CN113476833A - 游戏动作识别方法、装置、电子设备和存储介质 - Google Patents

游戏动作识别方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113476833A
CN113476833A CN202110647002.XA CN202110647002A CN113476833A CN 113476833 A CN113476833 A CN 113476833A CN 202110647002 A CN202110647002 A CN 202110647002A CN 113476833 A CN113476833 A CN 113476833A
Authority
CN
China
Prior art keywords
motion
motion data
action
game
target
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.)
Pending
Application number
CN202110647002.XA
Other languages
English (en)
Inventor
张建明
陈涵
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.)
Shenzhen Tencent Domain Computer Network Co Ltd
Original Assignee
Shenzhen Tencent Domain Computer Network 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 Shenzhen Tencent Domain Computer Network Co Ltd filed Critical Shenzhen Tencent Domain Computer Network Co Ltd
Priority to CN202110647002.XA priority Critical patent/CN113476833A/zh
Publication of CN113476833A publication Critical patent/CN113476833A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/40—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment
    • A63F13/42—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle
    • A63F13/422—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle automatically for the purpose of assisting the player, e.g. automatic braking in a driving game
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/20—Input arrangements for video game devices
    • A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
    • A63F13/211—Input arrangements for video game devices characterised by their sensors, purposes or types using inertial sensors, e.g. accelerometers or gyroscopes
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/20—Input arrangements for video game devices
    • A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
    • A63F13/212—Input arrangements for video game devices characterised by their sensors, purposes or types using sensors worn by the player, e.g. for measuring heart beat or leg activity
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/20—Input arrangements for video game devices
    • A63F13/21—Input arrangements for video game devices characterised by their sensors, purposes or types
    • A63F13/218—Input arrangements for video game devices characterised by their sensors, purposes or types using pressure sensors, e.g. generating a signal proportional to the pressure applied by the player
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/80—Special adaptations for executing a specific game genre or game mode
    • A63F13/812—Ball games, e.g. soccer or baseball
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/10—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals
    • A63F2300/1012—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals involving biosensors worn by the player, e.g. for measuring heart beat, limb activity
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/10—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals
    • A63F2300/105—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals using inertial sensors, e.g. accelerometers, gyroscopes
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/10—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals
    • A63F2300/1056—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by input arrangements for converting player-generated signals into game device control signals involving pressure sensitive buttons
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/60—Methods for processing data by generating or executing the game program
    • A63F2300/6045—Methods for processing data by generating or executing the game program for mapping control signals received from the input arrangement into game commands
    • A63F2300/6054—Methods for processing data by generating or executing the game program for mapping control signals received from the input arrangement into game commands by generating automatically game commands to assist the player, e.g. automatic braking in a driving game
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/80—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game specially adapted for executing a specific type of game
    • A63F2300/8011—Ball

Abstract

本申请公开了一种游戏动作识别方法、装置、电子设备和存储介质；本申请实施例在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。本申请实施例可以提高游戏动作识别的效率以及准确度。

Description

游戏动作识别方法、装置、电子设备和存储介质
技术领域
本申请涉及计算机技术领域，具体涉及一种游戏动作识别方法、装置、电子设备和存储介质。
背景技术
游戏手柄是一种常见的电子游戏输入控制设备。传统的游戏手柄，主要是通过操纵其按键、摇杆等，实现对游戏虚拟角色的控制或者游戏流程的控制。随着微型动作感应传感器(比如加速度传感器、陀螺仪等)的出现，将该类传感器采集到的数据与游戏结合，使游戏与动作之间具有了一定的关联性。比如，乒乓球游戏中，游戏玩家的挥舞动作与游戏中的角色动作会保持一致。
目前的动作感应游戏手柄在采集数据以后，一般通过人工的方式对采集得到的数据进行分析，来判断数据对应的动作类型，这样对动作判别的效率和准确率相对较低。
发明内容
本申请实施例提供一种游戏动作识别方法、装置、电子设备和存储介质，可以提高游戏动作识别的效率以及准确度。
本申请实施例提供一种游戏动作识别方法，包括：
在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；
对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；
根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；
根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
相应的，本申请实施例提供一种游戏动作识别装置，包括：
获取单元，用于在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；
提取单元，用于对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；
预测单元，用于根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；
确定单元，用于根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
可选的，在本申请的一些实施例中，所述运动数据包括至少一个连续时间上的运动子数据；
所述提取单元可以包括提取子单元、时序获取子单元和融合子单元，如下：
所述提取子单元，用于对各个运动子数据进行卷积特征提取，得到各个运动子数据的运动特征；
时序获取子单元，用于基于各个运动子数据的前后时间的运动子数据的运动特征，获取所述各个运动子数据的时序特征；
融合子单元，用于将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息。
可选的，在本申请的一些实施例中，所述提取单元具体可以用于通过动作识别模型，对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
可选的，在本申请的一些实施例中，所述游戏动作识别装置还可以包括训练单元，所述训练单元用于训练动作识别模型；所述训练单元可以包括获取子单元、划分子单元、训练子单元和验证子单元，如下：
所述获取子单元，用于获取训练数据，所述训练数据包括样本运动数据、以及所述样本运动数据对应的动作属于至少一个预设动作类型的期望概率；
划分子单元，用于将所述样本运动数据划分为训练集和验证集；
训练子单元，用于基于所述训练集，对预设动作识别模型进行训练，以使所述训练集中样本运动数据对应的动作属于至少一个预设动作类型的实际概率与其对应的期望概率之间的损失值满足预设条件；
验证子单元，用于利用所述验证集，对预设动作识别模型的训练结果进行验证，以得到动作识别模型。
可选的，在本申请的一些实施例中，所述训练子单元具体可以用于通过预设动作识别模型，对所述训练集中的样本运动数据进行卷积特征提取，得到所述训练集中样本运动数据的特征信息；根据所述特征信息，预测所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率；基于所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率，调整预设动作识别模型的参数。
可选的，在本申请的一些实施例中，所述预测单元可以包括生成子单元、计算子单元和预测子单元，如下：
所述生成子单元，用于根据所述特征信息，在特征空间生成所述特征信息对应的类型特征点；
计算子单元，用于基于所述类型特征点和至少一个预设动作类型对应的特征点之间的距离，计算所述目标动作和所述至少一个预设动作类型之间的相似度；
预测子单元，用于根据所述相似度，预测所述目标动作属于所述至少一个预设动作类型的概率。
可选的，在本申请的一些实施例中，所述游戏动作识别装置还可以包括更新单元，如下：
所述更新单元，用于确定在所述目标游戏中所述目标动作类型对应的动作评价参数；根据所述动作评价参数，对所述目标对象在所述目标游戏中的当前评价参数进行更新；输出更新后评价参数。
本申请实施例提供的一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器加载所述指令，以执行本申请实施例提供的游戏动作识别方法中的步骤。
此外，本申请实施例还提供一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本申请实施例提供的游戏动作识别方法中的步骤。
本申请实施例提供了一种游戏动作识别方法、装置、电子设备和存储介质；可以在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。本申请实施例可以提高游戏动作识别的效率以及准确度。
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1a是本申请实施例提供的游戏动作识别方法的场景示意图；
图1b是本申请实施例提供的游戏动作识别方法的流程图；
图1c是本申请实施例提供的游戏动作识别方法的说明图；
图1d是本申请实施例提供的游戏动作识别方法的说明图；
图1e是本申请实施例提供的游戏动作识别方法的模型结构图；
图1f是本申请实施例提供的游戏动作识别方法的说明图；
图1g是本申请实施例提供的游戏动作识别方法的另一流程图；
图2a是本申请实施例提供的游戏动作识别方法的另一流程图；
图2b是本申请实施例提供的游戏动作识别方法的另一流程图；
图3a是本申请实施例提供的游戏动作识别装置的结构示意图；
图3b是本申请实施例提供的游戏动作识别装置的另一结构示意图；
图3c是本申请实施例提供的游戏动作识别装置的另一结构示意图；
图3d是本申请实施例提供的游戏动作识别装置的另一结构示意图；
图3e是本申请实施例提供的游戏动作识别装置的另一结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
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，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作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。
本申请实施例提供一种游戏动作识别方法、装置、电子设备和存储介质。该游戏动作识别装置具体可以集成在电子设备中，该电子设备可以是终端或服务器等设备。
可以理解的是，本实施例的游戏动作识别方法可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
如图1a所示，以终端和服务器共同执行游戏动作识别方法为例。本申请实施例提供的游戏动作识别系统包括终端10和服务器11等；终端10与服务器11之间通过网络连接，比如，通过有线或无线网络连接等，其中，游戏动作识别装置可以集成在服务器中。
其中，服务器11，可以用于：在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型；向终端10发送识别到的所述部位执行的目标动作类型。其中，服务器11可以是单台服务器，也可以是由多个服务器组成的服务器集群或云服务器。
其中，终端10可以在目标游戏运行的过程中，向服务器实时发送游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据，以便服务器对所述部位执行的目标动作进行识别，终端10还可以接收服务器11发送的动作识别结果——所述部位执行的目标动作类型。其中，终端10可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC，Personal Computer)等。终端10上还可以设置客户端，该客户端可以是应用程序客户端或者浏览器客户端等等。
上述服务器11游戏动作识别的步骤，也可以由终端10执行。
本申请实施例提供的游戏动作识别方法涉及人工智能领域中的机器学习。本申请实施例可以提高游戏动作识别的效率以及准确度。
其中，人工智能(AI,Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。其中，人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等方向。
其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从游戏动作识别装置的角度进行描述，该游戏动作识别装置具体可以集成在电子设备中，该电子设备可以是服务器或终端等设备。
本申请实施例的游戏动作识别方法可以应用的场景很多，比如可以应用于体感类游戏中的动作识别，例如乒乓球模拟体感游戏的动作识别等场景。
如图1b所示，该游戏动作识别方法的具体流程可以如下：
101、在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据。
其中，目标游戏可以有多种，本实施例对此不作限制，比如目标游戏可以是体感类游戏。体感类游戏(Motion Sensing Game)具体可以是用肢体去感受的电子游戏，它突破了以往单纯以游戏手柄按键输入的操作方式，体感游戏是一种通过肢体动作变化来进行操作的新型电子游戏。
其中，游戏控制设备是目标游戏对应的游戏设备的部件，通过游戏控制设备可以实现对游戏虚拟角色的控制或者游戏流程的控制。其中，游戏设备可以是电脑、电视游戏机、娱乐场所所用的大型游戏机、掌上游戏机等，游戏控制设备包括但不限于游戏手柄，本实施例对此不作限制。游戏手柄可以是有线游戏手柄，也可以是无线游戏手柄。
其中，运动数据可以包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据。其中，目标对象具体可以是游戏玩家。比如，运动数据可以包括游戏玩家通过手部上的游戏手柄进行挥动控制目标游戏时，游戏手柄的运动数据。
本实施例中，游戏控制设备可以穿戴或绑定在目标对象的各个部位上，比如游戏控制设备可以绑定在人体的四肢、躯干或头部等位置。游戏控制设备可以包括多种传感器，如三轴加速度传感器、三轴陀螺仪、三轴地磁传感器或气压传感器等。例如，通过手部操控游戏控制设备执行目标动作，可以由重力加速度传感器感知转化为三轴加速度值(x，y，z)，三轴加速度值即为游戏控制设备的运动数据。
102、对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
如图1c所示，展示的是获取到的游戏控制设备的运动数据，具体可以是目标对象通过手部上的游戏控制设备执行正削球对应的运动数据，正削球具体为手部执行的动作类型。其中，在对运动数据进行卷积特征提取之前，可以对运动数据进行预处理，如将运动数据的小数点后位数进行统一、矩阵变换等。
如图1d所示，将运动数据进行可视化，可以清楚地看到：不同的动作对应不同的运动数据。
可选地，本实施例中，所述运动数据包括至少一个连续时间上的运动子数据；
步骤“对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息”，可以包括：
对各个运动子数据进行卷积特征提取，得到各个运动子数据的运动特征；
基于各个运动子数据的前后时间的运动子数据的运动特征，获取所述各个运动子数据的时序特征；
将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息。
其中，具体地，一个动作对应一组动作数据，对于一个完整的动作，其具体为持续一段时长的动作。一些实施例中，可以将一组运动数据按照时间划分为至少一个连续时间上的运动子数据，如该组运动数据为持续10s的动作所产生的数据，则可以以1s为划分单位，将运动数据划分为10个运动子数据，每个运动子数据持续时间为1s。
其中，运动子数据的运动特征可以视为运动子数据自身的特征，而运动子数据的时序特征则是基于其前后时间的运动子数据的运动特征计算得到的。比如对于第5秒的运动子数据的时序特征，它可以根据第4秒的运动子数据的运动特征和第6秒的运动子数据的运动特征来获取。
其中，对各个运动子数据进行卷积特征提取，具体可以是将各个运动子数据与预设卷积核进行矩阵相乘。
其中，步骤“将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息”，可以包括：
将各个运动子数据的运动特征和时序特征进行融合，得到各个运动子数据对应的子特征信息；
将各个运动子数据对应的子特征信息进行融合，得到所述运动数据的特征信息。
其中，步骤“将各个运动子数据对应的子特征信息进行融合”中融合方式有多种，比如可以是将各个运动子数据对应的子特征信息进行加权变换，来得到运动数据的特征信息；还可以将各个运动子数据对应的子特征信息进行拼接，来得到运动数据的特征信息，本实施例对此不作限制。
其中，对于一运动子数据，可以根据其时序特征，对该运动子数据的运动特征进行处理，得到该运动子数据的子特征信息。比如，该处理可以是注意力处理等。
可选地，本实施例中，步骤“对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息”，可以包括：
通过动作识别模型，对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
其中，该动作识别模型可以是神经网络，该神经网络具体可以是卷积神经网络(CNN，Convolutional Neural Networks)、残差网络(ResNet，Residual Network)、密集连接卷积网络(DenseNet，Dense Convolutional Network)、多层感知机(MLP，MultilayerPerceptron)、长短期记忆网络(LSTM，Long Short-Term Memory)以及双向长短期记忆网络(BiLSTM，Bi-directional Long Short-Term Memory)等，本实施例的动作识别模型并不仅限于上述列举的几种类型。
其中，多层感知机也叫人工神经网络(ANN，Artificial Neural Network)，它由一个输入层，一个输出层和一个或多个隐藏层组成。
其中，LSTM是一种时间循环神经网络。LSTM比较适合用于对时序数据提取语义特征。它可以通过三个门结构(输入门，遗忘门，输出门)，选择性地遗忘部分历史数据，加入部分当前输入数据，最终整合到当前状态并产生输出状态。而BiLSTM是由前向长短期记忆网络(LSTM，Long Short-Term Memory)和后向长短期记忆网络组合而成的，通过BiLSTM可以更好地捕捉双向的语义信息。
103、根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率。
其中，可以通过分类器根据特征信息，来预测目标动作属于至少一个预设动作类型的概率。该分类器具体可以是支持向量机(SVM，Support Vector Machine)，也可以是循环神经网络、还可以是全连接深度神经网络(DNN，Deep Neual Networks)等等，本实施例对此不做限制。
可选地，本实施例中，步骤“根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率”，可以包括：
根据所述特征信息，在特征空间生成所述特征信息对应的类型特征点；
基于所述类型特征点和至少一个预设动作类型对应的特征点之间的距离，计算所述目标动作和所述至少一个预设动作类型之间的相似度；
根据所述相似度，预测所述目标动作属于所述至少一个预设动作类型的概率。
其中，特征点具体可以是向量的形式。在一实施例中，可以对特征信息进行卷积运算，在特征空间中生成该特征信息对应的类型特征点。
其中，特征信息可以包括多个维度的特征，比如可以包括目标对象的挥动方向、力度、幅度这些维度的特征。
其中，所述类型特征点和至少一个预设动作类型对应的特征点之间的距离，具体可以指二者之间的向量距离，向量距离可以度量两个特征点之间的相似度，向量距离越大，相似度越小，反之，向量距离越小，相似度越高。该向量距离可以包括余弦距离、欧式距离或者汉明距离等。
其中，步骤“根据所述相似度，预测所述目标动作属于所述至少一个预设动作类型的概率”中，目标动作和预设动作类型之间的相似度越大，则说明所述目标动作属于该预设动作类型的概率越大；反之，目标动作和预设动作类型之间的相似度越小，则说明所述目标动作属于该预设动作类型的概率越低。
需要说明的是，该动作识别模型具体可以由其他设备进行训练后，提供给该游戏动作识别装置，或者，也可以由该游戏动作识别装置自行进行训练。
若由该游戏动作识别装置自行进行训练，则在步骤“通过动作识别模型，对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息”之前，该游戏动作识别方法还可以包括：
获取训练数据，所述训练数据包括样本运动数据、以及所述样本运动数据对应的动作属于至少一个预设动作类型的期望概率；
将所述样本运动数据划分为训练集和验证集；
基于所述训练集，对预设动作识别模型进行训练，以使所述训练集中样本运动数据对应的动作属于至少一个预设动作类型的实际概率与其对应的期望概率之间的损失值满足预设条件；
利用所述验证集，对预设动作识别模型的训练结果进行验证，以得到动作识别模型。
其中，可以将样本运动数据根据一定比例划分为训练集和验证集，该划分比例可以是6:2:2，也可以根据其他比例划分，本实施例对此不作限制。
在一些实施例中，可以使用训练集训练预设动作识别模型，得到多个预训练后的预设动作识别模型，再利用验证集对各个预训练后的预设动作识别模型的训练结果进行验证，并对各预训练后的预设动作识别模型的参数进行调整，根据验证误差，从各预训练后的预设动作识别模型中选出动作识别模型。
其中，该预设条件具体可以是所述训练集中样本运动数据对应的动作属于至少一个预设动作类型的实际概率与其对应的期望概率之间的损失值小于预设损失值，该预设损失值可以根据实际情况进行设置，本实施例对此不作限制。
可选地，本实施例中，步骤“基于所述训练集，对预设动作识别模型进行训练”，可以包括：
通过预设动作识别模型，对所述训练集中的样本运动数据进行卷积特征提取，得到所述训练集中样本运动数据的特征信息；
根据所述特征信息，预测所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率；
基于所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率，调整预设动作识别模型的参数。
其中，对预设动作识别模型的参数的调整可以包括对预设动作识别模型中神经元数量的调整，和各层神经元之间连接权重以及偏置的调整等等。
本实施例中，动作识别模型的训练过程可以是先计算所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率，然后，使用反向传播算法对预设动作识别模型的参数进行调整，基于所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率，优化预设动作识别模型的参数，使得所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率趋近于其对应的期望概率，得到训练后的动作识别模型。
具体地，可以使预测得到的所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率之间的损失值小于预设损失值，该预设损失值可以根据实际情况进行设置。本实施例对此不作限制。比如，可以根据对动作识别模型的要求来进行设置。若对动作识别模型的识别精度要求越高，则该预设损失值越小。
在一具体实施例中，如图1e所示，展示的是动作识别模型以及该模型的训练过程，具体地，该动作识别模型包括可以包括输入层、线性整流层(Rectified Linear Unit，ReLuLayer)、逻辑层(logitlayer)以及输出层等。其中，逻辑层可以使用softmax逻辑回归，softmax用于多分类过程中，它将多个神经元的输出，映射到(0,1)区间内，可以看成概率来理解，从而来进行多分类。
其中，对于动作识别模型的输入——运动数据，可以对其进行矩阵变换，如通过reshape函数进行矩阵变换，reshape函数是将指定的矩阵变换成特定维数矩阵的一种函数，且矩阵中元素个数不变，函数可以重新调整矩阵的行数、列数、维数。然后，将矩阵变换后的运动数据通过线性整流层以及逻辑层进行卷积变换，该卷积变换过程具体可以是与线性整流层中的卷积核w1进行矩阵相乘，再添加偏置项b1进行线性整流，接着将经过线性整流层处理后的运动数据与逻辑层中的卷积核w2进行矩阵相乘，再添加偏置项b2，得到运动数据对应的特征信息，通过分类器，根据该特征信息预测运动数据对应的动作属于预设动作类型的概率。
其中，在动作识别模型的训练过程中，具体可以使用随机梯度下降法(SGD，Stochastic Gradient Descent)进行预设动作识别模型参数的调整，通过样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率之间的交叉熵，来对预设动作识别模型的参数w1、w2、b1、b2进行更新优化。其中，样本运动数据对应的动作属于至少一个预设动作类型的期望概率，也即样本运动数据的分类标签。
具体地，上述对运动数据的分析处理(特征提取)可以通过Tensorflow和Python来实现。其中，TensorFlow是一个基于数据流编程(dataflow programming)的符号数学系统，被广泛应用于各类机器学习(machine learning)算法的编程实现。Python是一种计算机编程语言。
在得到训练后的动作识别模型后，可以将其转化为Unity支持的onnx格式，以便导入到应用产品(也即目标游戏)中。其中，Unity为一种游戏引擎。onnx全称为Open NeuralNetwork Exchange(开放神经网络交换)格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移。onnx是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型；它使得不同的人工智能框架可以采用相同格式存储模型数据并交互。
104、根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
其中，一些实施例中，可以将概率最大的预设动作类型作为所述部位执行的目标动作类型。
在得到游戏控制设备的运动数据对应的目标动作类型后，可以执行该目标动作类型对应的响应事件，该响应事件可以是获取该目标动作类型对应的评分，并对目标对象在目标游戏中的当前得分进行更新等等。
可选地，本实施例中，该游戏动作识别方法还可以包括：
确定在所述目标游戏中所述目标动作类型对应的动作评价参数；
根据所述动作评价参数，对所述目标对象在所述目标游戏中的当前评价参数进行更新；
输出更新后评价参数。
在一具体实施例中，如图1f所示，目标游戏为乒乓球体感游戏，游戏控制设备为乒乓球游戏手柄，可以通过目标对象通过手部对乒乓球游戏手柄执行的目标动作，获取兵乓球游戏手柄的运动数据，通过对运动数据的特征提取，可以分析计算出目标动作的挥动方向、力度、幅度等属性，进而确定运动数据对应的动作类型，获取该动作类型对应的分数(即动作评价参数)，对目标对象的当前分数进行更新。比如，正削球的动作类型对应的分数为2分，上旋球的动作类型对应的分数为3分，若经过对运动数据的分析得到其对应的动作为上旋球，则对目标对象在目标游戏中的当前分数增加3分。
具体地，如图1g所示，一些实施例中，可以通过运动数据收集工具，对不同的动作(如不同手势(正削球以及上旋球等))收集足量的训练数据，所述训练数据包括手势数据(也即样本运动数据)以及手势数据对应的分类标签，再通过运动数据处理工具对样本运动数据进行处理(如可视化等)，然后，对处理后的样本运动数据进行深度学习，得到训练后的动作识别模型；可以在对模型转化为onnx格式后将该动作识别模型导出到产品中进行应用，使用导出的动作识别模型对采集到的运动数据进行分析判断，识别得到该运动数据对应动作的动作类型。
本申请可以通过机器学习的方式对运动数据进行分析生成动作识别模型，后续可通过生成的动作识别模型对动作进行识别。通过机器学习可以避开传统方法中难度最大的通过人工对不同动作提取出差异性较大的特征；本申请还可以支持各种复杂多样的动作，对于后续新增动作也有很好的兼容性，只需要再增加获取新增动作的训练数据，添加到之前的训练数据中，重新进行训练并导出新的模型即可。对于后续的扩展开发的效率有了极大的提升，可以大大缩短开发时间，节省人力物力。
由上可知，本实施例可以在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。本申请实施例可以提高游戏动作识别的效率以及准确度。
根据前面实施例所描述的方法，以下将以该游戏动作识别装置具体集成在服务器举例作进一步详细说明。
本申请实施例提供一种游戏动作识别方法，如图2a所示，该游戏动作识别方法的具体流程可以如下：
201、服务器在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据。
其中，游戏控制设备是目标游戏对应的游戏设备的部件，通过游戏控制设备可以实现对游戏虚拟角色的控制或者游戏流程的控制。其中，游戏设备可以是电脑、电视游戏机、娱乐场所所用的大型游戏机、掌上游戏机等，游戏控制设备包括但不限于游戏手柄。
本实施例中，游戏控制设备可以穿戴或绑定在目标对象的各个部位上，比如游戏控制设备可以绑定在人体的四肢、躯干或头部等位置。游戏控制设备可以包括多种传感器，如三轴加速度传感器、三轴陀螺仪、三轴地磁传感器或气压传感器等。例如，通过手部操控游戏控制设备执行目标动作，可以由重力加速度传感器感知转化为三轴加速度值(x，y，z)，三轴加速度值即为游戏控制设备的运动数据。
202、服务器对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
可选地，本实施例中，所述运动数据包括至少一个连续时间上的运动子数据；
步骤“对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息”，可以包括：
对各个运动子数据进行卷积特征提取，得到各个运动子数据的运动特征；
基于各个运动子数据的前后时间的运动子数据的运动特征，获取所述各个运动子数据的时序特征；
将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息。
其中，对各个运动子数据进行卷积特征提取，具体可以是将各个运动子数据与预设卷积核进行矩阵相乘。
其中，步骤“将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息”，可以包括：
将各个运动子数据的运动特征和时序特征进行融合，得到各个运动子数据对应的子特征信息；
将各个运动子数据对应的子特征信息进行融合，得到所述运动数据的特征信息。
203、服务器根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率。
其中，可以通过分类器根据特征信息，来预测目标动作属于至少一个预设动作类型的概率。该分类器具体可以是支持向量机(SVM，Support Vector Machine)，也可以是循环神经网络、还可以是全连接深度神经网络(DNN，Deep Neual Networks)等等，本实施例对此不做限制。
可选地，本实施例中，步骤“根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率”，可以包括：
根据所述特征信息，在特征空间生成所述特征信息对应的类型特征点；
基于所述类型特征点和至少一个预设动作类型对应的特征点之间的距离，计算所述目标动作和所述至少一个预设动作类型之间的相似度；
根据所述相似度，预测所述目标动作属于所述至少一个预设动作类型的概率。
204、服务器根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
其中，一些实施例中，可以将概率最大的预设动作类型作为所述部位执行的目标动作类型。
205、服务器确定在所述目标游戏中所述目标动作类型对应的动作评价参数。
在得到游戏控制设备的运动数据对应的目标动作类型后，可以执行该目标动作类型对应的响应事件，该响应事件可以是获取该目标动作类型对应的评分，并对目标对象在目标游戏中的当前得分进行更新等等。
206、服务器根据所述动作评价参数，对所述目标对象在所述目标游戏中的当前评价参数进行更新。
207、服务器输出更新后评价参数。
在一具体场景中，如图2b所示，目标游戏为体感类游戏，游戏玩家可以通过手部对游戏手柄执行目标动作来控制游戏，通过游戏手柄可以获取目标对象的手势输入，也即获取到游戏手柄的运动数据，通过训练后的动作识别模型对运动数据进行动作识别，得到目标动作对应的目标动作类型；再基于目标动作类型进行相应的游戏反馈，如获取目标动作类型对应的得分，对游戏玩家在目标游戏中的当前得分进行更新等。
本实施例可以在大量不同动作的识别或需要识别复杂动作等各种情况下，精确地识别出对应动作，并且识别正确率基本可以达到97％以上。对比传统方法，极度地提升了人力的投入产出比。
由上可知，本实施例可以通过服务器在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型；确定在所述目标游戏中所述目标动作类型对应的动作评价参数；根据所述动作评价参数，对所述目标对象在所述目标游戏中的当前评价参数进行更新；输出更新后评价参数。本申请实施例可以提高游戏动作识别的效率以及准确度。
为了更好地实施以上方法，本申请实施例还提供一种游戏动作识别装置，如图3a所示，该游戏动作识别装置可以包括获取单元301、提取单元302、预测单元303和确定单元304，如下：
(1)获取单元301；
获取单元301，用于在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据。
(2)提取单元302；
提取单元302，用于对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
可选的，在本申请的一些实施例中，所述运动数据包括至少一个连续时间上的运动子数据；
所述提取单元302可以包括提取子单元3021、时序获取子单元3022和融合子单元3023，参见图3b，如下：
所述提取子单元3021，用于对各个运动子数据进行卷积特征提取，得到各个运动子数据的运动特征；
时序获取子单元3022，用于基于各个运动子数据的前后时间的运动子数据的运动特征，获取所述各个运动子数据的时序特征；
融合子单元3023，用于将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息。
可选的，在本申请的一些实施例中，所述提取单元302具体可以用于通过动作识别模型，对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
(3)预测单元303；
预测单元303，用于根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率。
可选的，在本申请的一些实施例中，所述预测单元303可以包括生成子单元3031、计算子单元3032和预测子单元3033，参见图3c，如下：
所述生成子单元3031，用于根据所述特征信息，在特征空间生成所述特征信息对应的类型特征点；
计算子单元3032，用于基于所述类型特征点和至少一个预设动作类型对应的特征点之间的距离，计算所述目标动作和所述至少一个预设动作类型之间的相似度；
预测子单元3033，用于根据所述相似度，预测所述目标动作属于所述至少一个预设动作类型的概率。
(4)确定单元304；
确定单元304，用于根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
可选的，在本申请的一些实施例中，所述游戏动作识别装置还可以包括训练单元305，所述训练单元305用于训练动作识别模型；所述训练单元305可以包括获取子单元3051、划分子单元3052、训练子单元3053和验证子单元3054，参见图3d，如下：
所述获取子单元3051，用于获取训练数据，所述训练数据包括样本运动数据、以及所述样本运动数据对应的动作属于至少一个预设动作类型的期望概率；
划分子单元3052，用于将所述样本运动数据划分为训练集和验证集；
训练子单元3053，用于基于所述训练集，对预设动作识别模型进行训练，以使所述训练集中样本运动数据对应的动作属于至少一个预设动作类型的实际概率与其对应的期望概率之间的损失值满足预设条件；
验证子单元3054，用于利用所述验证集，对预设动作识别模型的训练结果进行验证，以得到动作识别模型。
可选的，在本申请的一些实施例中，所述训练子单元3053具体可以用于通过预设动作识别模型，对所述训练集中的样本运动数据进行卷积特征提取，得到所述训练集中样本运动数据的特征信息；根据所述特征信息，预测所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率；基于所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率，调整预设动作识别模型的参数。
可选的，在本申请的一些实施例中，所述游戏动作识别装置还可以包括更新单元306，参见图3e，如下：
所述更新单元306，用于确定在所述目标游戏中所述目标动作类型对应的动作评价参数；根据所述动作评价参数，对所述目标对象在所述目标游戏中的当前评价参数进行更新；输出更新后评价参数。
由上可知，本实施例可以在目标游戏运行的过程中，通过获取单元301实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；由提取单元302对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；通过预测单元303根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；由确定单元304根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。本申请实施例可以提高游戏动作识别的效率以及准确度。
本申请实施例还提供一种电子设备，如图4所示，其示出了本申请实施例所涉及的电子设备的结构示意图，该电子设备可以是终端或者服务器等，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，该电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本实施例可以在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。本申请实施例可以提高游戏动作识别的效率以及准确度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种游戏动作识别方法中的步骤。例如，该指令可以执行如下步骤：
在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种游戏动作识别方法中的步骤，因此，可以实现本申请实施例所提供的任一种游戏动作识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述游戏动作识别方面的各种可选实现方式中提供的方法。
以上对本申请实施例所提供的一种游戏动作识别方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种游戏动作识别方法，其特征在于，包括：
在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；
对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；
根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；
根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
2.根据权利要求1所述的方法，其特征在于，所述运动数据包括至少一个连续时间上的运动子数据；
所述对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息，包括：
对各个运动子数据进行卷积特征提取，得到各个运动子数据的运动特征；
基于各个运动子数据的前后时间的运动子数据的运动特征，获取所述各个运动子数据的时序特征；
将各个运动子数据的运动特征和时序特征进行融合，得到所述运动数据的特征信息。
3.根据权利要求1所述的方法，其特征在于，所述对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息，包括：
通过动作识别模型，对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息。
4.根据权利要求3所述的方法，其特征在于，所述通过动作识别模型，对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息之前，还包括：
获取训练数据，所述训练数据包括样本运动数据、以及所述样本运动数据对应的动作属于至少一个预设动作类型的期望概率；
将所述样本运动数据划分为训练集和验证集；
基于所述训练集，对预设动作识别模型进行训练，以使所述训练集中样本运动数据对应的动作属于至少一个预设动作类型的实际概率与其对应的期望概率之间的损失值满足预设条件；
利用所述验证集，对预设动作识别模型的训练结果进行验证，以得到动作识别模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述训练集，对预设动作识别模型进行训练，包括：
通过预设动作识别模型，对所述训练集中的样本运动数据进行卷积特征提取，得到所述训练集中样本运动数据的特征信息；
根据所述特征信息，预测所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率；
基于所述样本运动数据对应的动作属于至少一个预设动作类型的实际概率和其对应的期望概率，调整预设动作识别模型的参数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率，包括：
根据所述特征信息，在特征空间生成所述特征信息对应的类型特征点；
基于所述类型特征点和至少一个预设动作类型对应的特征点之间的距离，计算所述目标动作和所述至少一个预设动作类型之间的相似度；
根据所述相似度，预测所述目标动作属于所述至少一个预设动作类型的概率。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定在所述目标游戏中所述目标动作类型对应的动作评价参数；
根据所述动作评价参数，对所述目标对象在所述目标游戏中的当前评价参数进行更新；
输出更新后评价参数。
8.一种游戏动作识别装置，其特征在于，包括：
获取单元，用于在目标游戏运行的过程中，实时获取游戏控制设备的运动数据，所述运动数据包括目标对象通过部位对所述游戏控制设备执行目标动作控制所述目标游戏时所述游戏控制设备的运动数据；
提取单元，用于对所述运动数据进行卷积特征提取，得到所述运动数据的特征信息；
预测单元，用于根据所述特征信息，预测所述目标动作属于至少一个预设动作类型的概率；
确定单元，用于根据概率从所述至少一个预设动作类型中确定所述部位执行的目标动作类型。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至7任一项所述的游戏动作识别方法中的操作。
10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的游戏动作识别方法中的步骤。
CN202110647002.XA 2021-06-10 2021-06-10 游戏动作识别方法、装置、电子设备和存储介质 Pending CN113476833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110647002.XA CN113476833A (zh) 2021-06-10 2021-06-10 游戏动作识别方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110647002.XA CN113476833A (zh) 2021-06-10 2021-06-10 游戏动作识别方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN113476833A true CN113476833A (zh) 2021-10-08

Family

ID=77935319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110647002.XA Pending CN113476833A (zh) 2021-06-10 2021-06-10 游戏动作识别方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113476833A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113952731A (zh) * 2021-12-21 2022-01-21 广州优刻谷科技有限公司 一种多阶段联合训练的体感游戏动作识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101607138A (zh) * 2008-06-17 2009-12-23 盛乐信息技术（上海）有限公司 基于有限自动机模型的动作识别方法
CN101966392A (zh) * 2009-07-27 2011-02-09 鼎亿数码科技(上海)有限公司 基于动感游戏手柄的球类游戏通用解决方法
US20150182855A1 (en) * 2013-12-27 2015-07-02 Ballcraft, Llc Motion detection for existing portable devices
CN109464803A (zh) * 2018-11-05 2019-03-15 腾讯科技（深圳）有限公司 虚拟对象控制、模型训练方法、装置、存储介质和设备
CN111318009A (zh) * 2020-01-19 2020-06-23 张衡 基于可穿戴惯性感知的体感健康娱乐系统及其工作方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101607138A (zh) * 2008-06-17 2009-12-23 盛乐信息技术（上海）有限公司 基于有限自动机模型的动作识别方法
CN101966392A (zh) * 2009-07-27 2011-02-09 鼎亿数码科技(上海)有限公司 基于动感游戏手柄的球类游戏通用解决方法
US20150182855A1 (en) * 2013-12-27 2015-07-02 Ballcraft, Llc Motion detection for existing portable devices
CN109464803A (zh) * 2018-11-05 2019-03-15 腾讯科技（深圳）有限公司 虚拟对象控制、模型训练方法、装置、存储介质和设备
CN111318009A (zh) * 2020-01-19 2020-06-23 张衡 基于可穿戴惯性感知的体感健康娱乐系统及其工作方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113952731A (zh) * 2021-12-21 2022-01-21 广州优刻谷科技有限公司 一种多阶段联合训练的体感游戏动作识别方法及系统
CN113952731B (zh) * 2021-12-21 2022-03-22 广州优刻谷科技有限公司 一种多阶段联合训练的体感游戏动作识别方法及系统

Similar Documents

Publication Publication Date Title
US9690982B2 (en) Identifying gestures or movements using a feature matrix that was compressed/collapsed using principal joint variable analysis and thresholds
JP7399277B2 (ja) 情報処理方法、装置、コンピュータプログラム及び電子装置
CN105229677A (zh) 用于机器学习的资源分配
CN111666919B (zh) 一种对象识别方法、装置、计算机设备和存储介质
WO2020088491A1 (zh) 一种运动行为模式分类方法、系统以及装置
JP2011170856A (ja) 複数の検出ストリームを用いたモーション認識用システム及び方法
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
Ghosh et al. Sad-gan: Synthetic autonomous driving using generative adversarial networks
CN110135497A (zh) 模型训练的方法、面部动作单元强度估计的方法及装置
CN109847366A (zh) 用于游戏的数据处理方法和装置
CN111282272B (zh) 信息处理方法、计算机可读介质及电子设备
CN113476833A (zh) 游戏动作识别方法、装置、电子设备和存储介质
CN111046655A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN108845833A (zh) 智能关机方法、装置及计算机可读存储介质
JP2011170857A (ja) 最小のディレイでモーション認識を行うシステム及び方法
CN114768246B (zh) 一种游戏人机互动方法及其系统
CN112274924A (zh) 在应用门户中管理用户体验的系统和计算机实现的方法
CN116630736A (zh) 一种用户表情捕捉模型的训练方法及系统
CN115797517A (zh) 虚拟模型的数据处理方法、装置、设备和介质
CN112973130B (zh) 虚拟场景的回放模型构建方法、装置、设备及存储介质
CN113762324A (zh) 虚拟对象检测方法、装置、设备及计算机可读存储介质
CN107944056B (zh) 多媒体文件的识别方法、装置、终端及存储介质
CN113392686A (zh) 视频分析方法、装置及存储介质
CN112933605B (zh) 虚拟对象控制、模型训练方法、装置和计算机设备
CN111589158B (zh) Ai模型训练方法、ai模型调用方法、设备及可读存储介质

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