一种数据预测方法及装置与流程

本发明属于预测技术领域，更具体的说，尤其涉及一种数据预测方法及装置。

背景技术：

虚拟现实是一种利用计算机图形学、仿真技术、多媒体技术、人工智能技术、计算机网络技术、并行处理技术和多传感器技术，模拟目标对象(如用户)的视觉、听觉、触觉等感觉器官功能，使目标对象能够沉浸在计算机生成的虚拟境界中，并能够通过语言、手势、头部运动等自然的方式与虚拟境界中的虚拟对象进行实时交互的新型技术。

随着虚拟现实技术的不断发展和进步，各类虚拟现实应用及虚拟现实设备浮出市场，特别是基于手机的虚拟现实设备有着成本低，使用便携等优势，是目前市场发展的一个重要方向，但是基于手机的虚拟现实设备也有一些缺陷，如基于手机的虚拟现实设备中传感器精度较低，导致传感器采集的数据精度降低，且基于手机的虚拟现实设备的处理器处理能力有限，其在处理传感器采集的数据时还需要处理手机中其他应用所需数据，导致基于手机的虚拟现实设备的显示时延增加，而采集的数据精度降低以及显示时延增加进一步会导致图像抖动与显示滞后。

为解决上述技术问题，目前采用的解决方法是：提高传感器精度和手机处理能力，但是这种解决方法只适用于高端机型的手机，通用性较差，并且这种解决方法会提高基于手机的虚拟现实设备的成本。

技术实现要素：

有鉴于此，本发明的目的在于提供一种数据预测方法及装置，以基于预设历史时间段内每个采集时刻采集到的运动数据，预测虚拟现实设备调用的下一帧图像数据，这样就无需提高基于手机的虚拟现实设备中的传感器精度和处理器处理能力，方法通用性较高。具体的，技术方案如下：

本发明提供一种数据预测方法，所述方法包括：

获取预设历史时间段内每个采集时刻采集到的运动数据，其中所述每个采集时刻采集到的运动数据用于指示目标对象在每个采集时刻的运动情况，且所述每个采集时刻采集到的运动数据由穿戴在所述目标对象上的采集设备采集；

根据所述每个采集时刻采集到的运动数据，得到所述目标对象的运动模式；

选取与所述目标对象的运动模式相匹配的预测模型以及与所述预测模型相关的时延参数；

根据所述每个采集时刻采集到的运动数据和所述时延参数，通过所述预测模型预测虚拟现实设备调用的下一帧图像数据，其中所述虚拟现实设备包括所述采集设备。

优选地，在获取预设历史时间段内每个采集时刻采集到的运动数据之后，所述方法还包括：对每个采集时刻采集到的运动数据进行预处理，得到每个采集时刻对应的预处理后的运动数据；

所述根据所述每个采集时刻采集到的运动数据，得到所述目标对象的运动模式，包括：根据所述每个采集时刻对应的预处理后的运动数据，得到所述目标对象的运动模式；

所述根据所述每个采集时刻采集到的运动数据和所述时延参数，通过所述预测模型预测虚拟现实设备调用的下一帧图像数据，包括：根据所述每个采集时刻对应的预处理后的运动数据和所述时延参数，通过所述预测模型预测虚拟现实设备调用的下一帧图像数据。

优选地，所述选取与所述目标对象的运动模式相匹配的预测模型，包括：

当所述目标对象的运动模式为第一运动模式时，获取每个采集时刻下所述虚拟现实设备调用的图像数据，并根据所述每个采集时刻下所述虚拟现实设备调用的图像数据，建立基于四元数的线性预测模型；

当所述目标对象的运动模式为第二运动模式或第三运动模式时，根据所述每个采集时刻采集到的运动数据，建立基于增量的高阶预测模型；

其中所述第一运动模式下的运动频率小于所述第三运动模式下的运动频率，所述第一运动模式下的运动幅度小于所述第二运动模式下的运动幅度；所述第二运动模式下的运动频率小于所述第三运动模式下的运动频率，所述第二运动模式下的运动幅度大于所述第三运动模式下的运动幅度。

优选地，所述根据所述每个采集时刻采集到的运动数据和所述时延参数，通过所述预测模型预测虚拟现实设备调用的下一帧图像数据，包括：

当所述预测模型为所述基于四元数的线性预测模型时，获取所述时延参数中的固有时延参数；

根据所述固有时延参数，得到所述虚拟现实设备调用下一帧图像数据的时刻；

将所述虚拟现实设备调用下一帧图像数据的时刻写入到基于四元数的线性预测模型中，得到所述虚拟现实设备调用的下一帧图像数据；

当所述预测模型为所述基于增量的高阶预测模型时，获取所述时延参数中的时延增量参数；

根据所述时延增量参数，得到所述采集设备采集下一个运动数据的时刻；

将所述采集设备采集下一个运动数据的时刻写入到基于增量的高阶预测模型中，得到所述采集设备采集到的下一个运动数据；

根据所述采集设备采集到的下一个运动数据，得到所述虚拟现实设备调用的下一帧图像数据。

优选地，所述根据所述采集设备采集到的下一个运动数据，得到所述虚拟现实设备调用的下一帧图像数据，包括：

当所述下一个运动数据大于第一阈值时，将所述虚拟现实设备当前调用的图像数据作为所述下一帧图像数据；

当所述下一个运动数据小于等于第一阈值，且所述下一运动数据大于等于第二阈值时，将所述下一个运动数据替换为所述第二阈值，并根据所述第二阈值得到所述下一帧图像数据，所述第一阈值大于所述第二阈值；

当所述下一个运动数据小于所述第二阈值时，根据所述下一个运动数据得到所述下一帧图像数据。

本发明还提供一种数据预测装置，所述装置包括：

获取单元，用于获取预设历史时间段内每个采集时刻采集到的运动数据，其中所述每个采集时刻采集到的运动数据用于指示目标对象在每个采集时刻的运动情况，且所述每个采集时刻采集到的运动数据由穿戴在所述目标对象上的采集设备采集；

模式识别单元，用于根据所述每个采集时刻采集到的运动数据，得到所述目标对象的运动模式；

选取单元，用于选取与所述目标对象的运动模式相匹配的预测模型以及与所述预测模型相关的时延参数；

预测单元，用于根据所述每个采集时刻采集到的运动数据和所述时延参数，通过所述预测模型预测虚拟现实设备调用的下一帧图像数据，其中所述虚拟现实设备包括所述采集设备。

优选地，所述装置还包括：预处理单元，用于对每个采集时刻采集到的运动数据进行预处理，得到每个采集时刻对应的预处理后的运动数据。

优选地，所述选取单元，用于当所述目标对象的运动模式为第一运动模式时，获取每个采集时刻下所述虚拟现实设备调用的图像数据，并根据所述每个采集时刻下所述虚拟现实设备调用的图像数据，建立基于四元数的线性预测模型；

以及用于当所述目标对象的运动模式为第二运动模式或第三运动模式时，根据所述每个采集时刻采集到的运动数据，建立基于增量的高阶预测模型；

其中所述第一运动模式下的运动频率小于所述第三运动模式下的运动频率，所述第一运动模式下的运动幅度小于所述第二运动模式下的运动幅度；所述第二运动模式下的运动频率小于所述第三运动模式下的运动频率，所述第二运动模式下的运动幅度大于所述第三运动模式下的运动幅度。

优选地，所述预测单元，包括：

第一获取子单元，用于当所述预测模型为所述基于四元数的线性预测模型时，获取所述时延参数中的固有时延参数；

第一计算子单元，用于根据所述固有时延参数，得到所述虚拟现实设备调用下一帧图像数据的时刻；

第一预测子单元，用于将所述虚拟现实设备调用下一帧图像数据的时刻写入到基于四元数的线性预测模型中，得到所述虚拟现实设备调用的下一帧图像数据；

第二获取子单元，用于当所述预测模型为所述基于增量的高阶预测模型时，获取所述时延参数中的时延增量参数；

第二计算子单元，用于根据所述时延增量参数，得到所述采集设备采集下一个运动数据的时刻；

第二预测子单元，用于将所述采集设备采集下一个运动数据的时刻写入到基于增量的高阶预测模型中，得到所述采集设备采集到的下一个运动数据；

第三计算子单元，用于根据所述采集设备采集到的下一个运动数据，得到所述虚拟现实设备调用的下一帧图像数据。

优选地，所述第三计算子单元，用于当所述下一个运动数据大于第一阈值时，将所述虚拟现实设备当前调用的图像数据作为所述下一帧图像数据；当所述下一个运动数据小于等于第一阈值，且所述下一运动数据大于等于第二阈值时，将所述下一个运动数据替换为所述第二阈值，并根据所述第二阈值得到所述下一帧图像数据，所述第一阈值大于所述第二阈值；以及当所述下一个运动数据小于所述第二阈值时，根据所述下一个运动数据得到所述下一帧图像数据。

与现有技术相比，本发明提供的上述技术方案具有如下优点：

藉由上述技术方案，在获取预设历史时间段内每个采集时刻采集到的运动数据后，根据每个采集时刻采集到的运动数据，得到目标对象的运动模式，并选取与目标对象的运动模式相匹配的预测模型以及与预测模型相关的时延参数，根据每个采集时刻采集到的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像数据，从而实现基于预设历史时间段内每个采集时刻采集到的运动数据来预测虚拟现实设备调用的下一帧图像数据，以降低图像抖动和显示延迟，对于每个虚拟现实设备来说均可以通过上述技术方案来预测下一帧图像数据，使得方法的通用性较高，并且对于虚拟现实设备来说无需提高虚拟现实设备的硬件，相对于提高硬件的方式来说，虚拟现实设备的成本降低。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图是本发明的一些实施例，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是本发明实施例提供的数据预测方法的一种流程图；

图2是本发明实施例提供的数据预测方法中图像数据预测的流程图；

图3是本发明实施例提供的数据预测方法的另一种流程图；

图4是本发明实施例提供的数据预测装置的一种结构示意图；

图5是本发明实施例提供的数据预测装置中预测单元的结构示意图；

图6是本发明实施例提供的数据预测装置的另一种结构示意图。

具体实施方式

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。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，其示出了本发明实施例提供的数据预测方法的一种流程，以基于预设历史时间段内每个采集时刻采集到的运动数据，预测虚拟现实设备调用的下一帧图像数据。在本发明实施例中，图1所示数据预测方法可以包括以下步骤：

101：获取预设历史时间段内每个采集时刻采集到的运动数据，其中每个采集时刻采集到的运动数据用于指示目标对象在每个采集时刻的运动情况，且每个采集时刻采集到的运动数据由穿戴在目标对象上的采集设备采集。

在本发明实施例中，采集设备是虚拟现实设备中用于采集目标对象的运动数据的设备，其中运动数据至少包括目标对象在一次运动时的运动频率和运动幅度，运动频率是一次运动从运动开始到运动结束的速率，运动频率越小说明速率越大，而运动频率越大则说明速率越小，运动幅度是一次运动从运动开始到运动结束的变化幅度，而目标对象在不同运动下目标对象的运动频率和运动幅度不同，因此通过运动频率和运动幅度可以得到目标对象的运动情况。

比如目标对象为用户的头部，采集设备则是虚拟现实设备穿戴在头部时，虚拟现实设备中的各个传感器，通过各个传感器可以采集到头部的运动频率和运动幅度，通过运动频率可知头部是处于快速运动下还是慢速运动下，而头部以身体的中线位置为基准时，头部在转动、侧倒、向下低和向上仰时可运动的最大运动幅度不同，因此通过运动幅度可以确定头部处于哪种运动情况下，当然在实际运动中，不排除头部并未一次运动至其可运动的最大运动幅度，因此在此种情况下还需要通过传感器来采集头部的运动方向(包括在运动数据中)，以指示出头部是在转动、侧倒、向下低还是向上仰。

上述预设历史时间段是包括当前采集时刻在内的一个时间段，且时间段下每个采集时刻均已通过采集设备采集到运动数据，对于时间段的具体时长可以根据实际预测设定，本发明实施例不限定其具体的取值，而时间段下每个采集时刻是采集设备采集运动数据的时刻，可以预先为采集设备设置间隔一定时间来采集运动数据。但是此处需要注意的一点是：在应用本发明实施例预测虚拟现实设备调用的下一帧图像数据时，采集设备仍会继续采集运动数据，当采集设备的运行到达一个新的采集时刻，则将新的采集时刻作为当前采集时刻来更新预设历史时间段，并将新的采集时刻采集到的运动数据存储在预设历史时间段下，而将预设历史时间段下距离所述新的采集时刻最长的采集时刻下的采集数据去除，以实时更新预设历史时间段内的运动数据，降低预测的图像数据出现偏差的概率。

102：根据每个采集时刻采集到的运动数据，得到目标对象的运动模式。

可以理解的是：不同运动情况下运动数据不同，因此通过运动数据可以确定目标对象的运动模式。在本发明实施例中可以将每种运动情况视为一种运动模式，如上述头部的转动、侧倒、向下低和向上仰这四种运动情况均视为是一种运动模式。

在本发明实施例中，可以根据运动幅度和运动频率来确定目标对象的运动模式，以通过运动模式确定目标对象处于正常运动或异常运动，而正常运动又包括正常快速运动和正常慢速运动，异常运动则是非正常的快速抖动，在这种三种运动下，正常快速运动的运动频率小于正常慢速运动的运动频率，但正常快速运动的运动幅度大于正常慢速运动的运动幅度，非正常的快速抖动的运动频率小于正常慢速运动的运动频率，但非正常的快速抖动的运动幅度小于正常快速运动的运动幅度，因此可以非正常的快速抖动视为第一运动模式，正常快速运动视为第二种运动模式，正常慢速运动视为第三种运动模式，并为这三种运动模式设置对应的运动幅度和运动频率，这样在获取到每个采集时刻采集到的运动数据后，根据这些运动数据的运动幅度和运动频率分别与为三种运动模式设置的运动幅度和运动频率进行比对，以确定目标对象的运动模式。

通常情况下，目标对象的运动是具有持续且规律性的，因此采集到的运动数据通常可以确定出一种运动模式；若经过比对确定的运动模式为多种，则获取确定的每种运动模式的次数，并从确定的所有运动模式中选取次数最多的运动模式为目标对象的运动模式。进一步若确定的多种运动模式中包含第一运动模式，则需要从多种运动模式中去除第一运动模式，若去除第一运动模式之后仅剩余一种运动模式，则将剩余的运动模式作为目标对象的运动模式，若去除第一运动模式之后仍剩余两种运动模式，则获取剩余的两种运动模式的次数，并从剩余的两种运动模式中选取次数最多的运动模式为目标对象的运动模式。

103：选取与目标对象的运动模式相匹配的预测模型以及与预测模型相关的时延参数。

可以理解的是：对于不同运动模式，其对预测模型预测图像数据的要求不同、比如在将非正常的快速抖动视为第一运动模式的情况下，第一运动模式要求预测模型快速预测图像数据，而在将正常快速运动视为第二种运动模式或者将正常慢速运动视为第三种运动模式的情况下，第二运动模式和第三运动模式要求预测模型预测的图像数据的误差较小，因此针对这种情况，为第一运动模式、第二运动模式和第三运动模式选取预测模型的过程如下：

当目标对象的运动模式为第一运动模式时，获取每个采集时刻下虚拟现实设备调用的图像数据，并根据每个采集时刻下虚拟现实设备调用图像数据，建立基于四元数的线性预测模型；当目标对象的运动模式为第二运动模式或第三运动模式时，根据每个采集时刻采集到的运动数据，建立基于增量的高阶预测模型。其中基于四元数的线性预测模型的预测速度大于基于增量的高阶预测模型的预测速度，但基于四元数的线性预测模型的预测误差大于基于增量的高阶预测模型的预测误差。

下面举例说明根据每个采集时刻下虚拟现实设备调用图像数据建立基于四元数的线性预测模型以及根据每个采集时刻采集到的运动数据建立基于增量的高阶预测模型的过程：

在建立基于四元数的线性预测模型时需要用到四组数据，这四组数据是虚拟现实设备调用的四个图像数据以及调用这四个图像数据时的时间点，而此处仅以两组数据进行示例性说明，假设每个采集时刻是上一个采集时刻和当前采集时刻，虚拟现实设备调用的图像数据以四元数为例，分别是x0和x1，调用这两个图像数据的时刻为t0和t1，则得到的基于四元数的线性预测模型的原理性公式是：

x＝x0+(x1-x0)/(t1-t0)*(t-t0)，x1为虚拟现实设备调用的当前帧图像数据，x0为虚拟现实设备调用的上一帧图像数据，t1为虚拟现实设备调用当前帧图像数据的时刻，t0为虚拟现实设备调用上一帧图像数据的时刻。

对于基于增量的高阶预测模型来说，以二阶多项式模型为例，二阶多项式模型的表达公式为：x＝a*t^2+b*t+c，因此基于3个运动数据和运动数据对应的采集时刻可以对表达公式进行求解，得到表达公式中三个系数a、b和c的取值，这样就可以利用二阶多项式模型的表达公式预测下一个运动数据，所谓下一个运动数据是当前采集时刻的下一个采集时刻采集到的运动数据。

在本发明实施例中，与预测模型相关的时延参数是为了得到预测模型进行预测所需的时间信息，可选的时延参数包括固有时延参数和时延增量参数，其中固有时延参数用于基于四元数的线性预测模型，而时延增量参数用于基于增量的高阶预测模型，相应的基于增量的高阶预测模型中的增量指的是时间的增量，在本发明实施例中可以将时延增量参数作为时间的增量，通过将固有时延参数和时延增量参数应用到对应的预测模型中，可以提高预测中时间准确性。对于固有时延参数和时延增量参数来说，这两个参数的介绍和获取过程如下；

固有时延参数是从设备处理完成一帧图像开始，到这一帧图像完全显示的时间值，这个固有时延参数可以通过为设备设计的测试装置测得，而时延增量参数是运动数据被采集到与运动数据被处理完的时间差，具体方式是采集设备采集到运动数据时，记录系统时间，并为运动数据添加一个时间标签，处理运动数据的设备在获取到运动数据时会获取到该时间标签，在处理运动数据的设备完成对运动数据的处理后，处理运动数据的设备同样会记录系统时间，这样将具有同一个时间标签的两个系统时间的差值即可得到时延增量参数。

104：根据每个采集时刻采集到的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像数据，实现基于预设历史时间段内每个采集时刻采集到的运动数据来预测虚拟现实设备调用的下一帧图像数据，以降低图像抖动和显示延迟，这样对于每个虚拟现实设备来说均可以通过上述技术方案来预测下一帧图像数据，使得方法的通用性较高，并且对于虚拟现实设备来说无需提高虚拟现实设备的硬件，相对于提高硬件的方式来说，虚拟现实设备的成本降低。

在本发明实施例中，基于四元数的线性预测模型和基于增量的高阶预测模型进行预测的过程请参阅图2所示，可以包括以下步骤：

201：当预测模型为基于四元数的线性预测模型时，获取时延参数中的固有时延参数。

202：根据固有时延参数，得到虚拟现实设备调用下一帧图像数据的时刻。在本发明实施例中，虚拟现实设备调用下一帧图像数据的时刻为：固有时延参数与虚拟现实设备调用当前帧图像数据的时刻之和。

以上述基于四元数的线性预测模型的原理性公式：x＝x0+(x1-x0)/(t1-t0)*(t-t0)为例，固有时延参数为t’，则调用下一帧图像数据的时刻t＝t1+t’。

203：将虚拟现实设备调用下一帧图像数据的时刻写入到基于四元数的线性预测模型中，得到虚拟现实设备调用的下一帧图像数据。

204：当预测模型为基于增量的高阶预测模型时，获取时延参数中的时延增量参数。

205：根据时延增量参数，得到采集设备采集下一个运动数据的时刻。在本发明实施例中，采集设备采集下一个运动数据的时刻为：时延增量参数与采集设备当前采集运动数据的时刻之和，假设当前采集运动数据的时刻为t0，时延增量参数为t’，则采集设备采集下一个运动数据的时刻t＝t0+t’。

206：将采集设备采集下一个运动数据的时刻写入到基于增量的高阶预测模型中，得到采集设备采集到的下一个运动数据。以基于增量的高阶预测模型为上述二阶多项式模型为例，二阶多项式模型的表达公式为：x＝a*t^2+b*t+c，则将t＝t0+t’写入到表达公式中，得到的x则为下一个运动数据。

207：根据采集设备采集到的下一个运动数据，得到虚拟现实设备调用的下一帧图像数据。其中根据下一个运动数据得到下一帧图像数据的过程请参阅现有技术，对此本发明实施例不再阐述。

而下一个运动数据中可能存在噪声以及与预设历史时间段内每个采集时刻的运动数据相差较大，为此本发明实施例在得到下一帧图像数据前，首先需要对下一个运动数据进行预处理，其预处理过程如下：

当下一个运动数据大于第一阈值时，将虚拟现实设备当前调用的图像数据作为下一帧图像数据。

当下一个运动数据小于等于第一阈值，且下一运动数据大于等于第二阈值时，将下一个运动数据替换为第二阈值，并根据第二阈值得到下一帧图像数据，其中第一阈值大于第二阈值。

当下一个运动数据小于第二阈值时，根据下一个运动数据得到下一帧图像数据。

之所以设置第一阈值和第二阈值这两个阈值，是为了能够去除下一个运动数据中的毛刺噪声以及对下一个运动数据进行截取处理，其中第一阈值和第二阈值可以根据预设历史时间段内每个采集时刻采集到的运动数据得到，比如可以对每个采集时刻采集到的运动数据进行平均处理，得到一个大于1的运动数据，则上述第一阈值可以采用x^n’的方式，而第二阈值可以采用n*x的方式，x为平均处理后得到的运动数据，n’和n是两个大于1的自然数。

当x’<n*x时，说明下一个运动数据x’为正常数据，可以直接根据下一个运动数据得到下一帧图像数据；

当n*x≤x’≤x^n’时，说明下一个运动数据与预设历史时间段内每个采集时刻的运动数据相差较大，需要对其进行截取处理，具体的将下一个运动数据替换为n*x，并根据n*x得到下一帧图像数据；

当x’>x^n’时，说明下一个运动数据为毛刺噪声，可以直接舍弃，并将虚拟现实设备当前调用的图像数据作为下一帧图像数据，即保持上一次的运动状态。

藉由上述技术方案，在获取预设历史时间段内每个采集时刻采集到的运动数据后，根据每个采集时刻采集到的运动数据，得到目标对象的运动模式，并选取与目标对象的运动模式相匹配的预测模型以及与预测模型相关的时延参数，根据每个采集时刻采集到的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像数据，从而实现基于预设历史时间段内每个采集时刻采集到的运动数据来预测虚拟现实设备调用的下一帧图像数据，以降低图像抖动和显示延迟，这样对于每个虚拟现实设备来说均可以通过上述技术方案来预测下一帧图像数据，使得方法的通用性较高，并且对于虚拟现实设备来说无需提高虚拟现实设备的硬件，相对于提高硬件的方式来说，虚拟现实设备的成本降低。

请参阅图3，其示出了本发明实施例提供的数据预测方法的另一种流程，可以包括以下步骤：

301：获取预设历史时间段内每个采集时刻采集到的运动数据，其中每个采集时刻采集到的运动数据用于指示目标对象在每个采集时刻的运动情况，且每个采集时刻采集到的运动数据由穿戴在目标对象上的采集设备采集，具体说明请参数步骤101中的相关说明。

302：对每个采集时刻采集到的运动数据进行预处理，得到每个采集时刻对应的预处理后的运动数据。可以理解的是：采集到的运动数据中存在噪声，若直接将其应用到后续预测，则会降低预测准确性，为此本发明实施例在获取到运动数据后，首先对运动数据进行预处理，然后再根据预处理后的运动数据进行后续预测。

其中对每个采集时刻采集到的运动数据进行预处理包括：随机噪声处理、周期性噪声处理和微抖动处理中的至少一种，微抖动是指微小抖动，其产生原因是身体不自主地晃动导致头部抖动，如运动频率为0.1至1hz(赫兹)，运动幅度小于1deg/s(度/秒)，则视为是微抖动。本发明实施例对运动数据依次进行随机噪声处理、周期性噪声处理和微抖动处理后，可以有效去除运动数据中的随机噪声、周期性噪声以及数据抖动，同时不降低运动数据的准确性。原因在于：随机噪声为系统白噪声，因此去除随机噪声不会降低数据精度；而周期性噪声与微抖动来自于人体不自主运动(如心跳造成的振动等)，这部分运动数据的运动幅度微小，因此去除不会降低运动数据的准确性。

下面对随机噪声处理、周期性噪声处理和微抖动处理的流程进行举例说明，但本发明实施例并不限定于此，对于其他运动数据的预处理以及其他随机噪声处理、周期性噪声处理和微抖动处理的流程均在本发明实施例的保护范围之内。

随机噪声处理的流程如下：

首先，获取目标对象在预设时间内处于静止状态下的运动数据(即纯噪声数据)，并得到预设时间内处于静止状态下的运动数据的数学期望与方差，基于数学期望与方差、建立基于高斯分布函数的随机噪声模型，其中预设时间可以根据实际应用而定，如可以是0.5至1.0s(秒)；

其次，根据基于高斯分布函数的随机噪声模型构建滤波器，并继续获取目标对象的运动数据，通过滤波器对继续获取的运动数据进行滤波处理，得到经过滤波器处理后的数据，若经过滤波器处理后的数据在预设时间内的数据偏差小于阈值a，则会使用预设时间内未经过滤波器处理的运动数据对基于高斯分布函数的随机噪声模型进行修正，如计算预设时间内未经过滤波器处理的运动数据会的方差来替换之前的方差，数学期望则按照预设比例进行替换，得到新的基于高斯分布函数的随机噪声模型，然后基于新的基于高斯分布函数的随机噪声模型构建滤波器。对于预设时间、阈值a和预设比例均可以预先设置，对于其取值本发明实施例不加以限定，其中预设比例的优化取值为50％。

周期噪声处理的流程如下：

首先，获取预设时间段内(预先设置，取值不限)的运动数据，这个预设时间段内的运动数据为时域的运动数据，对运动数据进行fft(fastfouriertransformation，快速傅氏变换)，得到频域数据；对频率数据中特定频率点的数据进行处理，如当频率数据得到的频谱在1至60hz的频点区间内出现较大数值时，则将这个较大数值进行减损处理，从而减小周期性噪声，其中减损处理后的数据＝处理前的数据*c，c的取值可以预先设定，具体取值不做限定；

其次，对处理后的频域数据进行ifft(inversefastfouriertransform，快速傅里叶逆变换)，得到时域的运动数据。

微抖动处理的流程如下：

通过预设微抖动判断规则判断运动数据对应的运动是否存在微抖动，其中微抖动判断规则可以设置运动频率和运动幅度，运动频率为0.1至1hz(赫兹)，运动幅度小于1deg/s，则视为是微抖动；

如果存在微抖动，则将微抖动对应的运动数据进行积分处理，得到的积分值记录到一个积分池s中，其中积分池s是每次得到的积分值的累积结果，且对于微抖动来说，会存在方向相反的两种情况，如头部的上下抖动就是方向相反的两种情况，因此得到的积分值有正有负，具体的以两种情况中一种情况对应的方向为正向，与其方向相反的方法则为负向，则进行积分时正向的积分值为正数，负向的积分值为负数。

当积分池s小于阈值d时，保持之前获取的运动数据不变，当积分池s大于阈值d时，可以理解为将多次的微抖动集合成一次大移动，此时执行s对应的运动，在本发明实施例中s表示运动幅度，因此当积分池大于阈值d时，执行运动幅度为s的运动；阈值d为预先设定值，如可以设为3至5度。

303：根据每个采集时刻对应的预处理后的运动数据，得到目标对象的运动模式。

304：选取与目标对象的运动模式相匹配的预测模型以及与预测模型相关的时延参数，具体说明请参数步骤101中的相关说明。

305：根据每个采集时刻对应的预处理后的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像。

在本发明实施例中，步骤303和步骤305：与上述步骤102和步骤104的不同之处在于，步骤303和步骤305是以预处理后的运动数据为准进行运动模式的确定和下一帧图像的预测，具体执行过程还请参阅步骤102和步骤104中的说明。

藉由上述技术方案，在对运动数据进行预处理后，可以有效去除运动数据中的随机噪声、周期性噪声以及数据抖动，同时不降低运动数据的准确性，这样后续在进行图像数据预测时可以提高预测准确度。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

请参阅图4，其示出了本发明实施例提供的数据预测装置的一种结构，可以包括：获取单元11、模式识别单元12、选取单元13和预测单元14。

获取单元11，用于获取预设历史时间段内每个采集时刻采集到的运动数据，其中每个采集时刻采集到的运动数据用于指示目标对象在每个采集时刻的运动情况，且每个采集时刻采集到的运动数据由穿戴在目标对象上的采集设备采集。

在本发明实施例中，采集设备是虚拟现实设备中用于采集目标对象的运动数据的设备，其中运动数据至少包括目标对象在一次运动时的运动频率和运动幅度，运动频率是一次运动从运动开始到运动结束的速率，运动频率越小说明速率越大，而运动频率越大则说明速率越小，运动幅度是一次运动从运动开始到运动结束的变化幅度，而目标对象在不同运动下目标对象的运动频率和运动幅度不同，因此通过运动频率和运动幅度可以得到目标对象的运动情况。

上述预设历史时间段是包括当前采集时刻在内的一个时间段，且时间段下每个采集时刻均已通过采集设备采集到运动数据，对于时间段的具体时长可以根据实际预测设定，本发明实施例不限定其具体的取值，而时间段下每个采集时刻是采集设备采集运动数据的时刻，可以预先为采集设备设置间隔一定时间来采集运动数据。但是此处需要注意的一点是：在应用本发明实施例预测虚拟现实设备调用的下一帧图像数据时，采集设备仍会继续采集运动数据，当采集设备的运行到达一个新的采集时刻，则将新的采集时刻作为当前采集时刻来更新预设历史时间段，并将新的采集时刻采集到的运动数据存储在预设历史时间段下，而将预设历史时间段下距离所述新的采集时刻最长的采集时刻下的采集数据去除，以实时更新预设历史时间段内的运动数据，降低预测的图像数据出现偏差的概率。

模式识别单元12，用于根据每个采集时刻采集到的运动数据，得到目标对象的运动模式。可以理解的是：不同运动情况下运动数据不同，因此通过运动数据可以确定目标对象的运动模式。在本发明实施例中可以将每种运动情况视为一种运动模式，如上述头部的转动、侧倒、向下低和向上仰这四种运动情况均视为是一种运动模式，对于如何根据运动数据得到目标对象的运动模式请参阅方法部分的说明，对此不再阐述。

选取单元13，用于选取与目标对象的运动模式相匹配的预测模型以及与预测模型相关的时延参数。

可以理解的是：对于不同运动模式，其对预测模型预测图像数据的要求不同、比如在将非正常的快速抖动视为第一运动模式的情况下，第一运动模式要求预测模型快速预测图像数据，而在将正常快速运动视为第二种运动模式或者将正常慢速运动视为第三种运动模式的情况下，第二运动模式和第三运动模式要求预测模型预测的图像数据的误差较小，因此针对这种情况，选取单元13为第一运动模式、第二运动模式和第三运动模式选取预测模型的过程如下：

当目标对象的运动模式为第一运动模式时，获取每个采集时刻下虚拟现实设备调用的图像数据，并根据每个采集时刻下虚拟现实设备调用图像数据，建立基于四元数的线性预测模型；当目标对象的运动模式为第二运动模式或第三运动模式时，根据每个采集时刻采集到的运动数据，建立基于增量的高阶预测模型。其中基于四元数的线性预测模型的预测速度大于基于增量的高阶预测模型的预测速度，但基于四元数的线性预测模型的预测误差大于基于增量的高阶预测模型的预测误差。

在本发明实施例中，与预测模型相关的时延参数是为了得到预测模型进行预测所需的时间信息，可选的时延参数包括固有时延参数和时延增量参数，其中固有时延参数用于基于四元数的线性预测模型，而时延增量参数用于基于增量的高阶预测模型，相应的基于增量的高阶预测模型中的增量指的是时间的增量，在本发明实施例中可以将时延增量参数作为时间的增量，通过将固有时延参数和时延增量参数应用到对应的预测模型中，可以提高预测中时间准确性。对于固有时延参数和时延增量参数来说，这两个参数的介绍和获取过程如下；

固有时延参数是从设备处理完成一帧图像开始，到这一帧图像完全显示的时间值，这个固有时延参数可以通过为设备设计的测试装置测得，而时延增量参数是运动数据被采集到与运动数据被处理完的时间差，具体方式是采集设备采集到运动数据时，记录系统时间，并为运动数据添加一个时间标签，处理运动数据的设备在获取到运动数据时会获取到该时间标签，在处理运动数据的设备完成对运动数据的处理后，处理运动数据的设备同样会记录系统时间，这样将具有同一个时间标签的两个系统时间的差值即可得到时延增量参数。

预测单元14，用于根据每个采集时刻采集到的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像数据，实现基于预设历史时间段内每个采集时刻采集到的运动数据来预测虚拟现实设备调用的下一帧图像数据，以降低图像抖动和显示延迟，这样对于每个虚拟现实设备来说均可以通过上述技术方案来预测下一帧图像数据，使得装置的通用性较高，并且对于虚拟现实设备来说无需提高虚拟现实设备的硬件，相对于提高硬件的方式来说，虚拟现实设备的成本降低。

在本发明实施例中，预测单元14的结构如图5所示，可以包括：第一获取子单元141、第一计算子单元142、第一预测子单元143、第二获取子单元144、第二计算子单元145、第二预测子单元146和第三计算子单元147。

第一获取子单元141，用于当预测模型为基于四元数的线性预测模型时，获取时延参数中的固有时延参数。

第一计算子单元142，用于根据固有时延参数，得到虚拟现实设备调用下一帧图像数据的时刻。在本发明实施例中，虚拟现实设备调用下一帧图像数据的时刻为：固有时延参数与虚拟现实设备调用当前帧图像数据的时刻之和。

以上述基于四元数的线性预测模型的原理性公式：x＝x0+(x1-x0)/(t1-t0)*(t-t0)为例，固有时延参数为t’，则调用下一帧图像数据的时刻t＝t1+t’。

第一预测子单元143，用于将虚拟现实设备调用下一帧图像数据的时刻写入到基于四元数的线性预测模型中，得到虚拟现实设备调用的下一帧图像数据。

第二获取子单元144，用于当预测模型为基于增量的高阶预测模型时，获取时延参数中的时延增量参数。

第二计算子单元145，用于根据时延增量参数，得到采集设备采集下一个运动数据的时刻。在本发明实施例中，采集设备采集下一个运动数据的时刻为：时延增量参数与采集设备当前采集运动数据的时刻之和，假设当前采集运动数据的时刻为t0，时延增量参数为t’，则采集设备采集下一个运动数据的时刻t＝t0+t’。

第二预测子单元146，用于将采集设备采集下一个运动数据的时刻写入到基于增量的高阶预测模型中，得到采集设备采集到的下一个运动数据。以基于增量的高阶预测模型为上述二阶多项式模型为例，二阶多项式模型的表达公式为：x＝a*t^2+b*t+c，则将t＝t0+t’写入到表达公式中，得到的x则为下一个运动数据。

第三计算子单元147，用于根据采集设备采集到的下一个运动数据，得到虚拟现实设备调用的下一帧图像数据。

可选的，第三计算子单元147，用于当下一个运动数据大于第一阈值时，将虚拟现实设备当前调用的图像数据作为下一帧图像数据；当下一个运动数据小于等于第一阈值，且下一运动数据大于等于第二阈值时，将下一个运动数据替换为第二阈值，并根据第二阈值得到下一帧图像数据，第一阈值大于第二阈值；以及当下一个运动数据小于第二阈值时，根据下一个运动数据得到下一帧图像数据。

之所以设置第一阈值和第二阈值这两个阈值，是为了能够去除下一个运动数据中的毛刺噪声以及对下一个运动数据进行截取处理，其中第一阈值和第二阈值可以根据预设历史时间段内每个采集时刻采集到的运动数据得到，比如可以对每个采集时刻采集到的运动数据进行平均处理，得到一个大于1的运动数据，则上述第一阈值可以采用x^n’的方式，而第二阈值可以采用n*x的方式，x为平均处理后得到的运动数据，n’和n是两个大于1的自然数。

当x’<n*x时，说明下一个运动数据x’为正常数据，可以直接根据下一个运动数据得到下一帧图像数据；

当n*x≤x’≤x^n’时，说明下一个运动数据与预设历史时间段内每个采集时刻的运动数据相差较大，需要对其进行截取处理，具体的将下一个运动数据替换为n*x，并根据n*x得到下一帧图像数据；

当x’>x^n’时，说明下一个运动数据为毛刺噪声，可以直接舍弃，并将虚拟现实设备当前调用的图像数据作为下一帧图像数据，即保持上一次的运动状态。

藉由上述技术方案，在获取预设历史时间段内每个采集时刻采集到的运动数据后，根据每个采集时刻采集到的运动数据，得到目标对象的运动模式，并选取与目标对象的运动模式相匹配的预测模型以及与预测模型相关的时延参数，根据每个采集时刻采集到的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像数据，从而实现基于预设历史时间段内每个采集时刻采集到的运动数据来预测虚拟现实设备调用的下一帧图像数据，以降低图像抖动和显示延迟，这样对于每个虚拟现实设备来说均可以通过上述技术方案来预测下一帧图像数据，使得装置的通用性较高，并且对于虚拟现实设备来说无需提高虚拟现实设备的硬件，相对于提高硬件的方式来说，虚拟现实设备的成本降低。

请参阅图6，其示出了本发明实施例提供的数据预测装置的另一种结构，还可以包括：预处理单元15，用于对每个采集时刻采集到的运动数据进行预处理，得到每个采集时刻对应的预处理后的运动数据。

可以理解的是：采集到的运动数据中存在噪声，若直接将其应用到后续预测，则会降低预测准确性，为此本发明实施例在获取到运动数据后，首先对运动数据进行预处理，然后再根据预处理后的运动数据进行后续预测。其中预处理单元15对每个采集时刻采集到的运动数据进行预处理的过程请参阅方法实施例部分的说明，对此不再阐述。

相应的，模式识别单元12，用于根据每个采集时刻对应的预处理后的运动数据，得到目标对象的运动模式；预测单元14则用于根据每个采集时刻对应的预处理后的运动数据和时延参数，通过预测模型预测虚拟现实设备调用的下一帧图像数据。

藉由上述技术方案，在对运动数据进行预处理后，可以有效去除运动数据中的随机噪声、周期性噪声以及数据抖动，同时不降低运动数据的准确性，这样后续在进行图像数据预测时可以提高预测准确度。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。