看出，Gaussian Filter方法的效果受高斯分布对应的权重所影响，而高斯分布又是由方差σ所决定的。不同方差σ的值对最后滤波的效果影响很大，依靠人工手动去调整效率非常低。
因此，为了解决上述技术问题，本申请实施例提供了一种信号降噪处理方法，该方法通过预训练的神经网络模型对带降噪信号曲线进行降噪处理后，再进行平滑处理，这种方式得到的目标信号曲线不仅能够保留非噪声信号的细节，而且能够有效地平滑掉噪声，从而解决了信号毛刺比较大的情形下，直接进行平滑处理无法有效滤除毛刺平滑曲线的问题。
另外，利用基于卷积神经网络模拟高斯滤波器的降噪功能训练得到的神经网络模型对带噪信号进行降噪处理，降噪效果更高。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图3是本申请一个示例性实施例提供的一种信号降噪处理方法100的示意性流程图。如图3所示，该方法100包括：
101、获取待降噪的信号曲线。其中，信号曲线基于运动数据生成，例如：基于人物的关节运动数据生成等等。
具体的，在该实施例中，例如：基于某一关节数据生成的曲线包括X旋转曲线、Y旋转曲线和Z旋转曲线，则待降噪的信号曲线可以选取前述3条曲线中的某条带噪信号曲线中的一段，也可以选取整条带噪信号曲线，还可以选取多条带噪信号曲线，本申请实施例对此不作限定。
102、将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线，其中，所述神经网络模型用于对所述待降噪的信号曲线进行降噪处理。
具体的，在该实施例中，训练所述神经网络模型的过程，包括：
11、对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线；
具体的，可以对所述信号曲线叠加高斯白噪声，得到所述带噪信号曲线；其中，高斯白噪声的标准差在[0.0,1.0]的范围内随机变动。
由于标准差的大小与噪声的大小直接相关，比如标准差＝1.0时，根据3σ定律，99.73％的噪声落在[-3.0,3.0]之间，所以标准差取随机值，有助于神经网络在对无噪声信号做过滤时，与输入信号的差值更小。
或者，可以对所述信号曲线叠加高斯白噪声和异常值类型的噪声，得到所述带噪信号曲线。
由于基于叠加了高斯白噪声的带噪信号曲线训练得到的神经网络模型，对信号曲线中的异常值处理能力不高，因此在高斯白噪声的基础上，又叠加了异常值类型的噪声，从而进一步提升神经网络模型的降噪能力。
需要说明的是，在该实施例中，可以从动画数据库中选取无噪的信号曲线作为原始不带噪的信号曲线，例如：选取基于Mixamo无噪动画数据库中的关节运动数据生成的信号曲线作为原始不带噪的信号曲线。
12、根据所述带噪信号曲线中的每个数据，构建训练样本集；
具体的，以所述带噪信号曲线中的第二目标数据为中心，从所述带噪信号曲线中选取预设长度的数据片段，并根据所述数据片段、所述数据片段的各帧速度、以及对所述数据片段进行归一化后的数据，构建一个样本，直至遍历所述带噪信号曲线中的所有数据，得到所述训练样本集，其中，所述第二目标数据为所述带噪信号曲线中的任一数据。
具体的，在该实施例中，例如，以某一数据为中，选取长度为L的数据片段，则每个样本的大小为{3，L}，即：3行L列，其中，第一行为数据片段，第二行为数据片段的各帧速度，第三行为对数据片段进行min-max归一化后的数据。其中，批尺寸batch size为整个带噪信号曲线的长度，则训练样本集的大小为{B，3，L}，其中，B为样本的数量。
例如：假设从带噪信号曲线c中选取长度为9的数据片段，且某一时刻的第二目标数据为5时，则数据片段为：1、2、3、4、5、6、7、8、9，该数据片段的各帧速度为：(1-(-1))、(2-1)、(3-2)、(4-3)、(5-4)、(6-5)、(7-6)、(8-7)、(9-8)，对该数据片段进行min-max归一化后的数据为：0、1/8、2/8、3/8、1/2、5/8、6/8、7/8、1。则基于数据5构建的样本大小为{3、9}，其中，第一行为：1、2、3、4、5、6、7、8、9，第二行为：2、1、1、1、1、1、1、1、1，第三行为：0、1/8、2/8、3/8、1/2、5/8、6/8、7/8、1。
需要说明的是，由于是基于带噪信号曲线中的每个数据执行上述操作，最终得到训练样本集，因此，以带噪信号曲线中的第一个数据至第L/2个数据为中心选取长度为L的数据片段时，需要补充数据，补充数据的方式采用镜像对称法。
例如：以上述带噪信号曲线c中的数据1、2、3、4分别为中心选取长度为9的数据片段时，需补充数据为：-1、-2、-3、-4，则以数据1为中心选取的数据片段为：-1、-2、-3、-4、1、2、3、4、5，类似的，可以得到以数据2、3、4分别为中心选取的数据片段，为了描述的简洁，在此不再赘述。
13、将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，直至损失函数收敛，得到所述神经网络模型，其中，所述损失函数表征训练过程中所述神经网络模型输出的预测的信号曲线与所述原始不带噪的信号曲线之间的差异。
具体的，将所述训练样本集输入初始神经网络模型进行训练，得到所述训练样本集中每个样本的标准差和偏置值；
根据所述每个样本的标准差和偏置值，得到相应的预测值,由所述训练样本集中所有样本的预测值构成所述预测的信号曲线并输出。
其中，根据所述每个样本的标准差和偏置值，得到相应的预测值的过程为：
根据所述每个样本的标准差得到相应的权重；
根据所述每个样本相应的权重和偏置值，得到相应的预测值。
具体的，在该实施例中，可以通过模拟高斯滤波器来训练神经网络得到相应的神经网络模型，则根据第i个样本的标准差得到相应的高斯滤波器的权重wi，可以通过下式(1)实现：
Figure BDA0002724285060000111
其中，t为第i个样本中数据片段的中心数据对应的时刻，τ为步长，Z为权重归一化系数，σ为标准差。
根据第i个样本相应的高斯滤波器的权重wi和偏置值bi，得到相应的预测值
Figure BDA0002724285060000112
可以通过下式(2)实现：
Figure BDA0002724285060000113
例如：第i个样本中数据片段为：1、2、3、4、5、6、7、8、9，则中心数据为5，若将该数据对应的时刻理解为当前时刻0，则τ的取值范围为(-L/2，L/2)即为(-4，4)，则xi(t-τ)为包含9个元素的向量。
需要说明的是，在该实施例中，损失函数收敛是指训练过程中所述神经网络模型输出的预测的信号曲线与原始不带噪的信号曲线之间的差异小于预设差异指，或者，训练次数达到预定次数，即：输入的带噪信号曲线达到预定数量。
也就是说，在该实施例中，神经网络模型可以用于对所述待降噪的信号曲线进行高斯滤波降噪处理。
103、对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线。
需要说明的是，若在步骤101中获取的待降噪的信号曲线为多条，则针对每一条执行上述步骤即可对多条曲线实现预降噪和平滑处理，得到相应的目标信号曲线。
具体的，在该实施例中，可以利用自适应巴特沃斯Butterworth滤波器对所述预降噪的信号曲线进行平滑处理。
在一个实施例中，103可以包括：
1031、根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率，所述第一目标数据为所述预降噪的信号曲线中的任一数据。
1032、根据所述截止频率构建相应的滤波器。
1033、利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据；
1034、重复执行步骤1031至1033，直至遍历所述预降噪的信号曲线中的所有数据，得到目标信号曲线。
也就是说，对运动数据的曲线中的每一个数据点，根据该点的速度值计算一个cutoff截止频率，根据该cutoff构造滤波器，再以该数据点为中心，结合曲线两边的数据，组成一定长度的数据段，用滤波器对该数据段平滑。其他数据点以此类推，即可完成整个曲线的平滑。在该实施例中构建的滤波器可以为Butterworth滤波器。
在另一个实施例中，所述每个数据对应的降噪参数包括：所述每个数据对应的标准差和偏置值，则102中根据所述每个数据对应的的降噪参数得到预降噪的信号曲线，可以包括：
根据所述每个数据对应的标准差得到相应权重；
根据所述每个数据对应的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线。
在该实施例中，应用训练好的神经网络模型对待降噪的信号曲线进行降噪的具体实现过程与训练神经网络模型的具体过程的类似，为了描述的简洁，在此不再赘述。
为了更好的理解本申请实施例所提供的方法，下面结合图4至图7对本申请实施例的技术方案进行进一步说明。
如图4所示，所述神经网络模型包括：三层一维卷积层和一层全连接层，其中，每个卷积层后采用函数Tanh作为非线性操作函数。第一层卷积层的卷积核为32×32，滑窗尺寸为7；第一层卷积层的卷积核为64×64，滑窗尺寸为5；第一层卷积层的卷积核为128×64，滑窗尺寸为3。输入层接收到的训练样本集为
根据带噪信号曲线c中的每个数据，构建训练样本集{B，3，L}，并将其输入到神经网络模型中进行训练，得到每个样本的标准差std和偏置值bias，用于预测降噪后的数值，std用于计算高斯滤波器的权重(具体计算通过上述式(1)实现)，bias和权重用于计算预测值(具体计算通过上述式(2)实现)，其中，B为训练样本集中样本的数量，{3，L}为样本。训练过程直至神经网络模型输出的预测的信号曲线与原始不带噪的信号曲线之间的差异小于预设差异指，或者，训练次数达到预定次数，即可得到训练好的神经网络模型。
采用叠加了高斯白噪声的带噪信号曲线训练得到的神经网络模型对待降噪信号曲线进行噪声处理的整体效果如图5所示。图5中结合了噪声统计直方图和噪声的边缘概率分布，横轴表示平均绝对误差(Mean Absolute Error，MAE)。曲线1表示神经网络处理后信号与原始信号的MAE的统计直方图，曲线2表示加噪信号与原始无噪信号的MAE的统计直方图，曲线3表示神经网络处理后信号与原始信号的MAE分布，曲线4表示加噪信号与原始无噪信号的MAE的概率分布。曲线下的面积分别为0.82和0.60。从整体上看本申请中训练好的神经网络模型能够降低输入信号的噪声。
而然，由于基于叠加了高斯白噪声的带噪信号曲线训练得到的神经网络模型，对信号曲线中的异常值处理能力不高，因此在高斯白噪声的基础上，又叠加了异常值类型的噪声，示例如图6所示。其中，曲线1表示原始的曲线，曲线2表示叠加了异常值类型的噪声之后的曲线。在该图中，横坐标表示采集信号数据的时间，纵坐标表示信号数据的大小。
在采用叠加了高斯白噪声和异常值类型的噪声的带噪信号曲线，训练得到的神经网络模型对待降噪信号曲线进行噪声处理的整体效果如图7所示。图7中结合了噪声统计直方图和噪声的边缘概率分布，横轴表示平均绝对误差(Mean Absolute Error，MAE)。曲线1表示神经网络处理后信号与原始信号的MAE的统计直方图，曲线2表示加噪信号与原始无噪信号的MAE的统计直方图，曲线3表示神经网络处理后信号与原始信号的MAE分布，曲线4表示加噪信号与原始无噪信号的MAE的概率分布。
显然，图7中信号降噪的效果更优于图5中信号降噪的效果，也就是说，在叠加了高斯白噪声的基础上，又叠加了异常值类型的噪声训练得到的神经网络模型，其降噪能力更好。
上述方法主要应用于Maya软件，该方法对应的产品在该Maya软件中以插件的形式存在，对动画曲线进行滤波处理。该插件的界面形态图可以参见图8。
基本Maya的两种操作方式获取待降噪的曲线，一种是选择曲线段，一种是选择关节。选择曲线段时只过滤选中的曲线段(即：去除该曲线段中的抖动部分)，选择关节时过滤该关节的所有曲线，具体是针对该关节的所有曲线逐一进行滤波处理。
该插件的界面中包含：平滑强度滚动条、撤销操作、重做按钮、计算按钮，以及左下角的反馈窗口。其中，
计算按钮，用于降噪计算。
撤销按钮，用于撤销上一次的计算。
重做按钮，用于重做上一次的撤销内容。
平滑强度滚动条，用于控制平滑的强度，其中，值越大表示越平滑，与原来曲线的差异也会一定程度地增大。用户可以首先体验下最小值和最大值的效果，建立感性的认知。
反馈窗口，用于显示当前操作的结果。
可以通过点击撤销/重做，对所选中的曲线段进行过滤前后的效果进行对比。
另外，为了更加直观地体现本申请中基于Gaussian Filter的降噪器对带降噪曲线进行预降噪后，再使用自适应Butterworth滤波器去平滑处理后的降噪效果。下面结合图9至11，详细描述采用本申请实施例提供的信号降噪方法进行信号降噪时得到的降噪效果。
图9为平滑毛刺较大的曲线效果的对比图。该图中曲线1对应原始数据；曲线2对应仅采用自适应Butterworth滤波器的滤波效果，可以看到平滑效果十分有限；曲线3对应经过神经网络模型的预降噪后，再经过自适应Butterworth滤波器降噪后的效果，可以看出曲线3的降噪效果提升明显。
图10为包含异常值噪声作为输入的效果对比图。该图中曲线1表示原始信号，且原始信号中包含有非常明显的异常值；曲线2对应只叠加高斯白噪声训练得到的神经网络模型的降噪效果，尖刺基本没什么变化；曲线3对应叠加了高斯白噪声和异常值训练后的神经网络模型的降噪效果，异常值基本被抹平。
图11为不采用自适应Butterworth滤波器平滑的效果对比图。该图中曲线1表示原始信号；曲线2表示先用神经网络预降噪后，再用自适应Butterworth滤波器降噪后的效果；曲线3表示不采用自适应Butterworth做后续处理，只使用神经网络滤波器降噪后的效果，可以看出依旧有比较多的小毛刺(y轴的变化区间较小，大部分毛刺在0.2的范围内)。
综上所述，本申请实施例中的信号降噪方法结合神经网络滤波器做预降噪，再用自适应Butterworth滤波器进行后处理，能够更有效地去除信号噪声，同时还能保留信号细节。
需要说明的是，在上述各效果比对图中，横坐标表示采集信号数据的时间，纵坐标表示信号数据的大小。
本申请实施例中的信号降噪方法可以广泛用于游戏动画的降噪工作中，包括但不限于关节旋转数据的平滑、关节平移数据的平滑、marker数据的平滑等。
例如，将本申请的信号降噪方法应用到游戏人物的关节运动数据生成的信号曲线中时，将利用动作捕捉系统得到的游戏人物的关节运动数据输入Maya软件得到相应的信号曲线，例如：如图12(a)所示的示意性游戏人物的关节图中右膝关节的信号曲线包括：X右膝旋转曲线、Y右膝旋转曲线、Z右膝旋转曲线(如图12(b)所示)，再调用对应上述方法的插件，即可实现对所选中信号曲线的降噪处理。
假设从上述某一信号曲线中选择一段作为待降噪的信号曲线后，该待降噪的信号曲线呈现在上述界面的左下角区域，点击计算按钮左下角区域即可呈现降噪后的目标信号曲线，而具体的降噪处理过程如下：
1、将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的标准差和偏置值；
2、根据所述每个数据对应的标准差得到相应权重；
3、根据所述每个数据对应的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线；
4、根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率，所述第一目标数据为所述预降噪的信号曲线中的任一数据；
5、根据所述截止频率构建相应的滤波器；
6、利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据；
7、重复执行步骤4至6，直至遍历所述预降噪的信号曲线中的所有数据，得到如图12(c)所示的目标信号曲线，完成降噪处理过程。
应理解，也可以选择左手腕这个关节的所有信号曲线作为待为待降噪的信号曲线，则该关节对应的所有信号曲线都呈现在上述界面的左下角区域，点击计算按钮左下角区域即可呈现降噪后的目标信号曲线，而具体的降噪处理过程则是针对每条曲线执行上述步骤1-7，为了描述的简洁，在此不再赘述。
需要说明的是，在图12中，横坐标表示采集信号数据的时间，纵坐标表示信号数据的大小。另外，图12仅仅是示意性的示例图，是用以解释说明本申请实施例所保护的技术方案的具体应用场景的，其并不对本申请实施例的范围构成任何影响。
基于相同的发明构思，本申请实施例还提供了一种信号降噪处理装置，该装置的结构示意图如图13所示，信号降噪处理装置200包括：获取模块201、降噪模块202和平滑模块203。
获取模块201，用于获取待降噪的信号曲线，所述信号曲线基于运动数据生成；
降噪模块202，用于将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线，其中，所述神经网络模型用于对所述待降噪的信号曲线进行降噪处理；
平滑模块203，用于对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线。
在一个实施例中，所述每个数据对应的降噪参数包括：所述每个数据对应的标准差和偏置值，则所述降噪模块，具体用于：
根据所述每个数据对应的标准差得到相应权重；
根据所述每个数据对应的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线。
在另一个实施例中，所述平滑模块，具体用于：
根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率，所述第一目标数据为所述预降噪的信号曲线中的任一数据；
根据所述截止频率构建相应的滤波器；
利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据；
重复上述步骤直至遍历所述预降噪的信号曲线中的所有数据，得到目标信号曲线。
在另一个实施例中，装置200还可以包括：叠加子模块、构建子模块和执行子模块(附图中未示出)。
所述叠加子模块，用于对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线；
所述构建子模块，用于根据所述带噪信号曲线中的每个数据，构建训练样本集；
所述执行子模块，用于将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，直至损失函数收敛，得到所述神经网络模型，其中，所述损失函数表征训练过程中所述神经网络模型输出的预测的信号曲线与所述原始不带噪的信号曲线之间的差异。
具体的，在该实施例中，所述叠加子模块，具体用于：
对所述信号曲线叠加高斯白噪声，得到所述带噪信号曲线；或者，
对所述信号曲线叠加高斯白噪声和异常值类型的噪声，得到所述带噪信号曲线。
所述构建子模块，具体用于：
以所述带噪信号曲线中的第二目标数据为中心，从所述带噪信号曲线中选取预设长度的数据片段；根据所述数据片段、所述数据片段的各帧速度、以及对所述数据片段进行归一化后的数据，构建一个样本；重复上述步骤直至遍历所述带噪信号曲线中的所有数据，得到所述训练样本集，其中，所述第二目标数据为所述带噪信号曲线中的任一数据。
所述执行子模块，具体用于：将所述训练样本集输入初始神经网络模型进行训练，得到所述训练样本集中每个样本的标准差和偏置值；
根据所述每个样本的标准差和偏置值，得到相应的预测值,由所述训练样本集中所有样本的预测值构成所述预测的信号曲线并输出。
其中，根据所述每个样本的标准差和偏置值，得到相应的预测值，包括：
根据所述每个样本的标准差得到相应的权重；
根据所述每个样本相应的权重和偏置值，得到相应的预测值。
本申请实施例提供的信号降噪处理装置中未详述的内容，可参照上述实施例中提供的信号降噪处理方法，本申请实施例提供的信号降噪处理装置能够达到的有益效果与上述实施例中提供的信号降噪处理方法相同，在此不再赘述。
应用本申请实施例，至少具有如下有益效果：
通过预训练的神经网络模型对带降噪信号曲线进行降噪处理后，再进行平滑处理，这种方式能够保留非噪声信号的细节，又能够有效地平滑掉噪声，从而解决了信号毛刺比较大的情形下，直接进行平滑处理无法有效滤除毛刺平滑曲线的问题。
基于相同的发明构思，本申请实施例还提供了一种电子设备，该电子设备的结构示意图如图14所示，该电子设备300包括至少一个处理器301、存储器302和总线303，至少一个处理器301均与存储器302电连接；存储器302被配置用于存储有至少一个计算机可执行指令，处理器301被配置用于执行该至少一个计算机可执行指令，从而执行如本申请实施例一中任意一个实施例或任意一种可选实施方式提供的任意一种信号降噪处理方法的步骤。
进一步，处理器301可以是FPGA(Field－Programmable Gate Array，现场可编程门阵列)或者其它具有逻辑处理能力的器件，如MCU(Microcontroller Unit，微控制单元)、CPU(Central Process Unit，中央处理器)。
基于相同的发明构思，本申请实施例还提供一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述方法实施例提供的信号降噪处理方法。
本申请实施例提供的计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(RandomAccess Memory，随即存储器)、EPROM(Erasable Programmable Read-OnlyMemory，可擦写可编程只读存储器)、EEPROM(Electrically Erasable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本申请还提供了一种计算机程序产品，当其在电子设备上运行时，使得电子设备执行上述各个方法实施例的信号降噪处理方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中。
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本申请公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种信号降噪处理方法，其特征在于，包括：
获取待降噪的信号曲线，所述信号曲线基于运动数据生成；
将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线，其中，所述神经网络模型用于对所述待降噪的信号曲线进行降噪处理；
对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线；
其中，所述每个数据对应的降噪参数包括所述每个数据对应的标准差和偏置值，所述根据所述每个数据对应的降噪参数得到预降噪的信号曲线，包括：
根据所述每个数据对应的标准差得到相应的高斯滤波器的权重；
根据所述每个数据对应的高斯滤波器的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线。
2.根据权利要求1所述的方法，其特征在于，所述对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线，包括：
对所述预降噪的信号曲线中的数据执行平滑处理操作，直至遍历所述预降噪的信号曲线中的所有数据，得到目标信号曲线，其中，所述平滑处理操作包括：
根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率，所述第一目标数据为所述预降噪的信号曲线中的任一数据；根据所述截止频率构建相应的滤波器；利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据。
3.根据权利要求1所述的方法，其特征在于，训练所述神经网络模型的过程，包括：
对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线；
根据所述带噪信号曲线中的每个数据，构建训练样本集；
将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，直至损失函数收敛，得到所述神经网络模型，其中，所述损失函数表征训练过程中所述神经网络模型输出的预测的信号曲线与所述原始不带噪的信号曲线之间的差异。
4.根据权利要求3的方法，其特征在于，所述对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线，包括：
对所述原始不带噪的信号曲线叠加高斯白噪声，得到所述带噪信号曲线；或者，
对所述原始不带噪的信号曲线叠加高斯白噪声和异常值类型的噪声，得到所述带噪信号曲线。
5.根据权利要求3的方法，其特征在于，所述根据所述带噪信号曲线中的每个数据，构建训练样本集，包括：
对所述带噪信号曲线中的数据执行第一操作，直至遍历所述带噪信号曲线中的所有数据，得到训练样本集，其中，所述第一操作包括：
以所述带噪信号曲线中的第二目标数据为中心，从所述带噪信号曲线中选取预设长度的数据片段，其中，所述第二目标数据为所述带噪信号曲线中的任一数据；根据所述数据片段、所述数据片段的各帧速度、以及对所述数据片段进行归一化后的数据，构建一个样本。
6.根据权利要求3至5中任一项所述的方法，其特征在于，所述将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，包括：
将所述训练样本集输入初始神经网络模型进行训练，得到所述训练样本集中每个样本的标准差和偏置值；
根据所述每个样本的标准差和偏置值，得到相应的预测值,由所述训练样本集中所有样本的预测值构成所述预测的信号曲线并输出。
7.根据权利要求6的方法，其特征在于，所述根据所述每个样本的标准差和偏置值，得到相应的预测值，包括：
根据所述每个样本的标准差得到相应的高斯滤波器的权重；
根据所述每个样本相应的高斯滤波器的权重和偏置值，得到相应的预测值。
8.一种信号降噪处理装置，其特征在于，
获取模块，用于获取待降噪的信号曲线，所述信号曲线基于运动数据生成；
降噪模块，用于将所述待降噪的信号曲线输入预训练的神经网络模型，得到所述待降噪的信号曲线中每个数据对应的降噪参数，并根据所述每个数据对应的降噪参数得到预降噪的信号曲线，其中，所述神经网络模型用于对所述待降噪的信号曲线进行降噪处理；
平滑模块，用于对所述预降噪的信号曲线进行平滑处理，得到目标信号曲线；
其中，所述每个数据对应的降噪参数包括所述每个数据对应的标准差和偏置值，所述降噪模块具体用于：
根据所述每个数据对应的标准差得到相应的高斯滤波器的权重；根据所述每个数据对应的高斯滤波器的权重和偏置值，得到相应的预测值,由所述待降噪的信号曲线中所有数据的预测值构成所述预降噪的信号曲线。
9.根据权利要求8所述的装置，其特征在于，所述平滑模块具体用于：
对所述预降噪的信号曲线中的数据执行平滑处理操作，直至遍历所述预降噪的信号曲线中的所有数据，得到目标信号曲线，其中，所述平滑处理操作包括：
根据所述预降噪的信号曲线中的第一目标数据的速度值，确定相应的截止频率；根据所述截止频率构建相应的滤波器；利用滤波器对目标数据段进行平滑处理，所述目标数据段为以所述第一目标数据为中心选取的一段数据，所述第一目标数据为所述预降噪的信号曲线中的任一数据。
10.根据权利要求8所述的装置，其特征在于，还包括：
叠加子模块，用于对获取的原始不带噪的信号曲线叠加噪声，得到带噪信号曲线；
构建子模块，用于根据所述带噪信号曲线中的每个数据，构建训练样本集；
执行子模块，用于将所述训练样本集输入初始神经网络模型进行训练，输出预测的信号曲线，直至损失函数收敛，得到所述神经网络模型，其中，所述损失函数表征训练过程中所述神经网络模型输出的预测的信号曲线与所述原始不带噪的信号曲线之间的差异。
11.根据权利要求10所述的装置，其特征在于，所述叠加子模块，具体用于：
对所述原始不带噪的信号曲线叠加高斯白噪声，得到所述带噪信号曲线；或者，
对所述原始不带噪的信号曲线叠加高斯白噪声和异常值类型的噪声，得到所述带噪信号曲线。
12.一种电子设备，包括：
处理器；以及
存储器，用于存储计算机程序指令；
其中，当所述计算机程序指令由所述处理器加载并运行时，所述处理器执行如权利要求1到7任一项所述的信号降噪处理方法。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，其中，所述计算机程序指令被处理器加载并运行时，所述处理器执行如权利要求1到7任一项所述的信号降噪处理方法。
CN202011097709.XA 2020-10-14 2020-10-14 信号降噪处理方法、装置、设备及存储介质 Active CN112053421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011097709.XA CN112053421B (zh) 2020-10-14 2020-10-14 信号降噪处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011097709.XA CN112053421B (zh) 2020-10-14 2020-10-14 信号降噪处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112053421A CN112053421A (zh) 2020-12-08
CN112053421B true CN112053421B (zh) 2023-06-23

Family

ID=73606182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011097709.XA Active CN112053421B (zh) 2020-10-14 2020-10-14 信号降噪处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112053421B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5812970A (en) * 1995-06-30 1998-09-22 Sony Corporation Method based on pitch-strength for reducing noise in predetermined subbands of a speech signal
CN107292847A (zh) * 2017-06-28 2017-10-24 上海联影医疗科技有限公司 一种数据降噪方法及系统
CN107689227A (zh) * 2017-08-23 2018-02-13 上海爱优威软件开发有限公司 一种基于数据融合的语音降噪方法及系统
CN109119093A (zh) * 2018-10-30 2019-01-01 Oppo广东移动通信有限公司 语音降噪方法、装置、存储介质及移动终端
WO2019079713A1 (en) * 2017-10-19 2019-04-25 Bose Corporation NOISE REDUCTION USING AUTOMATIC LEARNING
CN109858408A (zh) * 2019-01-17 2019-06-07 西安交通大学 一种基于自编码器的超声信号处理方法
CN110135320A (zh) * 2019-05-09 2019-08-16 安徽大学 基于bp神经网络与方差补偿的光谱降噪方法及装置
CN110322891A (zh) * 2019-07-03 2019-10-11 南方科技大学 一种语音信号的处理方法、装置、终端及存储介质
CN110456332A (zh) * 2019-08-12 2019-11-15 哈尔滨工程大学 一种基于自动编码器的水声信号增强方法
CN110472395A (zh) * 2019-08-05 2019-11-19 武汉联影医疗科技有限公司 脑波数据处理方法、装置、设备、介质及脑波数据处理器
CN110970057A (zh) * 2018-09-29 2020-04-07 华为技术有限公司 一种声音处理方法、装置与设备
CN110974217A (zh) * 2020-01-03 2020-04-10 苏州大学 基于卷积自编码器的双阶段心电信号降噪方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统
CN111127344A (zh) * 2019-12-06 2020-05-08 昆明理工大学 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法
CN111568384A (zh) * 2020-05-29 2020-08-25 上海联影医疗科技有限公司 医学扫描中的语音降噪方法、装置和计算机设备
CN111722713A (zh) * 2020-06-12 2020-09-29 天津大学 多模态融合的手势键盘输入方法、设备、系统及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9372976B2 (en) * 2013-03-20 2016-06-21 Dror Bukai Automatic learning multi-modal fraud prevention (LMFP) system
US10861478B2 (en) * 2016-05-30 2020-12-08 Oticon A/S Audio processing device and a method for estimating a signal-to-noise-ratio of a sound signal
US10977843B2 (en) * 2017-06-28 2021-04-13 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for determining parameters for medical image processing
JP7282487B2 (ja) * 2018-06-07 2023-05-29 キヤノンメディカルシステムズ株式会社 医用画像診断装置
EP3694229A1 (en) * 2019-02-08 2020-08-12 Oticon A/s A hearing device comprising a noise reduction system

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5812970A (en) * 1995-06-30 1998-09-22 Sony Corporation Method based on pitch-strength for reducing noise in predetermined subbands of a speech signal
CN107292847A (zh) * 2017-06-28 2017-10-24 上海联影医疗科技有限公司 一种数据降噪方法及系统
CN107689227A (zh) * 2017-08-23 2018-02-13 上海爱优威软件开发有限公司 一种基于数据融合的语音降噪方法及系统
WO2019079713A1 (en) * 2017-10-19 2019-04-25 Bose Corporation NOISE REDUCTION USING AUTOMATIC LEARNING
CN110970057A (zh) * 2018-09-29 2020-04-07 华为技术有限公司 一种声音处理方法、装置与设备
CN109119093A (zh) * 2018-10-30 2019-01-01 Oppo广东移动通信有限公司 语音降噪方法、装置、存储介质及移动终端
CN109858408A (zh) * 2019-01-17 2019-06-07 西安交通大学 一种基于自编码器的超声信号处理方法
CN110135320A (zh) * 2019-05-09 2019-08-16 安徽大学 基于bp神经网络与方差补偿的光谱降噪方法及装置
CN110322891A (zh) * 2019-07-03 2019-10-11 南方科技大学 一种语音信号的处理方法、装置、终端及存储介质
CN110472395A (zh) * 2019-08-05 2019-11-19 武汉联影医疗科技有限公司 脑波数据处理方法、装置、设备、介质及脑波数据处理器
CN110456332A (zh) * 2019-08-12 2019-11-15 哈尔滨工程大学 一种基于自动编码器的水声信号增强方法
CN111127344A (zh) * 2019-12-06 2020-05-08 昆明理工大学 一种基于bp神经网络的自适应双边滤波的超声图像降噪的方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统
CN110974217A (zh) * 2020-01-03 2020-04-10 苏州大学 基于卷积自编码器的双阶段心电信号降噪方法
CN111568384A (zh) * 2020-05-29 2020-08-25 上海联影医疗科技有限公司 医学扫描中的语音降噪方法、装置和计算机设备
CN111722713A (zh) * 2020-06-12 2020-09-29 天津大学 多模态融合的手势键盘输入方法、设备、系统及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于BP神经网络的多传感器系统信号降噪算法;王栋;廖开俊;孙勇;;传感技术学报(第06期);全文 *
结合BM3D和多级非线性加权平均中值滤波的遥感影像混合噪声去噪方法;任超;李现广;邓开元;潘亚龙;朱子林;张志刚;施显健;;测绘通报(第01期);全文 *
量热式生物传感器信号降噪和穿透曲线的研究;王丽影;《仪表技术与传感器》;全文 *
钢铁企业蒸汽管网压力预测;岳有军;李佳佳;赵辉;王红君;;化工自动化及仪表(第05期);全文 *

Also Published As

Publication number Publication date
CN112053421A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
Yu et al. Speckle reducing anisotropic diffusion
US9396523B2 (en) Image restoration cascade
US11741581B2 (en) Training method for image processing model, image processing method, network device, and storage medium
Louchet et al. Total variation as a local filter
US10489892B2 (en) Method for signal processing
CN111192226B (zh) 一种图像融合去噪方法及装置、系统
US9449371B1 (en) True motion based temporal-spatial IIR filter for video
Hosseini et al. Derivative kernels: Numerics and applications
Pham Estimating parameters of optimal average and adaptive wiener filters for image restoration with sequential Gaussian simulation
CN112053421B (zh) 信号降噪处理方法、装置、设备及存储介质
CN110856014B (zh) 动态图像生成方法、装置、电子设备及存储介质
CN111899318B (zh) 数据的处理方法、装置及计算机可读存储介质
Pinetz et al. Shared prior learning of energy-based models for image reconstruction
CN115812206A (zh) 用于高质量图像处理的机器学习
Park et al. Improvement of optical flow estimation by using the hampel filter for low-end embedded systems
Ma et al. Adaptive image denoising method based on diffusion equation and deep learning
Wong et al. Turbo denoising for mobile photographic applications
Elfishawy et al. Adaptive algorithms for change detection in image sequence
KR102486795B1 (ko) 딥러닝 성능향상을 위한 주파수 도메인에서의 데이터 증강 방법 및 장치
KR20220154578A (ko) 이미지 디노이징을 수행하는 이미지 프로세싱 장치
US10922872B2 (en) Noise reduction on G-buffers for Monte Carlo filtering
Jeong et al. Real-time visible-infrared image fusion using multi-guided filter
Yousaf et al. Closed-loop restoration approach to blurry images based on machine learning and feedback optimization
CN111932514A (zh) 一种图像噪声水平估计、抑制方法、装置及电子设备
Subrahmanyam et al. Importance sampling Kalman filter for image estimation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant