(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210594556.2 (22)申请日 2022.05.27 (71)申请人 北京达佳互联信息技 术有限公司 地址 100085 北京市海淀区上地西路6号1 幢1层101D1-7 (72)发明人 吴昊潜　 (74)专利代理 机构 北京律智知识产权代理有限 公司 11438 专利代理师 孙宝海 (51)Int.Cl. G06T 19/00(2011.01) G06T 7/246(2017.01) G06T 7/73(2017.01) (54)发明名称 位置确定模型训练方法、 位置确定方法、 装 置、 介质 (57)摘要 本公开涉及计算机技术领域， 具体涉及一种 位置确定模型训练方法、 位置确定方法、 位置确 定模型训练装置、 位置确定装置、 计算机可读存 储介质及电子设备， 包括： 获取检测对象样本数 据； 将2D关键位置信息以及3D关键位置信息输入 第一待训练模型得到检测对象的预测3D位置信 息； 根据检测对象的预测3D位置信息与3D位置信 息标签， 对第一待训练模型的神经网络参数进行 更新， 以得到位置确定模型。 通过本公开实施例 的技术方案， 可以解决现有技术中通过单摄像模 组捕捉动作时位置不 准确的问题。 权利要求书3页 说明书21页 附图10页 CN 114926610 A 2022.08.19 CN 114926610 A 1.一种位置确定模型训练方法， 其特 征在于， 所述方法包括： 获取检测对象样本数据； 其中， 所述检测对象样本数据中包括2D关键位置信息、 3D 关键 位置信息以及3D位置信息标签； 其中， 所述3D位置信息标签用于指示所述检测对象在3D虚 拟环境中的位置； 将所述2D关键位置信息以及所述3D关键位置信息输入第一待训练模型得到所述检测 对象的预测3D位置信息； 根据所述检测对象的预测3D位置信息与所述3D位置信 息标签， 对所述第一待训练模型 的神经网络参数进行 更新， 以得到位置确定模型。 2.根据权利要求1所述的方法， 其特征在于， 所述第 一待训练模型包括第 一待训练子模 型与第二待训练子模型， 所述将所述2D关键位置信息以及所述3D关键位置信息输入第一待 训练模型 得到所述检测对象的预测3D位置信息， 包括： 将所述2D关键位置信息输入所述第一待训练子模型得到第 一预测结果， 将所述3D关键 位置信息 输入所述第二待训练子模型第二预测结果； 根据所述第一预测结果与所述第二预测结果确定所述检测对象的预测3D位置信息 。 3.根据权利要求1所述的方法， 其特征在于， 所述将所述2D关键位置信息以及所述3D关 键位置信息 输入第一待训练模型 得到所述检测对象的预测3D位置信息， 包括： 将第一数量的所述2D关键位置信息以及第二数量的所述3D关键位置信息输入所述第 一待训练模型， 得到第二数量的检测对象的预测3D位置信息； 其中， 所述第 一数量的2D关键位置信 息对应的检测对象样本数据为第 一时间段内获取 的数据， 所述第二数量的3D关键位置信息为第二时间段内获取的数据； 所述第二时间段位 于所述第一时间段的时间区间内， 所述第一数量大于第二数量。 4.根据权利要求1所述的方法， 其特征在于， 所述根据所述检测对象的预测3D位置信 息 与所述3D位置信息标签， 对所述第一待训练模型的神经网络参数进行更新， 以得到位置确 定模型， 包括： 根据所述检测对象的预测3D位置信息与所述3D位置信息标签对所述第一待训练模型 的神经网络参数进行更新， 在所述第一待训练模型满足收敛条件时， 将所述第一待训练模 型确定为 位置确定模型。 5.根据权利要求4所述的方法， 其特征在于， 所述在所述第 一待训练模型满足收敛条件 时， 将所述第一待训练模型确定为 位置确定模型， 包括： 获取多个检测对象的预测3D位置信息； 其中， 所述多个检测对象的预测3D位置信息是 通过对第三时间段内的多个 检测对象样本数据进行 预测得到的； 根据所述多个 检测对象样本数据中的3D位置信息标签确定所述检测对象的运动速度； 根据所述多个 检测对象的预测3D位置信息确定所述检测对象的预测运动速度； 在所述检测对象的运动速度与所述检测对象的预测运动速度的速度误差小于第一阈 值时， 所述第一待训练模型满足收敛 条件， 将所述第一待训练模型确定为 位置确定模型。 6.根据权利要求4所述的方法， 其特征在于， 所述在所述第 一待训练模型满足收敛条件 时， 将所述第一待训练模型确定为 位置确定模型， 包括： 获取多个检测对象的预测3D位置信息； 其中， 所述多个检测对象的预测3D位置信息是 通过对第四 时间段内的多个 检测对象样本数据进行 预测得到的；权　利　要　求　书 1/3 页 2 CN 114926610 A 2根据所述多个检测对象样本数据中的3D位置信息标签确定所述检测对象的运动加速 度； 根据所述多个 检测对象的预测3D位置信息确定所述检测对象的预测运动加速度； 在所述检测对象的运动加速度与所述检测对象的预测运动加速度的加速度误差小于 第二阈值时， 所述第一待训练模型满足收敛条件， 将所述第一待训练模型确定为位置确定 模型。 7.根据权利要求4所述的方法， 其特征在于， 所述在所述第 一待训练模型满足收敛条件 时， 将所述第一待训练模型确定为 位置确定模型， 包括： 根据所述检测对象的预测3D位置信息与所述3D位置信息标签确定预测3D位置信息差 值； 在所述预测3D位置信息差值小于第三阈值时， 所述第一待训练模型满足收敛条件， 将 所述第一待训练模型确定为 位置确定模型。 8.根据权利要求1所述的方法， 其特征在于， 在所述获取检测对象样本数据之前， 所述 方法还包括： 获取检测对象对应的图像， 将所述检测对象对应的图像输入2D关键位置检测模型得到 所述检测对象对应的2D关键位置信息； 采用多视角重建方法获取所述检测对象对应的3D位置信 息标签， 以及获取所述检测对 象对应的3D关键位置信息； 根据所述检测对象对应的2D关键位置信息、 检测对象对应的3D关键位置信息以及检测 对象对应的3D位置信息标签确定检测对象样本数据。 9.根据权利要求8所述的方法， 其特征在于， 所述获取所述检测对象对应的3D关键位置 信息， 包括： 将所述检测对象对应的2D关键位置信息输入3D关键位置预估模型得到所述检测对象 对应的3D关键位置信息 。 10.根据权利要求9所述的方法， 其特 征在于， 所述方法还 包括： 根据所述检测对象对应的3D位置信息标签确定所述检测对象对应的3D关键位置信息； 将所述检测对象对应的2D关键位置信息输入第二待训练模型得到预测3D关键位置信 息； 根据所述预测3D关键位置信息与所述3D关键位置信息对所述第二待训练模型的神经 网络参数进行 更新， 得到所述3D关键位置预估 模型。 11.一种位置确定方法， 其特 征在于， 所述方法包括： 获取检测对象对应的图像； 将所述检测对象对应的图像输入2D关键位置检测模型得到所述检测对象对应的2D关 键位置信息； 将所述检测对象对应的2D关键位置信息输入3D关键位置预估模型得到所述检测对象 对应的3D关键位置信息； 将所述检测对象对应的2D关键位置信息以及所述检测对象对应的3D关键位置信息输 入位置确定模 型， 得到所述检测对象的3D位置信息； 其中， 所述3D位置信息可以用于指示所 述检测对象在3D虚拟环境中的位置， 所述位置确定模型是通过如权利要求 1‑10中任意一项权　利　要　求　书 2/3 页 3 CN 114926610 A 3