本发明涉及计算机机器学习领域，尤其涉及一种用于识别动作的动作模式生成方法、装置、存储介质及系统。
背景技术：
在当前的传感器应用当中，基于模式特征的姿态触发和场景感知方式都较为简陋。通常来说，现有技术中的模式特征都是固定参数，即固定的参数对应固定的模式特征。这样的问题在于，无法在现有模式特征的基础上继续对该模式特征进行泛化或精确化。对于动作特征的变化，只有通过重新人为输入指定参数来变更定义其参数，才能对该动作特征有较精准的识别，并由此而获得较为准确的触发事件；或者，只是根据之前的固定参数而得到并不精确的输出结果。因此，亟需一种能够对各种动作进行自动学习的方法来解决上述技术问题。
技术实现要素：
为解决上述问题，本发明提供一种用于识别动作的动作模式生成方法、装置、存储介质以及系统。在本发明中，通过对对象的动作进行特征识别，并基于该识别的特征生成该动作的模式参数。由此解决现有技术中由于动作的模式参数固定不变而产生的识别精度问题，提供一种可动态地变更动作模式参数的方法。具体如下：
第一方面，本发明实施例提供一种用于识别动作的动作模式生成的方法，其包括以下步骤：
终端设备通过传感器集合端获取训练对象执行动作时的训练数据；其中，所述训练数据包括所述训练对象在执行所述动作前、执行所述动作时以及执行所述动作后的姿态信息与所述训练对象在执行所述动作时的运动信息；
所述终端设备根据所述训练数据中的姿态信息和所述运动信息，生成针对于所述训练对象的动作模式；其中，所述动作模式用于在所述传感器集合端获取与所述动作模式相匹配的训练数据时标示所述训练对象对应执行的触发事件；
对所述终端设备执行更新操作；其中，所述更新操作包括在预设动作模式中添加所述终端设备根据所述训练数据生成的针对于所述训练对象的动作模式，或使用所述终端设备根据所述训练数据生成的针对于所述训练对象的动作模式替换所述预设动作模式。
在第一方面的第一种可能的实施方式中，所述姿态信息包括所述训练对象执行所述动作的起始位置、运动位置、终止位置、运动方向、运动路径；所述运动信息包括所述训练对象执行所述动作时的运动变化；
在所述终端设备根据所述训练数据中的姿态信息和所述运动信息生成针对于所述训练对象的动作模式的步骤中，所述终端设备根据所述起始位置、运动位置、终止位置、运动方向、运动路径、运动变化，确定所述动作模式的模式参数；其中，所述模式参数用于所述终端设备生成针对于所述训练对象的动作模式。
在第一方面的第二种可能的实施方式中，终端设备根据姿态信息和运动信息，生成针对于训练对象的动作模式的步骤还包括：
a：提取训练数据中的姿态信息和动作信息，并剔除训练数据中的异常数据，以确定训练数据对应的训练参数；其中，训练参数包括动作的起始位置参数、运动位置参数、终止位置参数、运动方向参数、运动路径参数以及动作的运动变化参数；
b：搜索预设动作模式中的模式参数，将训练参数优化至与模式参数相关的预设范围，以生成针对于训练对象的动作模式；其中，动作模式包括预设范围内的训练参数及预设范围内的训练参数对应的触发事件。
进一步地，步骤a包括通过主成分分析方法提取训练数据中的姿态信息和动作信息，并剔除训练数据中的异常数据，以确定训练数据对应的训练参数；
步骤b包括通过梯度下降方法搜索预设动作模式中的模式参数，将训练参数优化至与模式参数相关的预设范围，以生成针对于训练对象的动作模式。
在第一方面的第三种可能的实施方式中，在终端设备根据姿态信息和运动信息生成针对于训练对象的动作模式的步骤之后还包括：
终端设备将动作模式传送至传感器集合端；其中，传感器集合端在获取与动作模式相匹配的训练数据时指令训练对象执行触发事件。
进一步地，在终端设备根据训练数据中的姿态信息和运动信息生成针对于训练对象的动作模式的步骤中还包括：
判断训练数据的大小是否超过指定阈值；
若是，则终端设备将训练数据传送至服务器端；
服务器端根据训练数据中的姿态信息和运动信息，生成针对于训练对象的动作模式；
服务器端将生成的针对于训练对象的动作模式通过终端设备传送至传感器集合端；其中，传感器集合端在获取与动作模式相匹配的训练数据时指令训练对象执行触发事件。
第二方面，本发明提供一种用于动作识别的动作模式生成装置，其包括：
训练数据获取模块，训练数据获取模块用于通过传感器集合端获取训练对象的训练数据；其中，训练数据包括训练对象在执行动作前、执行动作时以及执行动作后的姿态信息与训练对象在执行动作时的运动信息；其中，姿态信息包括训练对象执行动作的起始位置、运动位置、终止位置、运动方向、运动路径；运动信息包括训练对象执行动作时的运动变化；
动作模式生成模块，动作模式生成模块用于根据训练数据中的姿态信息和运动信息，生成针对于训练对象的动作模式；其中，动作模式用于在传感器集合端获取与动作模式相匹配的训练数据时标示训练对象对应执行的触发事件；
更新模块，更新模块用于对预设动作模式执行更新操作；其中，更新操作包括在预设动作模式中添加针对于训练对象的动作模式，或使用针对于训练对象的动作模式替换预设动作模式。
在第二方面的第一种可能的实施方式中，动作模式生成模块包括：
训练参数确定模块，训练参数确定模块用于提取训练数据中的姿态信息和动作信息，并剔除训练数据中的异常数据，以确定训练数据对应的训练参数；其中，训练参数包括动作的起始位置参数、运动位置参数、终止位置参数、运动方向参数、运动路径参数以及动作的运动变化参数；
动作模式确定模块，动作模式确定模块用于搜索预设动作模式中的模式参数，将训练参数优化至与模式参数相关的预设范围，以生成针对于训练对象的动作模式；其中，动作模式包括预设范围内的训练参数及预设范围内的训练参数对应的触发事件。
第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中所述的动作模式生成方法。
第四方面，本发明提供一种用于动作识别的动作模式生成系统，其包括传感器集合端、终端设备和服务器端；其中，传感器集合端与终端设备连接，终端设备与服务器端连接；其中，所述动作模式生成系统执行如第一方面中所述的动作模式生成方法。
实施发明实施例，具有如下有益技术效果：
1、采用传感器集合端对多项数据进行采集，包括动作信息和姿态信息的采集。由于数据采集的丰富和多样，为整个动作模式学习的系统提供了更多维度的训练特征，进而使得其最终所生成的动作模式的训练参数具有更好的精确度。
2、采用机器学习算法，对传感器集合端所采集的训练数据进行深层次的挑拣和优化生成训练参数，通过该训练参数来持续更新现有的模式参数，以使得系统中的模式参数得到源源不断地完成自我更新和迭代，从而克服现有技术中固定参数的不足之处。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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是本发明提供的动作模式生成系统的结构示意图；
图2是本发明提供的动作模式生成方法的一个实施例的流程示意图；
图3是本发明提供的动作模式生成方法中的又一个实施例的流程示意图；
图4是本发明提供的动作模式生成装置的一个实施例的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明第一实施例：
参见图2，本发明第一实施例提供一种动作模式生成的方法，其包括以下步骤：
s10，终端设备通过传感器集合端获取训练对象执行动作时的训练数据。
在本实施例中，终端设备可以是蜂窝电话、智能手机、便携式平板、笔记本电脑、个人数字助理、或诸如此类的具有处理单元的设备。这些设备可以通过各种各样的传感器以采集特定的信息，进而支持设备中的应用。通常情况，但并非必然，传感器能够将物理现象转换成模拟或数字信号。很常见的是，传感器可以被整合(例如，内置等)到终端设备中或以其他的方式(例如，独立等)与终端设备建立联系。在本实施例中，为实现多样化的数据采集，将多种传感器集合成为单个的传感器集合端。该传感器集合端优选地独立于终端设备，而设置于特定的训练对象之上。训练对象可以是现实生活中所常见的各种物理对象，例如篮球、球杆、球拍、瓶子、窗户等等此类具有物理实体存在、并且能够遵循物理规律进行物理运动的对象，均可以是本发明中所述的训练对象。同时，可以理解的是，设置于训练对象上的传感器集合端能够测量该训练对象的各种姿态信息和动作信息，进而生成训练数据。其中，训练数据包括训练对象在执行动作前、执行动作时以及执行动作后的姿态信息与训练对象在执行动作时的运动信息。更进一步地，姿态信息包括训练对象执行动作的起始位置、运动位置、终止位置、运动方向、运动路径。在本实施例中，传感器集合端可以通过感测训练对象在起始位置的运动状态、位置、定位、取向、加速度、地磁场强度来确定该训练对象在执行动作时在起始位置的姿态信息。同样，也可以通过感测训练对象在起始位置的运动状态、位置、定位、取向、地磁场强度来确定训练对象在运动位置以及终止位置的姿态信息。可以理解的是，此处的运动位置为训练对象在起始位置和终止位置之间进行运动时的任意位置。同时，还应当指出的是，终止位置并非特指一个动作执行完毕时所处的位置，而是可以在一个动作的路径上设置多个感测点，将该感测点定义为此处的终止位置。也就是说，训练对象在执行一个动作的过程中，可以通过设置多个终止感测点(终止位置)来将该动作分解成多个子动作。例如，仅设置一个终止感测点，则通常将动作执行完毕时的位置定义为终止位置。但在其他实施例中，可能设置多个终止感测点，则这个动作的执行过程中便具有了多个的终止位置，并且每个终止位置都被考虑成为下一个子动作的起始位置。同样地，本实施例中的动作信息包括训练对象执行动作时的运动变化。在本实施例中，该运动变化可以通过感测训练对象的加速度、接近触发值、地磁场强度等来确定训练对象的运动变化。本领域技术人员能够理解，测量上述信息的传感器可以包括加速计、陀螺仪、磁力计、重力计、位置传感器、接近触发传感器等等。具体传感器的采用，取决于实际的应用。如上所列诸多传感器可以单独使用，也可以与其他传感器组合使用。在本实施例中，为使训练数据更丰富，也为使训练结果更为精确，所使用的传感器集合端优选地使用多种传感器的组合。
在本实施例中，通过对于训练数据的采集，终端设备至少可以确定出训练对象所执行的动作的起始位置、运动位置、终止位置、运动路径、运动方向以及运动速度变化。这些组成了该动作的基本识别特征。
此外，在本实施例中，传感器集合端优选地独立于终端设备。此种情况下，传感器集合端可以通过蓝牙、wifi、nb-iot、loran、4/5g网络以及usb线等方式与终端设备建立连接。
在另一实施例中，传感器集合端也可以通过蓝牙、wifi、nb-iot、loran、4/5g网络以及usb线等方式与服务器端建立连接。服务器段包括云端或其他可处理大型任务的服务终端。
s20，终端设备根据训练数据中的姿态信息和运动信息，生成针对于训练对象的动作模式。
在本实施例中，如图2所示，终端设备在获取训练数据之后，通过主成分分析方法(principalcomponentanalysis,pca)提取出训练数据中的动作信息和姿态信息，剔除掉其中的异常数据。在动作信息和姿态信息的提取中，确定该动作信息和姿态信息所对应的动作类型，进而确定该训练数据的训练参数。训练参数确定之后，通过梯度下降方法(例如，随机梯度下降方法sgd)等搜索预设动作模式的模式参数，将前一步骤中确定的训练参数优化至预设范围，以生成针对于训练对象的动作模式。可以理解的是，所生成的动作模式用于在传感器集合端获取与所述动作模式相匹配的训练数据时标示训练对象对应执行的触发事件。其中，预设范围内的训练参数即为该触发事件的模式参数。也就是说，每个触发事件都对应着一个或多个模式参数。如此一来，动作模式便可以在传感器集合端获取与动作模式相匹配的训练数据时标示训练对象对应执行的触发事件。进而，在进一步的实施方式中，传感器集合端在获取与该动作模式相匹配的训练数据时指令训练对象执行对应的触发事件。还应当理解的是，本实施例中对于特征的提取优选地采用了主成分分析方法(principalcomponentanalysis,pca)，但这并非对于所采用的方法的限制。事实上，在其他实施例或进一步的实施例中，也可以使用其他类似的分析算法。
s30，对预设动作模式执行更新操作；其中，更新操作包括在预设动作模式中添加s20中生成的针对于训练对象的动作模式，或使用s20中生成的针对于训练对象的动作模式替换预设动作模式。
在此步骤中，通过使用动作模式来更新预设动作模式，使得系统中的动作模式参数一直保持为最新的状态。如此一来，训练后的结果能够即使地反映在训练对象上。一旦传感器集合端所采集的训练数据的参数与动作模式中的模式参数相符合，则直接执行该模式参数所对应的触发事件。应当理解的是，在此处，传感器集合端可以直接分析出训练数据中的参数，并比较该参数与传感器集合端上所存储的动作模式中的模式参数。如果该参数与动作模式中的模式参数在一定的预设范围之内，则表示事件触发。这种情况下，传感器集合端将直接指令训练对象执行相应的触发事件。
具体地，例如，选取一个瓶子作为训练对象。传感器集合端配置于瓶子上，或以其他方式监控该瓶子，进而能够获取瓶子的训练数据，包括瓶子的动作信息及其姿态信息。在此，例如训练数据中可以包括瓶子的加速度、位置、取向、运动速率等。在选定瓶子作为训练对象之后，首先训练瓶子倒下的动作模式。传感器集合端通过对瓶子倒下的动作中的训练数据，包括瓶子在起始位置的姿态(例如，瓶子直立姿态)、运动位置的姿态(例如，80°的倾泻姿态)、终止位置的姿态(例如，瓶子横躺姿态)、瓶子倒下时的加速度、瓶子倒下的取向等，进行采集并发送至终端设备。终端设备，或在另一种实施例下为云端，根据瓶子倒下这一动作的训练数据，依机器学习的算法，确定瓶子的起始位置、瓶子在起始位置处的姿态、瓶子的运动位置、瓶子在运动位置的姿态、瓶子的终止位置、瓶子在终止位置的姿态、瓶子在运动时的加速度、瓶子运动的方向等，然后基于上述的姿态信息和运动信息，终端设备可以确定该瓶子的起始位置、运动位置、终止位置、运动路径、运动方向以及运动变化速度，进而形成完整的动作识别特征。根据这些动作识别特征，终端设备得以生成针对于该训练对象(瓶子)执行某一动作(倒下)的动作模式。可以理解，该动作模式中包括瓶子的动作模式参数以及与该动作模式参数对应的触发事件。生成的动作模式将被传送回传感器集合端。传感器集合端在收到终端设备回传的动作模式后，更新其所预设的动作模式。以此，当传感器集合端再次接收到瓶子相应的训练数据后，也就是说，瓶子再次出现与前述训练时的倒下动作时，即传感器集合端可以根据所存储的动作模式，快速地识别该瓶子的动作(倒下)，并根据该动作模式快速做出反应，执行该动作所触发的预设事件。在本发明中不对该触发事件进行特定的限制。本领域技术人员可以理解的是，该触发事件可以是指令瓶子收紧盖子以防内容水漏出或者其他事件。同时，应当说明的是，再次收集的训练数据同样可以经上述方法，继续传送至终端设备或云端进行新一轮的机器学习，并在后续更新和优化传感器集合端中已有的动作模式参数。如此一来，传感器集合端中针对瓶子倒下的动作模式参数不再是一成不变的，可以根据训练数据的不断积累，进而不断优化现有动作模式参数，使传感器集合端中的动作模式参数不断自我优化更迭。
在上述以瓶子为例的基础上，还应当理解的是，训练数据与动作模式的对应，可以是范围性的对应。也就是说，训练数据中的参数与动作模式中的模式参数进行范围性比较，如果各项参数都在适应的范围之内，则表示训练数据与动作模式相对应。这种情况下，该训练数据即可触发动作模式中所包含的触发事件。
在进一步的实施方式中，前述的范围性对应，或说泛化模式程度，可以根据需要自行定义。不同的泛化模式程度，对应不同的模式匹配程度。如最大泛化程度时，通过少量训练数据即可训练出瓶子倒下的动作模式。这种最大泛化程度中，瓶子倒下的动作模式的模式参数较为单一，因此所能对应识别的动作信息也会更少，例如，可能只能识别出瓶子倒下这一动作，却无法分别出瓶子倒下的方向。例如，在瓶子倒下的动作中，瓶子向南倒下和向北倒下均触发同一触发事件。而在进一步缩小的泛化程度中，也就是提高了模式参数的匹配精度，多个模式参数将被考虑，这种情况下，例如，同样是在瓶子倒下的动作中，瓶子向南倒下和向北倒下则可以指向不同的触发事件。
本发明第二实施例：
在本发明的第一实施例中，由终端设备完成对于训练数据的处理，包括对训练数据的解析以及对动作模式的生成。而在本发明第二实施例中，本发明中对于训练数据的处理还可以由服务器端来执行，如图1所示，传感器集合端通过上述方式与终端设备建立连接，然后终端设备再与云端等服务器端建立连接。这种情况下，传感器集合端所采集的训练数据便可以由终端设备先行处理。但由于实际应用中，终端设备的性能往往有限，因此，如图3所示，终端设备也可以执行如下操作，包括：
s10，终端设备接收传感器集合端采集的训练数据；
此步骤与本发明第一实施例中的步骤类似，在此不做赘述。
s11，终端设备对所采集的训练数据进行判断，判断练数据的大小确定训练数据的大小是否超过指定阈值；
为了避免由于训练数据过大且终端设备性能不足导致处理训练数据时引起的系统崩溃，在本实施例中，本发明提出在对训练数据进行处理之前，预先判断训练数据的大小是否超过指定阈值。通常来说，指定阈值可以由用户自行设定，也可以由生产服务商在出厂时进行预设。对于不同的终端设备，指定阈值可以根据需要有不同的范围。
s20，若训练数据的大小未超过指定阈值，则终端设备直接对传感器集合端采集的训练数据进行处理，执行特征的提取与动作模式的生成。
在本实施例中，这种情况下，本发明第二实施例与第一实施例基本一致。在此不再赘述。
s21，若训练数据的大小超过指定阈值，则终端设备将训练数据直接传送至服务器端，由服务器端来执行特征的提取与动作模式的生成。
在此步骤中，为了避免终端设备的过载，超过指定阈值的训练数据均由服务器端来进行执行，避免终端设备在遇到大型数据时崩溃。
s30，对预设场景模式执行更新操作。
此步骤与本发明第一实施例中的相应步骤类似，因此不再赘述。
具体地，例如，本实施例的方法应用于各类运动器材中，例如羽毛球拍。如前所述，即以羽毛球拍作为训练对象。这种情况下，传感器集合端作为外部设备配置于该羽毛球拍中，进而通过传感器集合端中的传感器感知并获取羽毛球拍的训练数据，包括在实际的羽毛球运动中，羽毛球拍的动作信息及其姿态信息。在此，例如训练数据中可以包括持拍人进行挥拍、挑球、扣杀、正手击高远球、反手击高远球等动作时羽毛球拍的位置、取向、运动速率、加速度等。在选定羽毛球拍作为训练对象之后，首先训练羽毛球拍的动作模式，例如挑球这一动作的动作模式。传感器集合端通过对持拍人在进行挑球动作时获取的关于羽毛球拍的训练数据，包括羽毛球拍当前的位置、距地高度、起始位置的姿态、运动位置的姿态、终止位置的姿态、挑球动作中羽毛球拍的加速度、羽毛球拍的取向等，进行采集并发送至终端设备。在本实施例中，由于羽毛球拍所涉及的数据量较大，假设超过指定阈值，则将所采集的训练数据通过终端设备继续发往云端进行处理。云端根据羽毛球拍被执行挑球动作时的训练数据，依机器学习的算法，确定羽毛球拍的起始位置、羽毛球拍在起始位置处的姿态、羽毛球拍的运动位置、羽毛球拍在运动位置的姿态、羽毛球拍的终止位置、羽毛球拍在终止位置的姿态、羽毛球拍在运动时的加速度、羽毛球拍运动的方向等，然后基于上述的姿态信息和运动信息，云端可以确定该羽毛球拍的起始位置、运动位置、终止位置、运动路径(包括羽毛球拍运动时的位移弧线等)、运动方向以及运动变化速度，进而形成完整的动作识别特征。根据这些动作识别特征，云端得以生成针对于该训练对象(羽毛球拍)执行某一动作(挑球)的动作模式。可以理解，该动作模式中包括羽毛球拍的动作模式参数以及与该动作模式参数对应的触发事件。生成的动作模式将经终端设备被传送回传感器集合端。传感器集合端在收到终端设备回传的动作模式后，更新其所预设的动作模式。以此，当传感器集合端再次接收到羽毛球拍的相应的训练数据后，也就是说，持拍人再次使用该羽毛球拍执行与前述训练时相同的挑球动作时，传感器集合端可以直接根据所存储的动作模式，快速地识别该羽毛球拍的动作(挑球)，并根据该动作模式快速做出反应，指令羽毛球拍执行该动作所触发的预设事件。在本发明中不对该触发事件进行特定的限制。在本实施例中，该触发事件可以是指令所述羽毛球拍发出提示，以提醒持拍人进行持拍矫正。同时，应当说明的是，再次收集的训练数据同样可以经上述方法，继续传送至终端设备或云端进行新一轮的机器学习，并在后续更新和优化传感器集合端中已有的动作模式参数。如此一来，传感器集合端中针对羽毛球拍的动作模式参数不再是一成不变的，可以根据训练数据的不断积累，进而不断优化现有动作模式参数，使传感器集合端中针对羽毛球拍的挑球动作的模式参数不断地完成自我优化和更迭。
还应当说明的是，此处示例中仅以羽毛球拍为训练对象进行说明，示例中仅针对使用羽毛球拍进行挑球动作的训练。但本发明所涵盖的范围不仅于此。本发明也可以用于其他训练对象上面，对于其他训练对象进行不同的数据学习。例如前文所述的，以瓶子作为训练对象，以瓶子倒下作为训练动作。当然，本发明还可以针对羽毛球拍进行不同动作的训练和学习，包括前面述及的挥拍、扣杀、正手击高远球、反手击高远球、头顶高远球等类似动作。
本发明第三实施例：
如图4所示，本发明第三实施例提供一种动作模式生成的装置，其包括训练数据获取模块10、动作模式生成模块20、更新模块30。
具体地，训练数据获取模块10用于通过传感器集合端获取训练对象的训练数据；其中，训练数据包括训练对象在执行动作前、执行动作时以及执行动作后的姿态信息与训练对象在执行动作时的运动信息。应当理解的是，此处所述训练数据获取模块10可以是传感器集合端上所集成的各个传感器，包括如前所述的加速计、陀螺仪、磁力计、重力计、位置传感器、接近触发传感器等等。
动作模式生成模块20用于根据训练数据中的姿态信息和运动信息，生成针对于训练对象的动作模式；其中，动作模式用于在传感器集合端获取与动作模式相匹配的训练数据时标示训练对象对应执行的触发事件。在本实施例中，动作模式生成模块20通过计算机程序实现。
更新模块30用于对预设动作模式执行更新操作；其中，更新操作包括在预设动作模式中添加针对于训练对象的动作模式，或使用针对于训练对象的动作模式替换预设动作模式。在本实施例中，更新模块30通过计算机程序实现。
在进一步的实施例中，姿态信息包括训练对象执行动作的起始位置、运动位置、终止位置、运动方向、运动路径；运动信息包括训练对象执行动作时的运动变化。其中，动作模式生成模块20包括训练参数确定模块21和动作模式确定模块22。
更具体地说，训练参数确定模块21用于提取训练数据中的姿态信息和动作信息，并剔除训练数据中的异常数据，以确定训练数据对应的训练参数；其中，训练参数包括动作的起始位置参数、运动位置参数、终止位置参数、运动方向参数、运动路径参数以及动作的运动变化参数。动作模式确定模块22用于搜索预设动作模式中的模式参数，将训练参数优化至与模式参数相关的预设范围，以生成针对于训练对象的动作模式；其中，动作模式包括预设范围内的训练参数及预设范围内的训练参数对应的触发事件。在本实施例中，训练参数确定模块21和动作模式确定模块22通过计算机程序实现。
本发明第四实施例：
本发明第四实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，例如一种动作模式生成方法的程序。其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述第一实施例或第二实施例中所述的动作模式生成方法。
本发明第五实施例：
如图1所示，本发明第五实施例提供一种用于动作识别的动作模式生成系统，其包括传感器集合端、终端设备和服务器端；其中，传感器集合端与终端设备连接，终端设备与服务器端连接。终端设备或服务器端包括处理器、存储器以及在所述存储其中且被配置由所述处理器执行的计算机程序，例如动作模式生成的程序。所述处理器执行所述计算机程序时实现上述第一实施例中或第二实施例中所述的用于动作识别的动作模式生成方法的步骤，例如图2所示的s10。或者，所述处理器执行所述计算机程序时实现上述各装置示例中的功能，例如图4中的训练数据获取模块10。
示例性地，本发明第四实施例和第五实施例中所述的计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述实现动作模式生成的终端设备中的执行过程。
所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述动作模式生成终端设备的控制中心，利用各种接口和线路连接整个所述实现动作模式生成的终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现动作模式生成的终端设备的各种功能。所述存储器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、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器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，例如硬盘、内存、插接式硬盘、智能存储卡(smartmediacard,smc)、安全数字(securedigital,sd)卡、闪存卡(flashcard)、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。
其中，所述实现动作模式生成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述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，这些改进和润饰也视为本发明的保护范围。