CN115083017A

CN115083017A - 一种动作展示方法、装置及电子设备

Info

Publication number: CN115083017A
Application number: CN202210713089.0A
Authority: CN
Inventors: 牛超; 岳浩
Original assignee: Migu Cultural Technology Co Ltd; China Mobile Communications Group Co Ltd; MIGU Interactive Entertainment Co Ltd
Current assignee: Migu Cultural Technology Co Ltd; China Mobile Communications Group Co Ltd; MIGU Interactive Entertainment Co Ltd
Priority date: 2022-06-22
Filing date: 2022-06-22
Publication date: 2022-09-20

Abstract

本申请提供一种动作展示方法、装置及电子设备，所述方法包括：获取目标人物的运动参数信息；基于所述运动参数信息，对所述目标人物的运动轨迹进行预测，得到预测运动轨迹；基于所述预测运动轨迹与预先获取的目标运动轨迹，获取所述目标人物在目标时间的预测动作，以及与所述预测动作对应的目标动作；展示所述预测动作和所述目标动作。本申请可以提升观看体验。

Description

一种动作展示方法、装置及电子设备

技术领域

本申请涉及视频技术领域，尤其涉及一种动作展示方法、装置及电子设备。

背景技术

在滑雪项目的比赛直播中，通常将选手的实时比赛情况向观众进行直播展示，并通过视频回放的方式还原选手在空中的技巧动作的完成情况以及讲解员的比赛结果点评获取选手的比赛情况，观看体验较差。

发明内容

本申请提供一种动作展示方法、装置及电子设备，以解决观看体验较差的问题。

第一方面，本申请实施例提供了一种动作展示方法，包括：

获取目标人物的运动参数信息；

基于所述运动参数信息，对所述目标人物的运动轨迹进行预测，得到预测运动轨迹；

基于所述预测运动轨迹与预先获取的目标运动轨迹，获取所述目标人物在目标时间的预测动作，以及与所述预测动作对应的目标动作；

展示所述预测动作和所述目标动作。

第二方面，本申请实施例还提供一种动作展示装置，包括：

第一获取模块，用于获取目标人物的运动参数信息；

预测模块，用于基于所述运动参数信息，对所述目标人物的运动轨迹进行预测，得到预测运动轨迹；

第二获取模块，用于基于所述预测运动轨迹与预先获取的目标运动轨迹，获取所述目标人物在目标时间的预测动作，以及与所述预测动作对应的目标动作；

第一展示模块，用于展示所述预测动作和所述目标动作。

第三方面，本申请实施例还提供一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如本申请实施例第一方面所述方法中的步骤。

第四方面，本申请实施例还提供一种可读存储介质，所述可读存储介质上存储程序，所述程序被处理器执行时实现如本申请实施例第一方面所述方法中的步骤。

本申请实施例中，获取目标人物的运动参数信息；基于所述运动参数信息，对所述目标人物的运动轨迹进行预测，得到预测运动轨迹；基于所述预测运动轨迹与预先获取的目标运动轨迹，获取所述目标人物在目标时间的预测动作，以及与所述预测动作对应的目标动作；展示所述预测动作和所述目标动作。即在所述目标人物的运动过程中，可以通过展示所述目标人物在目标时间的预测动作以及与所述预测动作对应的目标动作，观众可通过所述预测动作与所述目标动作的对比，得知所述目标人物的动作完成情况，提升观看体验。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种动作展示方法的流程示意图；

图2是本申请实施例提供的预测轨迹曲线中多个点的示意图；

图3是本申请实施例提供的预测动作展示的示意图；

图4是本申请实施例提供的一种动作展示装置的结构示意图；

图5是本申请实施例提供的一种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，本领域普通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。

本申请实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B和/或C，表示包含单独A，单独B，单独C，以及A和B都存在，B和C都存在，A和C都存在，以及A、B和C都存在的7种情况。

请参阅图1，图1是本申请实施例提供的一种动作展示方法的流程示意图，如图1所示，包括以下步骤：

步骤101、获取目标人物的运动参数信息。

其中，上述目标人物可以是在比赛项目中的任一选手，或运动项目训练过程中的任一运动员，例如，在滑雪比赛中正在参加比赛的选手，在训练滑雪项目过程中的运动员等。

其中，上述运动参数信息可包括影响上述目标人物运动轨迹的参数，例如，在滑雪项目中，滑雪场的风力、风向以及选手的速度、选手的受力面积等都对其运动轨迹有影响。

可选地，所述运动参数信息包括如下至少一项：

风力；

风向；

所述目标人物离开第一位置时的速度和方向；

所述目标人物的受力面积。

在滑雪项目中，例如，大跳台、U型场地、障碍技巧赛等项目中，选手的运动轨迹可基于上述运动参数信息进行预测。

步骤102、基于运动参数信息，对目标人物的运动轨迹进行预测，得到预测运动轨迹。

需要说明的是，上述运动轨迹会受到上述运动参数信息的影响，例如，同一比赛选手顺风的速度会大于逆风的速度，以及风向与选手之间的角度也会改变风力对选手的影响程度等。

具体的，上述运动参数信息与运动轨迹之间的关系可通过曲线拟合的方式确定，例如，可通过大量历史数据对选手的运动参数信息与运动轨迹进行曲线拟合，确定上述运动参数信息与上述预测运动轨迹之间的函数关系，并使用该函数关系对上述目标人物的运动轨迹进行预测；或者，也可通过神经网络模型的方式，在训练过程中，将历史运动参数信息作为神经网络模型的输入，对应的历史运动轨迹作为神经网络模型的输出，通过大量历史数据对上述神经网络模型进行迭代更新，将更新后的神经网络模型用于上述目标人物的运动轨迹预测。

步骤103、基于预测运动轨迹与预先获取的目标运动轨迹，获取目标人物在目标时间的预测动作，以及与预测动作对应的目标动作。

其中，上述预测动作可以是预测可能存在失误的动作，也可以是可能规范完成的动作(即动作精彩瞬间)，或者还可以是在预先设定一段时间后的预测动作。

具体的，上述目标时间可以是预先确定的时间或时间间隔，这样，展示的上述预测动作即为设定时间或当前时间之后的一段时间的预测动作；上述目标时间也可以基于上述预测运动轨迹确定和上述目标运动轨迹确定，也即首先通过上述预测运动轨迹确定和上述目标运动轨迹，获取上述目标人物可能出现失误动作的目标时间，或可能规范完成相应动作的目标时间，进而根据上述预测运动轨迹获取上述目标时间的预测动作，以及根据上述目标运动轨迹获取上述目标时间的目标动作。

步骤104、展示预测动作和目标动作。

其中，上述预测动作和上述目标动作的展示可以通过多种方式，例如，在对上述目标人物的运动过程进行视频直播的过程中，可以直播上述目标人物的实际运动过程的同时，通过小窗口的方式展示上述预测动作和上述目标动作，从而，可以对上述目标人物在上述目标时间的动作进行预测，并告知观众与上述预测动作对应的上述目标动作，从而上述目标人物接下来的运动轨迹和动作可以提前预测并告知观众。

另外，本申请实施例提供的动作预测展示方法，通过展示预测动作和目标动作，在选手训练过程中，可以帮助其进行动作规范化，有助于提升选手的训练效果。

可选地，所述运动参数信息包括所述目标人物在滑雪场景下的运动参数信息。

在滑雪场景中，可通过获取目标人物在某一位置上的运动参数信息，对其在接下来一段时间的轨迹进行预测。例如，在滑雪大跳台项目中，可通过获取目标任务在离开上半坡的运动参数信息，预测其离开上半坡后的滑雪轨迹。

需要说明的是，上述滑雪场景可以是比赛直播的情况下，也可以是滑雪选手训练的情况下。

在直播滑雪比赛的过程中，可以通过获取选手的运动参数信息，对该选手的运动轨迹进行实时预测，并与对应的目标运动轨迹对比，从而预测选手的满分动作瞬间或失误动作瞬间，并展示该瞬间预测的选手动作以及目标动作，这样，观众可以通过展示的预测动作和目标动作，提前了解在滑雪过程中的规范动作，可以判断选手在该瞬间实际展示的动作的规范性，增加观众观看滑雪比赛的体验。

在滑雪训练的过程中，与上述滑雪直播比赛预测的过程类似，同时可以通过预测的运动轨迹、对应的目标运动轨迹以及选手实际完成的轨迹，对选手的训练过程进行指导，可以帮助其进行动作规范化，有助于提升选手的训练效果。

可选地，步骤102中基于运动参数信息，对目标人物的运动轨迹进行预测，得到预测运动轨迹，包括：

将运动参数信息输入运动轨迹预测模型，得到目标人物的预测运动轨迹；

其中，运动轨迹预测模型使用历史运动参数信息和历史运动轨迹训练得到。

其中，上述运动轨迹预测模型可通过曲线拟合的方式确定，或使用神经网络模型，例如，对于曲线拟合的方式，可首先选定一个和多个曲线模型，并通过多个历史数据拟合的方式，确定选定的曲线模型和曲线模型参数；又例如，使用多个历史数据对神经网络模型进行迭代训练，确定神经网络模型的模型参数。

在使用曲线拟合确定上述运动轨迹预测模型的情况下，可基于上述历史运动参数信息和历史运动轨迹拟合得到，例如，最小二乘法、使用解析表达式逼近离散数据等方法。

可选地，运动轨迹预测模型包括多个子预测模型，运动参数信息包括目标人物的多个点位的运动参数信息，不同子预测模型用于预测目标人物的不同点位的轨迹；

将运动参数信息输入运动轨迹预测模型，得到目标人物的预测运动轨迹，包括：

将多个点位中每个点位的运动参数信息输入至对应的子预测模型中，得到每个点位的预测轨迹；

基于多个点位的预测轨迹，确定目标人物的预测运动轨迹。

具体的，对于上述目标人物的运动轨迹，可按照不同点位分别构造预测运动轨迹模型，上述多个点位可以按照应用场景或经验值确定，例如，对于滑雪比赛，选手的头部、手臂、腰部、膝盖、脚踝以及选手使用的滑雪板前沿都影响到最终评判分数，那么，在滑雪比赛中，可以将选手的头部、手臂、腰部、膝盖、脚踝以及选手使用的滑雪板前沿作为不同的点位，分别构造子预测模型，实现对每一点位的运动轨迹预测。

并且，基于上述多个子预测模型得到上述多个点位的预测轨迹后，可获取上述目标人物整体的预测运动轨迹，例如，可预先构建虚拟人物，并按照上述多个点位，使虚拟人物按照上述多个点位的预测轨迹运动，并在上述目标时间时获取虚拟人物对应的预测动作，从而提高上述预测动作展示的可观赏性。

另外，上述目标动作的展示也可参照上述预测动作的展示方式，从而通过上述预测动作和上述目标动作的对比，观众可以预先获取选手在比赛过程中某一动作是否规范、是否完整以及动作的完成度情况，在比赛直播过程中提高观众的观看实时体验。

可选地，预测动作轨迹包括M个第一分段轨迹，M为正整数；

在基于运动参数信息，对目标人物的运动轨迹进行预测，得到预测运动轨迹之后，所述方法还包括：

获取目标运动轨迹中与M个第一分段轨迹对应的M个第二分段轨迹；

将M个第一分段轨迹中每个第一分段轨迹与对应的第二分段轨迹进行匹配，确定每个第一分段轨迹的预测得分，预测得分用于表示第一分段轨迹与对应的第二分段轨迹的匹配度；

基于M个第一分段轨迹的预测得分，获取目标人物的分数，目标人物的分数用于表示预测运动轨迹与目标运动轨迹的匹配度。

其中，上述M个第一分段轨迹可按照预设时间间隔对上述预测动作轨迹划分得到，对应的，上述M个第二分段轨迹也可按照预设时间间隔对上述目标动作轨迹划分得到，也即每个上述第一分段轨迹对应与其在同一时间间隔的一个第二分段轨迹。

其中，将上述M个第一分段轨迹与对应的第二分段轨迹进行匹配，确定两段轨迹的匹配度，例如，可在上述第一分段轨迹中取多个点，并在上述第二分段轨迹中取对应的多个点，基于这多个点之间的距离确定两段轨迹之间的匹配度，距离越大匹配度越小，并基于匹配度确定上述M个第一分段轨迹的预测得分。其中，与对应的第二分段轨迹匹配度高的轨迹的预测得分，高于与对应的第二分段轨迹匹配度低的轨迹的预测得分。并且，上述目标人物的分数，可按照每一第一分段轨迹对应的权重确定。

具体的，上述预测得分可以直接或间接基于上述每一第一分段轨迹与对应的第二分段轨迹进行匹配的结果得到，例如，可计算上述第一分段轨迹与对应的第二分段轨迹的匹配度，并将上述匹配度直接作为上述第一分段轨迹的预测得分；或者基于上述匹配度分区间确定上述第一分段轨迹的预测得分，以完全匹配的匹配度设置为1，完全不匹配的匹配度设置为0为例，按照匹配度从0到1可划分为多个区间，可在上述第一分段轨迹与对应的第二分段轨迹的匹配度位于第一区间的情况下，将所述第一分段轨迹的预测得分确定为第一预测得分，在上述第一分段轨迹与对应的第二分段轨迹的匹配度位于第二区间的情况下，将所述第一分段轨迹的预测得分确定为第二预测得分等，具体区间的划分以及对应的预测得分可按照实际情况确定。

需要说明的是，上述M段轨迹可以对应上述预测动作轨迹的全部轨迹或部分轨迹，例如，在对上述目标人物的预测动作实时预测时，上述M段轨迹可以对应上述预测动作轨迹的全部轨迹，从而对上述目标人物在接下来的每一段动作可否规范完成进行预测。或者，在对上述目标人物的最终得分预测时，例如，在滑雪大跳台比赛中，若选手的最终得分与其落地点的距离相关，那么，可以选取上述预测动作轨迹的部分轨迹作为上述M段轨迹，从而按照该M段轨迹预测该选手的最终得分。

该实施方式中，通过将所述M个第一分段轨迹中每一第一分段轨迹与对应的第二分段轨迹进行匹配，确定所述M个第一分段轨迹的预测得分，所述预测得分用于表示每一第一分段轨迹与对应的第二分段轨迹的匹配度；基于所述M个第一分段轨迹的预测得分，获取所述目标人物的分数，所述目标人物的分数用于表示所述预测运动轨迹与所述目标运动轨迹的匹配度。即本申请将所述预测运动轨迹分为所述M个第一分段轨迹，并分别确定所述M个第一分段轨迹的预测得分，从而得到所述目标人物的分数，提高所述目标人物的分数的预测准确度。

另外，本实施例中基于M个第一分段轨迹的预测得分，获取目标人物的分数，还可以作为裁判打分的参考，提高打分的客观性。

可选地，步骤103中基于预测运动轨迹与预先获取的目标运动轨迹，获取目标人物在目标时间的预测动作，以及与预测动作对应的目标动作，包括：

对于M个第一分段轨迹中的每个第一分段轨迹，获取第一分段轨迹与对应的第二分段轨迹的第一偏离度；

将M个第一分段轨迹中目标分段轨迹的时间作为目标时间，目标分段轨迹为目标偏离度对应的分段轨迹，目标偏离度为M个第一偏离度中满足第一预设条件的偏离度；

基于预测运动轨迹，获取目标人物在目标时间的预测动作；

基于目标运动轨迹，获取与预测动作对应的目标动作。

其中，上述第一偏离度可以表示上述第一分段轨迹与对应的第二分段轨迹的偏离程度，可参照上述第一分段轨迹与对应的第二分段轨迹的匹配度确定方法，通过计算上述多个点之间的距离确定上述第一偏离度，距离越大则第一偏离度越大。

其中，上述目标时间可以是预测出现失误动作(第一偏离度较大)的时间，也可以是预测出现规范动作(第一偏离度较小)的时间，且上述目标时间可包括至少一个第一分段轨迹的时间。

具体的，基于预测运动轨迹，获取目标人物在目标时间的预测动作，包括：

获取多个点位中每一点位的预测轨迹中目标人物在目标时间的位置；

基于多个点位中每一点位的预测轨迹中目标人物在目标时间的位置，确定目标人物的预测动作。

其中，对于每一点位对应一个预测轨迹，例如，以目标人物的头部作为一个点位为例，其头部点运动过程中会形成一个运动轨迹，而头部点位对应的预测轨迹中，每一时刻头部点位对应一个位置点，也即在该预测轨迹中，确定了目标时间后，即可确认目标人物的头部的位置。

对应的，通过获取目标人物每一点位的预测轨迹，并确定在目标时间下目标人物的每一点位的位置，即可确定目标人物在目标时间的预测动作。具体的，以上述多个点位包括头部点位、手臂点位、腰部点位、膝盖点位和脚踝点位为例，通过确定目标人物在目标时间的头部位置、手臂位置、腰部位置、膝盖位置和脚踝位置，将上述位置与人体形状结合即可确定其在目标时间的动作。在展示上述预测动作时，可以通过预先对目标人物建模，并基于上述确定的位置生成建模的目标人物的动作，即可展示上述预测动作。其中，上述目标动作的展示也可参数上述预测动作的展示方法，在此不再赘述。

可选地，第一预设条件包括以下任意一项：

第一偏离度小于或等于第一阈值；

第一偏离度大于第二阈值；

其中，第一阈值小于第二阈值。

其中，上述第一阈值和上述第二阈值可预先确定，例如，按照经验值或比赛规则确定。

在上述第一偏离度小于或等于上述第一阈值的情况下，可认为上述目标人物的预测动作与对应的目标动作偏差较小，可预测其对应的时间上述目标人物将出现规范动作，这样，通过展示该时间下的预测动作和目标动作，可提前预测并告知观众即将出现精彩瞬间，观众在实际出现精彩瞬间时可以通过上述预测动作与上述目标动作的对比，知道上述目标人物做出相应动作是否规范、完整，以及完成的情况，提高观众的观看体验。

在上述第一偏离度大于上述第二阈值的情况下，可认为上述目标人物的预测动作与对应的目标动作偏差较大，可预测其对应的时间上述目标人物将出现失误动作，这样，通过展示该时间下的预测动作和目标动作，可提前预测并告知观众即将出现失误动作，通过上述预测动作与上述目标动作的对比，观众可以得知上述目标人物的动作为什么失误，可提高观众的实时观看体验。

可选地，目标运动轨迹包括多个目标轨迹，不同目标轨迹对应不同点位；

在将多个点位中每个点位的运动参数信息输入至对应的子预测模型中，得到每个点位的预测轨迹之后，所述方法还包括：

获取目标点位的预测轨迹与对应的目标轨迹的第二偏离度，目标点位为多个点位中的任意一个点位；

在第二偏离度满足第二预设条件的情况下，展示目标点位。

其中，上述第二偏离度的计算可参照上述第一偏离度的计算方法，

可选地，上述第二预设条件可包括以下任意一项：

第二偏离度小于或等于第一阈值；

第二偏离度大于第二阈值。

也即，若上述目标点位的预测轨迹与对应的目标轨迹的第二偏离度小于或等于第一阈值，可认为预测动作在上述目标点位的位置较规范，通过展示该目标点位，可告知观众上述目标点位的具体位置，从而观众可以知道预测动作的规范样式，提高对比赛的了解。

若上述目标点位的预测轨迹与对应的目标轨迹的第二偏离度大于第二阈值，可认为预测动作即将出现失误的位置为上述目标点位，通过展示上述目标点位，可告知观众失误的具体位置，从而观众对于即将出现的失误动作可以提前了解其失误的具体位置。

需要说明的是，上述目标点位的展示可以通过视觉增强的方式展示，例如，在上述目标点位标示箭头，在上述目标点位使用不同颜色标注，在上述目标点位使用特定标记等方式，使观众可以看到上述目标点位。

为更好地理解，具体示例如下：

本申请实施例以滑雪项目中的大跳台为例进行说明，提供一种动作展示方法，具体步骤如下：

步骤1、规范动作建模；

例如，可通过3D动作数智建模将指定动作的规范处理动作进行全流程建模与展示；

步骤2、场地建模；

例如，大跳台坡高40米，长度138米，上半坡度用于选手加速，中间设置弧形跳台，供选手起跳做动作；

步骤3、人物建模；

设置虚拟人物形象，用于同真实选手动作形成对比。按照目前滑雪运动规则将滑雪选手划分几个固定的位置点位，如：头部，手臂，腰部，膝盖，脚踝，滑雪板前沿，下述步骤以头部位置点轨迹为例进行详细说明；

步骤4、针对参赛选手离开弧形跳台时候的影响选手的运动轨迹的因素进行采集，预测选手在空中的轨迹，具体包括如下过程：

(1)获取影响选手运动轨迹的因素；

影响选手的运动轨迹的因素包括：风力(滑雪场观测值)、风向角度(风向与选手水平运动夹角，滑雪场观测值)、离开上半坡方向(选手离开上半坡滑行方向与水平夹角)、离开上半坡初始速度，以及选手身体蜷缩构成的受力面积(选手滑雪时候的观测值)；

(2)基于影响选手的运动轨迹的因素，构造参赛选手离开弧形跳台的轨迹(x，y)为：

其中，h(F，θ，α，V，H，t)＝e^{F sinθ+VH sinα}(c₁+c₂t)；

v(F，θ，α，V，H，t)＝e^{F cosθ+VH cosα}(c₃+c₄t)；

其中，F表示风力，θ表示风向角度，α表示选手离开上半坡的方向，V表示选手离开上半坡初始速度，H表示选手的受力面积，c₁、c₂、c₃和c₄是模型训练常量，t表示选手离开上半坡的时间；

(3)基于上述步骤，形成选手的预测轨迹曲线；

在预测轨迹曲线中取多个点，如图2所示，X表示远动员在跃起后距离出发点的距离，Y表示选手在空中的高度，且X通过v(F，θ，α，V，H，t)得到，Y通过h(F，θ，α，V，H，t)得到；

步骤5、根据步骤4得到的预测轨迹曲线确定选手的预测得分，具体过程如下：

(1)通过步骤1构建的规范动作的各点位轨迹，构造满分动作轨迹模型；

(2)取满分动作轨迹模型中的n+1个样本数据得到的样本集合：A＝{(x₀，y₀)，(x₁，y₁)，......，(x_n，y_n)}；

构造轨迹拟合函数：

其中，

其中，y_j表示第j个样本的Y轴坐标，r_j表示第j个样本的X轴坐标，x_m表示第m个样本的X轴坐标。

(3)将步骤4中的轨迹曲线与满分拟合函数轨迹L(x)进行实时匹配，得到选手在空中的每一段的预测得分，具体过程如下：

根据滑雪赛道实际情况将滑雪最大距离划分为M段，每一段的得分权值为

通过模型训练得到M段每段的标准轨迹达标区间值R_i，i∈{1，2，......，M}，当选手轨迹偏离距离d_i≤R_i时，此时判定在第i段区域的获取分数占比为ω_i；

从以上M段中任意取第k段区域的选手N个预测轨迹样本：B＝{(x₁，y₁)，(x₂，y₂)，......，(x_n，y_n)}；

那么令集合C＝{(x₁，y₁′)，(x₂，y₂′)，......，(x_n，y_n′)}，y_j′＝L(x_j)，j∈{1，2，......，M}，集合C是根据满分选手轨迹获取的n个样本数据得到的样本数据集合；

构造选手预测轨迹与满分动作的偏离度函数：

其中，

其中，d_k表示第k段区域的选手预测轨迹与满分动作的偏离度。

通过上述计算，若得到d_k≤R_k,k∈{1,2,......,M}，那么可以实时预测选手在空中的轨迹得分：S₁＝∑_{k∈{1,2,……,M}}ω_k×C，其中，ω_k表示第k段区域的获取分数占比，C表示满分；

以上为头部点位在滑行轨迹中计算得分，同理可计算手臂点位的得分S₂、腰部点位的得分S₃、膝盖点位的得分S₄、脚踝点位的得分S₅以及滑雪板前沿点位的得分S₆。并按照上述六个点位的得分确定选手的最终预测得分

其中，S_u表示点位u的得分，v_u表示点位u的得分权重；

步骤6、根据步骤2构建的场地模型、步骤3构建的人物模型展示步骤5得到的实时得分和最终得分，通过预测各环节的得分与满分的差异值比对，可以得出该环节选手可能会发挥好坏情况并给出提示。

具体的，通过以上计算得出的数据，生成预测画面，可在选手当前动作下展示满分动作，若基于上述预测结果预测5s后选手存在失误动作，还可展示预测的5s后的选手预测动作以及5s后的满分动作，并标注选手的动作点位提示给观众。或者，如图3所示，还可展示选手的预测动作轨迹以及对应的满分动作轨迹的对比，通过上述对比更直观地展示选手可能存在的失误动作。

本申请实施例中，通过分别对规范动作、场地和人物进行建模；以及通过规范动作模型中的规范动作的各点位轨迹，构造满分动作轨迹曲线；以滑雪项目—女子大跳台为例，采集影响运动员的运动轨迹的因素(风力、风向、离开上半坡方向、速度和运动员的受力面积等)，基于该因素构造参赛选手离开弧形跳台的轨迹，形成运动员在空中的预测轨迹曲线；将预测轨迹曲线与步骤2中的满分动作轨迹曲线进行实时匹配，得到运动员在空中的每一段的预测得分；通过预测每一段的得分与满分的差异值，得出该环节运动员发挥的好坏情况，并给出相应提示。这样，通过选手在离开滑道时的风力、方向、速度、空中的受力面积等构造出预测轨迹，并对预测轨迹与满分曲线进行匹配计算，实时预测选手在关键环节的精彩表现动作以及可能发挥失误的环节，并通过视频画面将其展示出来，可以降低观众对于专业技巧性项目的观赏门槛以及观众对于直播项目的参与感。

参见图4，图4是本申请实施例提供的一种动作展示装置的结构示意图。如4所示，动作展示400包括：

第一获取模块401，用于获取目标人物的运动参数信息；

预测模块402，用于基于运动参数信息，对目标人物的运动轨迹进行预测，得到预测运动轨迹；

第二获取模块403，用于基于预测运动轨迹与预先获取的目标运动轨迹，获取目标人物在目标时间的预测动作，以及与预测动作对应的目标动作；

第一展示模块404，用于展示预测动作和目标动作。

可选地，预测模块402，包括：

预测单元，用于将运动参数信息输入运动轨迹预测模型，得到目标人物的预测运动轨迹；

预测单元，包括：

预测子单元，用于将多个点位中每个点位的运动参数信息输入至对应的子预测模型中，得到每个点位的预测轨迹；

确定子单元，用于基于多个点位的预测轨迹，确定目标人物的预测运动轨迹。

可选地，运动参数信息包括如下至少一项：

风力；

风向；

目标人物离开第一位置时的速度和方向；

目标人物的受力面积。

可选地，预测动作轨迹包括M个第一分段轨迹，M为正整数；

动作展示400还包括：

第三获取模块，用于获取目标运动轨迹中与M个第一分段轨迹对应的M个第二分段轨迹；

匹配模块，用于将M个第一分段轨迹中每个第一分段轨迹与对应的第二分段轨迹进行匹配，确定每个第一分段轨迹的预测得分，预测得分用于表示第一分段轨迹与对应的第二分段轨迹的匹配度；

第四获取模块，用于基于M个第一分段轨迹的预测得分，获取目标人物的分数，目标人物的分数用于表示预测运动轨迹与目标运动轨迹的匹配度。

可选地，第二获取模块403，包括：

第一获取单元，用于对于M个第一分段轨迹中的每个第一分段轨迹，获取第一分段轨迹与对应的第二分段轨迹的第一偏离度；

确定单元，用于将M个第一分段轨迹中目标分段轨迹的时间作为目标时间，目标分段轨迹为目标偏离度对应的分段轨迹，目标偏离度为M个第一偏离度中满足第一预设条件的偏离度；

第二获取单元，用于基于预测运动轨迹，获取目标人物在目标时间的预测动作；

第三获取单元，用于基于目标运动轨迹，获取与预测动作对应的目标动作。

可选地，第一预设条件包括以下任意一项：

第一偏离度小于或等于第一阈值；

第一偏离度大于第二阈值；

其中，第一阈值小于第二阈值。

动作展示400还包括：

第五获取模块，用于获取目标点位的预测轨迹与对应的目标轨迹的第二偏离度，目标点位为多个点位中的任意一个点位；

第二展示模块，用于在第二偏离度满足第二预设条件的情况下，展示目标点位。

动作展示装置400能够实现本申请实施例中图1方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。

本申请实施例还提供一种电子设备。由于电子设备解决问题的原理与本申请实施例中图1所示的动作展示方法相似，因此该电子设备的实施可以参见方法的实施，重复之处不再赘述。如图5所示，本申请实施例的电子设备，包括存储器520，收发机510，处理器500；

存储器520，用于存储计算机程序；收发机510，用于在处理器500的控制下收发数据；处理器500，用于读取存储器520中的计算机程序并执行以下操作：

获取目标人物的运动参数信息；

基于运动参数信息，对目标人物的运动轨迹进行预测，得到预测运动轨迹；

基于预测运动轨迹与预先获取的目标运动轨迹，获取目标人物在目标时间的预测动作，以及与预测动作对应的目标动作；

展示预测动作和目标动作。

其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。

处理器500可以是中央处理器(Central Processing Unit，CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。

可选地，基于运动参数信息，对目标人物的运动轨迹进行预测，得到预测运动轨迹，包括：

基于多个点位的预测轨迹，确定目标人物的预测运动轨迹。

可选地，运动参数信息包括如下至少一项：

风力；

风向；

目标人物离开第一位置时的速度和方向；

目标人物的受力面积。

可选地，预测动作轨迹包括M个第一分段轨迹，M为正整数；

处理器500还用于读取存储器520中的计算机程序并执行以下操作：

可选地，基于预测运动轨迹与预先获取的目标运动轨迹，获取目标人物在目标时间的预测动作，以及与预测动作对应的目标动作，包括：

基于预测运动轨迹，获取目标人物在目标时间的预测动作；

基于目标运动轨迹，获取与预测动作对应的目标动作。

可选地，第一预设条件包括以下任意一项：

第一偏离度小于或等于第一阈值；

第一偏离度大于第二阈值；

其中，第一阈值小于第二阈值。

在第二偏离度满足第二预设条件的情况下，展示目标点位。

本申请实施例提供的电子设备，可以执行上述图1所示的方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述图1所述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述图1所述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims

1.一种动作展示方法，其特征在于，包括：

获取目标人物的运动参数信息；

展示所述预测动作和所述目标动作。

2.如权利要求1所述的方法，其特征在于，所述基于所述运动参数信息，对所述目标人物的运动轨迹进行预测，得到预测运动轨迹，包括：

将所述运动参数信息输入运动轨迹预测模型，得到所述目标人物的预测运动轨迹；

其中，所述运动轨迹预测模型使用历史运动参数信息和历史运动轨迹训练得到。

3.如权利要求2所述的方法，其特征在于，所述运动轨迹预测模型包括多个子预测模型，所述运动参数信息包括所述目标人物的多个点位的运动参数信息，不同子预测模型用于预测目标人物的不同点位的轨迹；

所述将所述运动参数信息输入运动轨迹预测模型，得到所述目标人物的预测运动轨迹，包括：

将所述多个点位中每个点位的运动参数信息输入至对应的子预测模型中，得到每个点位的预测轨迹；

基于所述多个点位的预测轨迹，确定所述目标人物的预测运动轨迹。

4.如权利要求3所述的方法，其特征在于，所述运动参数信息包括如下至少一项：

风力；

风向；

所述目标人物离开第一位置时的速度和方向；

所述目标人物的受力面积。

5.如权利要求3或4所述的方法，其特征在于，所述预测动作轨迹包括M个第一分段轨迹，M为正整数；

在基于所述运动参数信息，对所述目标人物的运动轨迹进行预测，得到预测运动轨迹之后，所述方法还包括：

获取所述目标运动轨迹中与所述M个第一分段轨迹对应的M个第二分段轨迹；

将所述M个第一分段轨迹中每个第一分段轨迹与对应的第二分段轨迹进行匹配，确定每个第一分段轨迹的预测得分，所述预测得分用于表示所述第一分段轨迹与对应的第二分段轨迹的匹配度；

基于所述M个第一分段轨迹的预测得分，获取所述目标人物的分数，所述目标人物的分数用于表示所述预测运动轨迹与所述目标运动轨迹的匹配度。

6.如权利要求5所述的方法，其特征在于，所述基于所述预测运动轨迹与预先获取的目标运动轨迹，获取所述目标人物在目标时间的预测动作，以及与所述预测动作对应的目标动作，包括：

对于所述M个第一分段轨迹中的每个第一分段轨迹，获取所述第一分段轨迹与对应的第二分段轨迹的第一偏离度；

将所述M个第一分段轨迹中目标分段轨迹的时间作为所述目标时间，所述目标分段轨迹为目标偏离度对应的分段轨迹，所述目标偏离度为M个第一偏离度中满足第一预设条件的偏离度；

基于所述预测运动轨迹，获取所述目标人物在所述目标时间的预测动作；

基于所述目标运动轨迹，获取与所述预测动作对应的目标动作。

7.如权利要求3所述的方法，其特征在于，所述目标运动轨迹包括多个目标轨迹，不同目标轨迹对应不同点位；

在将所述多个点位中每个点位的运动参数信息输入至对应的子预测模型中，得到每个点位的预测轨迹之后，所述方法还包括：

获取目标点位的预测轨迹与对应的目标轨迹的第二偏离度，所述目标点位为所述多个点位中的任意一个点位；

在所述第二偏离度满足第二预设条件的情况下，展示所述目标点位。

8.如权利要求1所述的方法，其特征在于，所述运动参数信息包括所述目标人物在滑雪场景下的运动参数信息。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至8中任一项所述的动作展示方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至8中任一项所述的动作展示方法的步骤。