一种用户动作捕捉模型的训练方法及系统与流程

1.本发明涉及人工智能领域，具体而言，涉及一种用户动作捕捉模型的训练方法及系统。


背景技术：

2.目前，随着虚拟现实技术的快速发展，用户对在虚拟环境中的真实性体验需求也有所上升。而动作捕捉作为虚拟现实的重点技术，一般会利用人工智能模型来解决相关问题，然而在使用者拿到对应模型后，并不能保证模型一定准确可靠，往往还需要进行适配性的调整优化，这导致了后续动作捕捉处理效率的降低。


技术实现要素：

3.本发明的目的在于提供一种用户动作捕捉模型的训练方法及系统。
4.第一方面，本发明实施例提供一种用户动作捕捉模型的训练方法，包括：
5.响应于目标平台的用户动作捕捉指令，解析用户动作捕捉指令对应的业务场景；
6.根据业务场景从预设训练数据库中选取与业务场景对应的训练动作数据集和测试动作数据集；
7.调用初始用户动作捕捉模型，并基于训练动作数据集完成对初始用户动作捕捉模型的训练，得到训练完成的用户动作捕捉模型；
8.根据测试动作数据集对用户动作捕捉模型进行健壮性计算，得到用户动作捕捉模型的健壮性结果；
9.在健壮性结果表征为用户动作捕捉模型通过检测的情况下，将用户动作捕捉模型发送至目标平台。
10.在一种可能的实施方式中，根据测试动作数据集对用户动作捕捉模型进行健壮性计算，包括：
11.获取测试动作数据集与训练完成的用户动作捕捉模型；
12.根据至少一种噪声策略对测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集，其中，每种噪声策略对应于至少一个待检验动作数据集；
13.基于用户动作捕捉模型对测试动作数据集以及测试数目的待检验动作数据集分别进行动作捕捉处理，得到每个待检验动作数据集对应的第一表征动作以及测试动作数据集对应的第二表征动作；
14.获得第一表征动作与第二表征动作一致的比对结果，根据比对结果获得用户动作捕捉模型的动作捕捉置信度；
15.根据动作捕捉置信度获得用户动作捕捉模型的健壮性，其中，动作捕捉置信度与健壮性为正反馈关系。
16.在一种可能的实施方式中，根据至少一种噪声策略对测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集，包括：
17.针对至少一种噪声策略中的每种噪声策略进行以下处理：根据噪声策略对测试动作数据集进行加噪操作，得到噪声策略对应的至少一个待检验动作数据集；
18.对每种噪声策略对应的至少一个待检验动作数据集进行动作数据评估，根据得到的动作数据评估结果获得测试数目的待检验动作数据集；
19.噪声策略的类别包括：第一噪声策略；
20.当噪声策略的类别为第一噪声策略时，根据噪声策略对测试动作数据集进行加噪操作，得到噪声策略对应的至少一个待检验动作数据集，包括：
21.对测试动作数据集进行以下操作，得到至少一个待检验动作数据集：
22.对测试动作数据集中每个测试动作数据执行以下处理：从测试动作数据中选取至少一个目标区域数据，对每个目标区域数据进行加噪操作，得到噪声动作数据；
23.将每个噪声动作数据整合得到待检验动作数据集，其中，待检验动作数据集中每个噪声动作数据与测试动作数据集中的每个测试动作数据存在映射关系；
24.噪声策略的类别包括：第二噪声策略；
25.当噪声策略为第二噪声策略时，根据噪声策略对测试动作数据集进行加噪操作，得到噪声策略对应的至少一个待检验动作数据集，包括：
26.对测试动作数据集进行以下操作，得到至少一个待检验动作数据集：
27.对测试动作数据集中每个测试动作数据执行以下处理：获取测试动作数据中的关键区域数据与非关键区域数据，从每个非关键区域数据的预设关键程度系数的由大至小排布选取前置位的至少一个目标区域数据进行加噪操作，以及
28.根据每个关键区域数据的图像数据对每个关键区域数据进行加噪操作，得到噪声动作数据；
29.将每个噪声动作数据整合得到待检验动作数据集，其中，待检验动作数据集中每个噪声动作数据与测试动作数据集中的每个测试动作数据存在映射关系。
30.在一种可能的实施方式中，从每个非关键区域数据的预设关键程度系数的由大至小排布选取前置位的至少一个目标区域数据进行加噪操作之前，方法还包括：
31.对测试动作数据进行动作区域划分操作，得到测试动作数据的动作区域划分结果；
32.针对每个非关键区域数据进行以下处理：将非关键区域数据从测试动作数据的动作区域划分结果中移除，得到非关键区域数据对应的待定动作数据；
33.对每个待定动作数据与测试动作数据进行用户动作捕捉，得到每个待定动作数据的表征动作与测试动作数据的表征动作；
34.获取每个待定动作数据的表征动作与测试动作数据的表征动作之间的差异表征值，根据差异表征值获得待定动作数据对应的非关键区域数据的预设关键程度系数，其中，差异表征值与非关键区域数据在测试动作数据中的预设关键程度系数为正反馈关系。
35.在一种可能的实施方式中，根据每个关键区域数据的图像数据对每个关键区域数据进行加噪操作，包括：
36.对每个关键区域数据执行以下至少一项处理：
37.根据关键区域数据的图像数据对关键区域数据进行数据删减；
38.获取与关键区域数据的相似图像，并将关键区域数据置换为相似图像。
39.在一种可能的实施方式中，对每个目标区域数据进行的加噪操作，包括以下至少一项处理：
40.在目标区域数据与目标区域数据的相邻区域数据之间增加障碍图像数据；
41.对目标区域数据的后续区域数据进行图像补充操作，并将补充完成的图像数据增加至目标区域数据之后；
42.将目标区域数据置换为目标区域数据的相似图像；
43.对目标区域数据以及目标区域数据的相邻区域数据在测试动作数据中的位置进行错位操作；
44.对目标区域数据中的图像数据执行删减操作；
45.将目标区域数据置换为对应的其他图像数据。
46.在一种可能的实施方式中，对每种噪声策略对应的至少一个待检验动作数据集进行动作数据评估，根据得到的动作数据评估结果获得测试数目的待检验动作数据集，包括：
47.当噪声策略的类别为第二噪声策略时，获得每个待检验动作数据集中每个噪声动作数据的噪声状态参量，其中，噪声状态参量包括以下至少一项：关键区域数据加噪占比率以及非关键区域数据加噪占比率、加噪图像异常度；
48.当噪声策略的类别为第一噪声策略时，获得每个待检验动作数据集中每个噪声动作数据的噪声状态参量，其中，噪声状态参量包括以下至少一项：加噪占比率、加噪处理次数、加噪图像异常度；
49.将噪声状态参量大于噪声状态参量阈值的噪声动作数据对应的待检验动作数据集移除；
50.在每种噪声策略对应的至少一个待检验动作数据集中，统计未被移除的待检验动作数据集的数目，并根据每个噪声动作数据对应的噪声状态参量对未被移除的待检验动作数据集中每个噪声动作数据进行标注，得到测试数目的待检验动作数据集。
51.在一种可能的实施方式中，根据至少一种噪声策略对测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集之前，方法还包括：
52.获取待选取的多种噪声策略；
53.根据多种噪声策略对测试动作数据集进行加噪操作，得到预处理数目的噪声动作数据集，其中，每种噪声策略对应于至少一个噪声动作数据集；
54.对每个噪声动作数据集与测试动作数据集分别进行动作类型预测操作，得到每个噪声动作数据集与测试动作数据集分别对应的预测动作类型；
55.针对每种噪声策略执行以下处理：
56.获得噪声策略对应的每个噪声动作数据集对应的预测差异表征值，其中，预测差异表征值是每个噪声动作数据集对应的预测动作类型与测试动作数据集对应的预测动作类型之间的差异表征值；
57.将每个噪声动作数据集对应的预测差异表征值的求和结果，与噪声策略对应的噪声动作数据集数量的相除结果，作为每种噪声策略的对应的噪声影响分数，从每种噪声策略的噪声影响分数的由大至小排布选取前置位的至少一种噪声策略。
58.在一种可能的实施方式中，每个待检验动作数据集的第一表征动作包括：每个待检验动作数据集中的每个噪声动作数据对应的表征动作；第二表征动作包括：测试动作数
据集中每个测试动作数据对应的表征动作；
59.当至少一种噪声策略为多种噪声策略时，获得第一表征动作与第二表征动作一致的比对结果，根据比对结果获得用户动作捕捉模型的动作捕捉置信度，包括：
60.对每个测试动作数据的表征动作，与每个测试动作数据对应的噪声动作数据的表征动作执行遍历匹配操作，得到表征动作一致的数目；
61.将表征动作一致的数目与测试数目的待检验动作数据集对应的动作数据总量的相除结果，作为第一表征动作与第二表征动作一致的比对结果，将比对结果作为用户动作捕捉模型的动作捕捉置信度。
62.第二方面，本发明实施例提供一种服务器系统，包括服务器，服务器用于执行第一方面至少一种可能的实施方式中的方法。
63.相比现有技术，本发明提供的有益效果包括：采用本发明实施例提供的一种用户动作捕捉模型的训练方法及系统，通过响应于目标平台的用户动作捕捉指令，选取与业务场景对应的训练动作数据集和测试动作数据集；然后基于训练动作数据集完成对初始用户动作捕捉模型的训练；接着根据测试动作数据集对用户动作捕捉模型进行健壮性计算，得到用户动作捕捉模型的健壮性结果；最终在健壮性结果表征为用户动作捕捉模型通过检测的情况下，将用户动作捕捉模型发送至目标平台，如此设计，能够使得训练得到用户动作捕捉模型具备较高的精确度，目标平台无需对该用户动作捕捉模型进行调整优化，提高了后续用户动作捕捉的处理效率。
附图说明
64.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定。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相关的附图。
65.图1为本发明实施例提供的用户动作捕捉模型的训练方法的步骤流程示意图；
66.图2为本发明实施例提供的服务器的结构示意图。
具体实施方式
67.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
68.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
69.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
70.此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要
性。
71.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，“设置”、“连接”等术语应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
72.下面结合附图，对本发明的具体实施方式进行详细说明。
73.为了解决前述背景技术中的技术问题，图1为本公开实施例提供的用户动作捕捉模型的训练方法的步骤流程示意图，下面对该用户动作捕捉模型的训练方法进行详细介绍。
74.步骤s201，响应于目标平台的用户动作捕捉指令，解析用户动作捕捉指令对应的业务场景。
75.步骤s202，根据业务场景从预设训练数据库中选取与业务场景对应的训练动作数据集和测试动作数据集。
76.步骤s203，调用初始用户动作捕捉模型，并基于训练动作数据集完成对初始用户动作捕捉模型的训练，得到训练完成的用户动作捕捉模型。
77.步骤s204，根据测试动作数据集对用户动作捕捉模型进行健壮性计算，得到用户动作捕捉模型的健壮性结果。
78.步骤s205，在健壮性结果表征为用户动作捕捉模型通过检测的情况下，将用户动作捕捉模型发送至目标平台。
79.在本发明实施例中，目标平台可以是指不具备研发能力的用户所维护的终端、设备以及服务器等，在此不做限制。为了能够使得目标平台需求的用户动作捕捉模型能够具备高精确性，可以基于目标平台的用户动作捕捉指令，确定出目标平台需求的业务场景。再利用该业务场景从预设训练数据库中选取与业务场景对应的训练动作数据集和测试动作数据集，在本发明实施例中，业务场景与对应的训练动作数据集和测试动作数据集可以是通过标记关联、也可以是通过预设映射关系关联，在此不做限制。然后为了避免与其他平台的混用，可以调用初始用户动作捕捉模型，并基于训练动作数据集完成对初始用户动作捕捉模型的训练，得到训练完成的用户动作捕捉模型。为了进一步使得目标平台获得用户动作捕捉模型能够具备高精确性，可以准确地进行动作捕获，可以根据测试动作数据集对用户动作捕捉模型进行健壮性计算，得到用户动作捕捉模型的健壮性结果，在健壮性结果表征为用户动作捕捉模型通过检测的情况下，将用户动作捕捉模型发送至目标平台，如此设计，能够实现用户动作捕捉模型的训练结果是具备较好适配性的，目标平台无需在对该用户动作捕捉模型进行相关的调整优化，提高了后续动作捕捉的处理效率。
80.为了能够更加清楚的描述本发明实施例提供的方案，前述步骤s204可以通过以下详细的步骤执行实施。
81.步骤s101中，获取测试动作数据集与训练完成的用户动作捕捉模型。
82.示例的，测试动作数据集包括大量的测试动作数据，每个测试动作数据被预先标注，标注标签包括：动作类别、测试动作数据对应的每个关键区域数据的区域名称、测试动作数据对应的图像数据、测试动作数据对应的关键区域数据的起始、关键区域数据的类别
等。
83.步骤s102中，根据至少一种噪声策略对测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集。
84.这里，每种噪声策略对应于至少一个待检验动作数据集。
85.示例的，噪声策略的类别包括第二噪声策略以及第一噪声策略；第一噪声策略：随机地从测试动作数据中选取图像区域数据进行加噪操作；第二噪声策略：对测试动作数据中的关键区域数据与非关键区域数据根据类别（关键区域数据以及非关键区域数据）分别采用不同的加噪操作。不同噪声策略的整体加噪操作过程存在不同，例如：噪声策略1，依次对测试动作数据进行以下处理：删除部分区域处理、相似图像替换处理以及增加图像处理；噪声策略2，依次对测试动作数据进行以下处理：在测试动作数据中增加干扰图像数据、对测试动作数据中相邻区域数据的位置进行错位设置。噪声策略1与噪声策略2不同。
86.示例的，待检验动作数据集中每个噪声动作数据与测试动作数据集中的测试动作数据存在映射关系。
87.本发明实施例中，当至少一种噪声策略为多种不同的噪声策略时，测试数目可以设置为较大的数值，利用大量的待检验动作数据集可以在动作数据集合维度的表征动作之间的差别获得模型的健壮性；当至少一种噪声策略为一种第二噪声策略时，测试数目可以为大于等于1的数值，可以利用待检验动作数据集中的每个噪声动作数据对用户动作捕捉模型进行多次对抗（基于用户动作捕捉模型对噪声动作数据进行多次动作捕捉处理），在测试动作数据维度表征动作之间的差别获得模型的健壮性。
88.在一些实施例中，步骤s102可以通过步骤s1021至步骤s1022实现，以下具体说明。
89.步骤s1021中，针对至少一种噪声策略中的每种噪声策略进行以下处理：根据噪声策略对测试动作数据集进行加噪操作，得到噪声策略对应的至少一个待检验动作数据集。
90.示例的，针对每种噪声策略可以获取至少一个待检验动作数据集，每种噪声策略对应的待检验动作数据集的数目可以是不同的。
91.在一些实施例中，当噪声策略的类别为第一噪声策略时，步骤s1021可以通过以下方式实现：对测试动作数据集进行以下操作，得到至少一个待检验动作数据集：对测试动作数据集中每个测试动作数据执行以下处理：从测试动作数据中选取至少一个目标区域数据，对每个目标区域数据进行加噪操作，得到噪声动作数据；将每个噪声动作数据整合得到待检验动作数据集。
92.这里，待检验动作数据集中每个噪声动作数据与测试动作数据集中的每个测试动作数据存在映射关系。
93.示例的，可以随机从测试动作数据中选取至少一个的目标区域数据，在不干扰到其他目标区域数据的加噪操作的情况下，每个目标区域数据的加噪操作可以并发进行。例如：测试动作数据为“整个手臂图像数据”，选取目标区域数据“手掌区域图像数据”、“小臂区域图像数据”，在加噪操作互不干扰的情况下，可以同时针对上述目标区域数据进行加噪操作，针对“手掌区域图像数据”进行相似图像替换以及针对“小臂区域图像数据”增加障碍图像数据。
94.示例的，对每个目标区域数据进行加噪操作，可以通过以下至少一种方式实现。
95.（1）在目标区域数据与目标区域数据的相邻区域数据之间增加障碍图像数据；例
如：“整个手臂图像数据”处理后为，中间夹杂多个马赛克图像数据的“整个手臂图像数据”。
96.（2）对目标区域数据的后续区域数据进行图像补充操作，并将补充完成的图像数据增加至目标区域数据之后；例如：“手掌区域图像数据”处理后为，“包括手掌的整个手臂区域图像数据”。
97.（3）将目标区域数据置换为目标区域数据的相似图像；例如：“用户一手掌区域图像数据”处理为“用户二手掌区域图像数据”。
98.（4）对目标区域数据以及目标区域数据的相邻区域数据在测试动作数据中的位置进行错位操作；例如：完整的“手掌区域图像数据”与“小臂区域图像数据”处理为错位的“手掌区域图像数据”与“小臂区域图像数据”。
99.（5）对目标区域数据中的图像数据执行删减操作；例如：“整个手臂图像数据”处理为“仅包含手掌图像数据”。
100.（6）将目标区域数据置换为对应的其他图像数据。例如：“左手臂图像数据”置换为“右手臂图像数据”等。
101.在一些实施例中，当噪声策略为第二噪声策略时，步骤s1021可以通过以下方式实现：对测试动作数据集进行以下操作，得到至少一个待检验动作数据集：对测试动作数据集中每个测试动作数据执行以下处理：获取测试动作数据中的关键区域数据与非关键区域数据，从每个非关键区域数据的预设关键程度系数的由大至小排布选取前置位的至少一个目标区域数据进行加噪操作，以及根据每个关键区域数据的图像数据对每个关键区域数据进行加噪操作，得到噪声动作数据；将每个噪声动作数据整合得到待检验动作数据集，其中，待检验动作数据集中每个噪声动作数据与测试动作数据集中的每个测试动作数据存在映射关系。
102.示例的，非关键区域数据的预设关键程度系数用于体现非关键区域数据在测试动作数据中的重要性。将非关键区域数据从测试动作数据中移除，可以得到非关键区域数据对应的待定动作数据，如果待定动作数据与测试动作数据所表达的意思差别较大，则非关键区域数据在测试动作数据中的预设关键程度系数。反之，预设关键程度系数较低。将非关键区域数据作为目标区域数据，针对目标区域数据的加噪操作可以参考前述描述，此处不再赘述。
103.示例的，从每个非关键区域数据的预设关键程度系数的由大至小排布选取前置位的目标区域数据的数目，可以根据测试动作数据中的非关键区域数据的数目获得，非关键区域数据的数目与选取的目标区域数据的数目为正反馈关系。
104.示例的，针对每个关键区域数据进行加噪操作可以通过以下至少一项处理实现。
105.（1）在不影响关键区域数据的含义的情况下，根据关键区域数据的图像数据对关键区域数据进行数据删减。
106.（2）获取与关键区域数据的相似图像，并将关键区域数据置换为相似图像。在一些实施例中，步骤s1021之前，可以通过步骤s301至步骤s303获取非关键区域数据的预设关键程度系数。
107.步骤s301中，对测试动作数据进行动作区域划分操作，得到测试动作数据的动作区域划分结果。
108.示例的，为便于解释，以下结合测试动作数据“整个手臂图像数据”举例说明。对该
测试动作数据划分得到“手掌图像数据、小臂图像数据、肩膀图像数据”。其中，“小臂图像数据和肩膀图像数据”是非关键区域数据。
109.步骤s302中，针对每个非关键区域数据进行以下处理：将非关键区域数据从测试动作数据的动作区域划分结果中移除，得到非关键区域数据对应的待定动作数据；对每个待定动作数据与测试动作数据进行用户动作捕捉，得到每个待定动作数据的表征动作与测试动作数据的表征动作。
110.示例的，针对上述测试动作数据继续说明，将非关键区域数据从测试动作数据的动作区域划分结果依次移除，可以得到以下待定动作数据。
111.待定动作数据1、“手掌图像数据、小臂图像数据”；
112.待定动作数据2、“手掌图像数据、肩膀图像数据”；
113.基于待检测的用户动作捕捉模型对待定动作数据、测试动作数据分别进行捕获预测，得到每个待定动作数据与测试动作数据分别对应的表征动作。或者，可以通过模型内部参数结构的决策树对待定动作数据以及测试动作数据分别进行捕获预测，得到对应的表征动作。
114.步骤s303中，获取每个待定动作数据的表征动作与测试动作数据的表征动作之间的差异表征值，根据差异表征值获得待定动作数据对应的非关键区域数据的预设关键程度系数。
115.这里，差异表征值与非关键区域数据在测试动作数据中的预设关键程度系数为正反馈关系。
116.示例的，表征动作包括动作指示内容的数目。表征动作之间的差异表征值，是待定动作数据与测试动作数据对应的动作指示内容的数目之间的差异表征值，利用差异表征值表征预设关键程度系数。对应地，差异表征值越高，则说明待定动作数据相较于测试动作数据缺失的非关键区域数据的重要性越高，缺失该关键区域数据对测试动作数据的含义的影响越大。假设，原始的测试动作数据得到的表征动作为5个动作指示内容，待定动作数据n（对应于非关键区域数据n）的表征动作为4个动作指示内容，差异表征值为1；待定动作数据m（对应于非关键区域数据m）的表征动作为3个关键区域数据，差异表征值为2；非关键区域数据m的重要性高于非关键区域数据n。对每个非关键区域数据对应的差异表征值进行降序排序，根据由大至小排布选取至少一个非关键区域数据作为目标区域数据，对目标区域数据进行加噪操作。
117.步骤s1022中，对每种噪声策略对应的至少一个待检验动作数据集进行动作数据评估，根据得到的动作数据评估结果获得测试数目的待检验动作数据集。
118.示例的，动作数据评估结果包括待检验动作数据集对应的噪声状态参量，当噪声状态参量不符合对应的阈值时，将噪声状态参量不符合对应的阈值的待检验动作数据集移除，保留符合对应的阈值的待检验动作数据集，得到测试数目的待检验动作数据集。
119.在一些实施例中，测试数目可以是预先设置的数目，当获取到测试数目的待检验动作数据集时，则执行步骤s103。若待检验动作数据集的数目小于测试数目，则继续对测试动作数据集进行加噪操作，获取待检验动作数据集。
120.在一些实施例中，步骤s1022可以通过步骤s401至步骤s404实现，以下具体说明。
121.步骤s401中，当噪声策略的类别为第二噪声策略时，获得每个待检验动作数据集
中每个噪声动作数据的噪声状态参量，噪声状态参量包括以下至少一项：关键区域数据加噪占比率以及非关键区域数据加噪占比率、加噪图像异常度。
122.示例的，加噪占比率，是动作数据中被加噪操作的图像数据数量与动作数据原始图像数据数量之比。关键区域数据加噪占比率是针对动作数据中关键区域数据的加噪率，关键区域数据加噪占比率，是动作数据中被加噪操作的图像数据数量与动作数据原始图像数据数量之比；非关键区域数据加噪占比率是针对动作数据中非关键区域数据的加噪率，非关键区域数据加噪占比率，是动作数据中被加噪操作的非关键区域数据的图像数据数量与动作数据原始图像数据数量之比。
123.假设，原始测试动作数据中包含的图像数据数为100个图像数据，其中，关键区域数据的图像数据数为10，非关键区域数据的图像数据为20；进行加噪操作后，有15个图像数据被加噪，则噪声动作数据的加噪率为15%。
124.步骤s402中，当噪声策略的类别为第一噪声策略时，获得每个待检验动作数据集中每个噪声动作数据的噪声状态参量，噪声状态参量包括以下至少一项：加噪占比率、加噪处理次数、加噪图像异常度。
125.示例的，加噪占比率以及加噪图像异常度参考前述描述的解释说明，此处不再赘述。加噪处理次数，具体指原始的测试动作数据和噪声动作数据之间的加噪操作次数，加噪操作次数可以表征为编辑操作（本发明实施例中为加噪操作）的执行次数。
126.步骤s403中，将噪声状态参量大于噪声状态参量阈值的噪声动作数据对应的待检验动作数据集移除。
127.示例的，噪声状态参量大于噪声状态参量阈值，说明噪声动作数据中的噪声较多，不适合作为测试用的样本。
128.示例的，针对不同的噪声状态参量，可以设置不同的噪声状态参量阈值。例如：针对加噪占比率，对应的加噪占比率阈值可以是15%，以避免噪声动作数据中的噪声过大。针对非关键区域数据加噪占比率以及关键区域数据加噪占比率，可以是二者之和小于等于15%；或者，针对二者分别设置阈值。针对加噪操作次数阈值，可以根据动作数据的长度进行设置，动作数据长度与加噪操作次数阈值为正反馈关系，动作数据长度越高，则对应的加噪操作次数阈值越高。针对加噪图像异常度，可以统一设置，当加噪图像异常度高于加噪图像异常度阈值时，说明噪声动作数据不符合图像合理显示状态，噪声过大。
129.在一些实施例中，当检测到待检验动作数据集中噪声状态参量大于噪声状态参量阈值的至少一个噪声动作数据时，则，待检验动作数据集中还未检测到的其他噪声动作数据的噪声状态参量也可能过大，则将待检验动作数据集移除。通过移除不符合测试需求的待检验动作数据集，提升了测试用的样本的准确度，同时节约了动作数据评估时所需的计算资源。
130.在一些实施例中，可以将噪声状态参量大于噪声状态参量阈值的噪声动作数据从待检验动作数据集中移除，保留噪声状态参量小于噪声状态参量阈值的噪声动作数据，选取对应的测试动作数据不同的噪声动作数据，组合成用于测试的待检验动作数据集，将组合得到的待检验动作数据集保留。通过组合待检验动作数据集，节约了计算资源，避免生成过的待选取的待检验动作数据集。
131.步骤s404中，在每种噪声策略对应的至少一个待检验动作数据集中，统计未被移
除的待检验动作数据集的数目，并根据每个噪声动作数据对应的噪声状态参量对未被移除的待检验动作数据集中每个噪声动作数据进行标注，得到测试数目的待检验动作数据集。
132.示例的，通过统计未被移除的待检验动作数据集的数目，得到测试数目。测试数目可以是较大的数值，同时，可以根据质量检测的结果对测试数目的待检验动作数据集进行标注，可以免除人工标注过程消耗的时间与人力，针对待检验动作数据集中每个噪声动作数据的标注可以包括：噪声动作数据对应的测试动作数据、噪声动作数据的加噪操作次数、加噪率、关键区域数据加噪占比率、非关键区域数据加噪占比率、加噪图像异常度、噪声动作数据中的关键区域数据、非关键区域数据等。通过对每个噪声动作数据进行标注，得到测试数目的待检验动作数据集。
133.本发明实施例中，通过进行动作数据评估控制待检验动作数据集的质量，从而提升了用户动作捕捉模型的测试的准确性。通过先获取待检验动作数据集、后筛选测评集合的方式，降低了加噪操作的过程中所需的计算量，提升了待检验动作数据集的生成效率，通过筛选集合确保了利用在测试过程中的待检验动作数据集的质量，提升了测试的准确度。
134.在一些实施例中，步骤s102之前，可以通过以下步骤s501a至步骤s504a获取用于用户动作捕捉模型的测试的至少一种噪声策略。
135.步骤s501a中，获取待选取的多种噪声策略。
136.示例的，噪声策略可以通过获取多种加噪操作，并对多种加噪操作进行随机组合得到，例如：获取多种加噪操作，从这些加噪操作中随机选取至少一种加噪操作，并对加噪操作的处理顺序进行随机排序（当加噪操作仅一种时，无需排序），得到待选取的多种噪声策略，待选取的多种噪声策略的数目可以是30。
137.步骤s502a中，根据多种噪声策略对测试动作数据集进行加噪操作，得到预处理数目的噪声动作数据集。
138.这里，每种噪声策略对应于至少一个噪声动作数据集。
139.示例的，预处理数目可以远小于前述描述中的测试数目，例如：预处理数目可以是300。假设，根据上述30种噪声策略对测试动作数据集进行加噪，得到300个噪声动作数据集，每个噪声策略可以对应于至少一个噪声动作数据集，每个噪声策略对应的噪声动作数据集数量可以是一致的也可以是不同的，或者所有噪声策略对应的噪声动作数据集的数目一致。
140.步骤s503a中，对每个噪声动作数据集与测试动作数据集分别进行动作类型预测操作，得到每个噪声动作数据集与测试动作数据集分别对应的预测动作类型。
141.示例的，可以通过待检测的动作预测模型，或者获取其他已经训练完成的动作数据捕获预测模型对噪声动作数据结合以及测试动作数据集分别进行动作类型预测操作，得到得到每个噪声动作数据集与测试动作数据集分别对应的预测动作类型。本发明实施例中，以预测动作类型是模型预测分值为例进行说明。
142.步骤s504a中，根据每个噪声动作数据集与测试动作数据集分别对应的预测动作类型，获得每种噪声策略的噪声影响分数，从每种噪声策略的噪声影响分数的由大至小排布选取前置位的至少一种噪声策略。
143.示例的，噪声影响分数越高，则噪声策略对应的加噪效果越高，也即，根据噪声策略进行加噪操作时，能够对测试动作数据中加入较多的噪声，该种噪声策略对动作预测模
型的捕获预测过程的干扰较高。
144.继续根据上述举例进行说明，对30种噪声策略的噪声影响分数进行降序排序，得到由大至小排布，可以从降序排序的前置位选取5种噪声策略。
145.示例的，步骤s504a中获取每种噪声策略的噪声影响分数，可以通过以下方式实现：针对每种噪声策略执行以下处理：获得噪声策略对应的每个噪声动作数据集对应的预测差异表征值，将每个噪声动作数据集对应的预测差异表征值的求和结果，与噪声策略对应的噪声动作数据集数量的相除结果，作为每种噪声策略的对应的噪声影响分数。
146.这里，预测差异表征值是每个噪声动作数据集对应的预测动作类型与测试动作数据集对应的预测动作类型之间的差异表征值。
147.示例的，将噪声影响分数定义为k，则k= sum（a-b）/c，其中，c是噪声策略对应的噪声动作数据集的数目，a是其中一个噪声动作数据集对应的模型预测分值，b是测试动作数据集合对应的模型预测分值，a-b是预测差异表征值，则sum（a-b）是预测差异表征值的求和结果。
148.步骤s103中，基于用户动作捕捉模型对测试动作数据集以及测试数目的待检验动作数据集分别进行动作捕捉处理，得到每个待检验动作数据集对应的第一表征动作以及测试动作数据集对应的第二表征动作。
149.示例的，针对不同的维度的测试方式、不同的噪声策略，可以采用不同的捕获预测过程。
150.在一些实施例中，步骤s103可以通过以下方式实现：基于用户动作捕捉模型对每个待检验动作数据集中的每个噪声动作数据进行动作捕捉处理，得到每个噪声动作数据对应的表征动作，将每个噪声动作数据的表征动作组合得到每个待检验动作数据集的第一表征动作；基于用户动作捕捉模型对测试动作数据集中每个测试动作数据进行动作捕捉处理，得到每个测试动作数据对应的表征动作，将每个测试动作数据的表征动作组合得到测试动作数据集的第二表征动作。
151.示例的，当测试数目为较大时，可以通过对每个待检验动作数据集进行一次捕获预测，得到大量的校验结论。从而根据大量的校验结论获得动作预测模型的健壮性，得到较好的检测效果。
152.在一些实施例中，当噪声策略的类别为第二噪声策略时，步骤s103可以通过以下方式实现：针对每个待检验动作数据集中的每个噪声动作数据进行以下处理：基于用户动作捕捉模型对噪声动作数据进行多次动作捕捉处理；得到噪声动作数据对应的多个表征动作，将噪声动作数据的多个表征动作组合得到待检验动作数据集的第一表征动作；基于用户动作捕捉模型对测试动作数据集中每个测试动作数据进行动作捕捉处理，得到每个测试动作数据对应的表征动作，将每个测试动作数据的表征动作组合得到测试动作数据集的第二表征动作。
153.示例的，当测试数目较小时，可以通过对噪声动作数据进行多次捕获预测，以获取大量的校验结论，从而根据大量的校验结论获得动作预测模型的健壮性，得到较好的检测效果，用户动作捕捉模型噪声动作数据进行多次动作捕捉处理，也可以看作噪声动作数据对用户动作捕捉模型进行多次对抗或者干扰。
154.步骤s104中，获得第一表征动作与第二表征动作一致的比对结果，根据比对结果
获得用户动作捕捉模型的动作捕捉置信度。
155.示例的，捕获预测成功也即第一表征动作与第二表征动作一致，在表征动作较多的情况下，可以通过不同的维度的方式获得动作捕捉置信度。
156.在一些实施例中，可以在集合维度获取动作捕捉置信度。对应的，每个待检验动作数据集的第一表征动作包括：每个待检验动作数据集中的每个噪声动作数据对应的表征动作；第二表征动作包括：测试动作数据集中每个测试动作数据对应的表征动作。
157.当至少一种噪声策略为多种噪声策略时，步骤s104可以通过步骤s501b至步骤s502b实现，以下具体说明。
158.步骤s501b中，对每个测试动作数据的表征动作，与每个测试动作数据对应的噪声动作数据的表征动作执行遍历匹配操作，得到表征动作一致的数目。
159.示例的，表征动作一致，也即，动作预测模型对噪声动作数据捕获预测得到的动作指示内容，与捕获预测测试动作数据得到的动作指示内容一致。在动作预测模型对应的设备的计算资源足够的情况下，可以针对每个测试动作数据、每个噪声动作数据的捕获预测可以并行进行，以提升测试效率。
160.步骤s502b中，将表征动作一致的数目与测试数目的待检验动作数据集对应的动作数据总量的相除结果，作为第一表征动作与第二表征动作一致的比对结果，将比对结果作为用户动作捕捉模型的动作捕捉置信度。
161.示例的，每个待检验动作数据集的动作数据与测试动作数据集的动作数据存在映射关系，可以将测试数目与测试动作数据集中的动作数据数量相乘，得到测试数目的待检验动作数据集对应的动作数据总量，并将表征动作一致的数目与动作数据总量之比作为动作捕捉置信度。
162.在一些实施例中，可以在样本维度获取动作捕捉置信度。对应的，每个待检验动作数据集的第一表征动作包括：每个待检验动作数据集中的每个噪声动作数据对应的多个表征动作；第二表征动作包括：测试动作数据集中每个测试动作数据对应的表征动作；
163.当噪声策略的类别为第二噪声策略时，步骤s104可以通过步骤s501c至步骤s502c实现，以下具体说明。
164.步骤s501c中，针对每个噪声动作数据进行以下处理：比对噪声动作数据的多个表征动作与噪声动作数据对应的测试动作数据的表征动作，当噪声动作数据的多个表征动作中的至少一个与噪声动作数据对应的测试动作数据的表征动作一致时，获得捕获预测成功。
165.示例的，步骤s501c至步骤s502c的方式，可以适用在待检验动作数据集较少的情况下，假设待检验动作数据集有1个，针对待检验动作数据集中每个噪声动作数据进行最多q次捕获预测（例如：q=10），当捕获预测过程中存在一次噪声动作数据与测试动作数据对应的表征动作一致的情况，则停止对该噪声动作数据进行捕获预测，统计一次捕获预测成功。通过这种捕获预测方式以及统计方式，可以节约捕获预测过程所需的时间以及捕获预测次数，进而提升测试的整体效率。
166.步骤s502c中，将每个待检验动作数据集对应的捕获预测成功次数与测试动作数据集合中的测试动作数据数量的相除结果，作为第一表征动作与第二表征动作一致的比对结果，将比对结果作为用户动作捕捉模型的动作捕捉置信度。
167.示例的，测试动作数据集合中的测试动作数据数量是已知的，将捕获预测成功次数与测试动作数据数量之比作为动作捕捉置信度。假设将动作预测模型针对噪声动作数据的捕获预测，作为噪声动作数据针对动作预测模型的对抗，动作捕捉置信度也可以作为动作预测模型的防御成功率，假设动作捕捉置信度为t，则待检验动作数据集对应的对抗成功率为（1-t）。
168.步骤s105中，根据动作捕捉置信度获得用户动作捕捉模型的健壮性。
169.这里，动作捕捉置信度与健壮性为正反馈关系。
170.示例的，针对同一动作预测模型的进行训练，得到不同版本的优化的动作预测模型，可以反复操作本发明实施例提供的用户动作捕捉模型的训练方法，得到不同结果的健壮性，从而对不同版本的模型进行比较，得到健壮性最佳的动作预测模型。通过本发明实施例提供的用户动作捕捉模型的训练方法，可以有效提升模型进行用户动作捕捉的准确度。
171.本发明实施例通过根据至少一种噪声策略对测试动作数据集合进行加噪，得到至少一种包括噪声动作数据的待检验动作数据集，基于用户动作捕捉模型对测试动作数据集合以及至少一种待检验动作数据集分别进行捕获预测，获得用户动作捕捉模型对于测试动作数据集合以及待检验动作数据集的输出结果一致的比对结果，根据该比对结果获得用户动作捕捉模型的健壮性。
172.本发明实施例提供一种服务器100，服务器100包括处理器及存储有计算机指令的非易失性存储器，计算机指令被处理器执行时，服务器100执行前述的用户动作捕捉模型的训练方法。如图2所示，图2为本发明实施例提供的服务器100的结构框图。服务器100包括存储器111、处理器112及通信单元113。为实现数据的传输或交互，存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。
173.出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的，前面的描述是参考具体实施例而进行的。但是，上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导，众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用，从而使本领域技术人员最佳地利用本公开，并利用具有不同修改的各种实施例以适于预期的特定应用。

技术特征：
1.一种用户动作捕捉模型的训练方法，其特征在于，包括：响应于目标平台的用户动作捕捉指令，解析所述用户动作捕捉指令对应的业务场景；根据所述业务场景从预设训练数据库中选取与所述业务场景对应的训练动作数据集和测试动作数据集；调用初始用户动作捕捉模型，并基于所述训练动作数据集完成对所述初始用户动作捕捉模型的训练，得到训练完成的用户动作捕捉模型；根据所述测试动作数据集对所述用户动作捕捉模型进行健壮性计算，得到所述用户动作捕捉模型的健壮性结果；在所述健壮性结果表征为所述用户动作捕捉模型通过检测的情况下，将所述用户动作捕捉模型发送至所述目标平台。2.根据权利要求1所述的方法，其特征在于，所述根据所述测试动作数据集对所述用户动作捕捉模型进行健壮性计算，包括：获取测试动作数据集与训练完成的用户动作捕捉模型；根据至少一种噪声策略对所述测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集，其中，每种所述噪声策略对应于至少一个所述待检验动作数据集；基于所述用户动作捕捉模型对所述测试动作数据集以及所述测试数目的所述待检验动作数据集分别进行动作捕捉处理，得到每个所述待检验动作数据集对应的第一表征动作以及所述测试动作数据集对应的第二表征动作；获得所述第一表征动作与所述第二表征动作一致的比对结果，根据所述比对结果获得所述用户动作捕捉模型的动作捕捉置信度；根据所述动作捕捉置信度获得所述用户动作捕捉模型的健壮性，其中，所述动作捕捉置信度与所述健壮性为正反馈关系。3.根据权利要求2所述的方法，其特征在于，所述根据至少一种噪声策略对所述测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集，包括：针对所述至少一种噪声策略中的每种噪声策略进行以下处理：根据所述噪声策略对所述测试动作数据集进行加噪操作，得到所述噪声策略对应的至少一个待检验动作数据集；对每种所述噪声策略对应的所述至少一个待检验动作数据集进行动作数据评估，根据得到的动作数据评估结果获得测试数目的待检验动作数据集；所述噪声策略的类别包括：第一噪声策略；当所述噪声策略的类别为所述第一噪声策略时，所述根据所述噪声策略对所述测试动作数据集进行加噪操作，得到所述噪声策略对应的至少一个待检验动作数据集，包括：对所述测试动作数据集进行以下操作，得到至少一个待检验动作数据集：对所述测试动作数据集中每个所述测试动作数据执行以下处理：从所述测试动作数据中选取至少一个目标区域数据，对每个所述目标区域数据进行加噪操作，得到噪声动作数据；将每个所述噪声动作数据整合得到待检验动作数据集，其中，所述待检验动作数据集中每个所述噪声动作数据与所述测试动作数据集中的每个所述测试动作数据存在映射关系；所述噪声策略的类别包括：第二噪声策略；
当所述噪声策略为所述第二噪声策略时，所述根据所述噪声策略对所述测试动作数据集进行加噪操作，得到所述噪声策略对应的至少一个待检验动作数据集，包括：对所述测试动作数据集进行以下操作，得到至少一个待检验动作数据集：对所述测试动作数据集中每个所述测试动作数据执行以下处理：获取所述测试动作数据中的关键区域数据与非关键区域数据，从每个所述非关键区域数据的预设关键程度系数的由大至小排布选取前置位的至少一个目标区域数据进行加噪操作，以及根据每个所述关键区域数据的图像数据对每个所述关键区域数据进行加噪操作，得到噪声动作数据；将每个所述噪声动作数据整合得到待检验动作数据集，其中，所述待检验动作数据集中每个所述噪声动作数据与所述测试动作数据集中的每个所述测试动作数据存在映射关系。4.根据权利要求3所述的方法，其特征在于，所述从每个所述非关键区域数据的预设关键程度系数的由大至小排布选取前置位的至少一个目标区域数据进行加噪操作之前，所述方法还包括：对所述测试动作数据进行动作区域划分操作，得到所述测试动作数据的动作区域划分结果；针对每个所述非关键区域数据进行以下处理：将所述非关键区域数据从所述测试动作数据的动作区域划分结果中移除，得到所述非关键区域数据对应的待定动作数据；对每个所述待定动作数据与所述测试动作数据进行用户动作捕捉，得到每个所述待定动作数据的表征动作与所述测试动作数据的表征动作；获取每个所述待定动作数据的表征动作与所述测试动作数据的表征动作之间的差异表征值，根据所述差异表征值获得所述待定动作数据对应的非关键区域数据的预设关键程度系数，其中，所述差异表征值与所述非关键区域数据在所述测试动作数据中的预设关键程度系数为正反馈关系。5.根据权利要求3所述的方法，其特征在于，所述根据每个所述关键区域数据的图像数据对每个所述关键区域数据进行加噪操作，包括：对每个所述关键区域数据执行以下至少一项处理：根据所述关键区域数据的图像数据对所述关键区域数据进行数据删减；获取与所述关键区域数据的相似图像，并将所述关键区域数据置换为所述相似图像。6.根据权利要求3所述的方法，其特征在于，对每个所述目标区域数据进行的加噪操作，包括以下至少一项处理：在所述目标区域数据与所述目标区域数据的相邻区域数据之间增加障碍图像数据；对所述目标区域数据的后续区域数据进行图像补充操作，并将补充完成的图像数据增加至所述目标区域数据之后；将所述目标区域数据置换为所述目标区域数据的相似图像；对所述目标区域数据以及所述目标区域数据的相邻区域数据在所述测试动作数据中的位置进行错位操作；对所述目标区域数据中的图像数据执行删减操作；将所述目标区域数据置换为对应的其他图像数据。
7.根据权利要求3所述的方法，其特征在于，所述对每种所述噪声策略对应的所述至少一个待检验动作数据集进行动作数据评估，根据得到的动作数据评估结果获得测试数目的待检验动作数据集，包括：当所述噪声策略的类别为第二噪声策略时，获得每个所述待检验动作数据集中每个所述噪声动作数据的噪声状态参量，其中，所述噪声状态参量包括以下至少一项：关键区域数据加噪占比率以及非关键区域数据加噪占比率、加噪图像异常度；当所述噪声策略的类别为第一噪声策略时，获得每个所述待检验动作数据集中每个所述噪声动作数据的噪声状态参量，其中，所述噪声状态参量包括以下至少一项：加噪占比率、加噪处理次数、加噪图像异常度；将所述噪声状态参量大于噪声状态参量阈值的所述噪声动作数据对应的待检验动作数据集移除；在每种所述噪声策略对应的所述至少一个待检验动作数据集中，统计未被移除的待检验动作数据集的数目，并根据每个所述噪声动作数据对应的噪声状态参量对未被移除的所述待检验动作数据集中每个所述噪声动作数据进行标注，得到测试数目的待检验动作数据集。8.根据权利要求2所述的方法，其特征在于，所述根据至少一种噪声策略对所述测试动作数据集进行加噪操作，得到测试数目的待检验动作数据集之前，所述方法还包括：获取待选取的多种噪声策略；根据所述多种噪声策略对所述测试动作数据集进行加噪操作，得到预处理数目的噪声动作数据集，其中，每种噪声策略对应于至少一个所述噪声动作数据集；对每个所述噪声动作数据集与所述测试动作数据集分别进行动作类型预测操作，得到每个所述噪声动作数据集与所述测试动作数据集分别对应的预测动作类型；针对每种所述噪声策略执行以下处理：获得所述噪声策略对应的每个所述噪声动作数据集对应的预测差异表征值，其中，所述预测差异表征值是每个所述噪声动作数据集对应的预测动作类型与所述测试动作数据集对应的预测动作类型之间的差异表征值；将每个所述噪声动作数据集对应的所述预测差异表征值的求和结果，与所述噪声策略对应的噪声动作数据集数量的相除结果，作为每种噪声策略的对应的噪声影响分数，从每种所述噪声策略的噪声影响分数的由大至小排布选取前置位的至少一种噪声策略。9.根据权利要求3所述的方法，其特征在于，每个所述待检验动作数据集的所述第一表征动作包括：每个所述待检验动作数据集中的每个所述噪声动作数据对应的表征动作；所述第二表征动作包括：所述测试动作数据集中每个所述测试动作数据对应的表征动作；当所述至少一种噪声策略为多种噪声策略时，所述获得所述第一表征动作与所述第二表征动作一致的比对结果，根据所述比对结果获得所述用户动作捕捉模型的动作捕捉置信度，包括：对每个所述测试动作数据的表征动作，与每个所述测试动作数据对应的所述噪声动作数据的表征动作执行遍历匹配操作，得到所述表征动作一致的数目；将所述表征动作一致的数目与所述测试数目的待检验动作数据集对应的动作数据总量的相除结果，作为所述第一表征动作与所述第二表征动作一致的比对结果，将所述比对
结果作为所述用户动作捕捉模型的动作捕捉置信度。10.一种服务器系统，其特征在于，包括服务器，所述服务器用于执行权利要求1-9中任一项所述的方法。

技术总结
本发明公开了一种用户动作捕捉模型的训练方法及系统，包括：首先响应于目标平台的用户动作捕捉指令，选取与业务场景对应的训练动作数据集和测试动作数据集；然后基于训练动作数据集完成对初始用户动作捕捉模型的训练；接着根据测试动作数据集对用户动作捕捉模型进行健壮性计算，得到用户动作捕捉模型的健壮性结果；最终在健壮性结果表征为用户动作捕捉模型通过检测的情况下，将用户动作捕捉模型发送至目标平台，如此设计，能够使得训练得到用户动作捕捉模型具备较高的精确度，目标平台无需对该用户动作捕捉模型进行调整优化，提高了后续用户动作捕捉的处理效率。续用户动作捕捉的处理效率。续用户动作捕捉的处理效率。


技术研发人员：王英 王新国
受保护的技术使用者：世优（北京）科技有限公司
技术研发日：2023.04.19
技术公布日：2023/8/28