本发明涉及运动轨迹识别技术领域，更具体地，涉及一种基于AI视觉算法的运动轨迹识别方法、系统及设备。该方案包括通过图像采集设备获得运动设备的几何重心坐标;根据所述几何重心坐标计算运动设备的运动速度和法向量;设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力;外部模拟输入运动设备的外力;获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标;根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹。该方案通过对于运动设备进行重心评估，运动轨迹预判和历史轨迹分析，完善补全三维信息。
1.一种基于AI视觉算法的运动轨迹识别方法，其特征在于，该方法包括：通过图像采集设备获得运动设备的几何重心坐标；
根据所述几何重心坐标计算运动设备的运动速度和法向量；
设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力；
获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标；
根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹；
其中，所述运动设备为非完全均匀的质量分布的实际设备；
其中，所述根据所述几何重心坐标计算运动设备的运动速度和法向量，具体包括：根据所述几何重心坐标和所述几何重心坐标的历史数据利用第一计算公式计算所述运动速度；
其中，x0为所述几何重心坐标的横轴坐标的实测值，y0为所述几何重心坐标的纵轴坐标的实测值，z0为所述几何重心坐标的竖轴坐标的实测值，x‑1为所述几何重心坐标的横轴坐标的上一时刻的实测值，y‑1为所述几何重心坐标的纵轴坐标的上一时刻的实测值，z‑1为所述几何重心坐标的竖轴坐标的上一时刻的实测值，t为运动设备的采样的间隔时间，V为所述运动速度；
其中，所述设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力，具体包括：根据所述几何重心坐标和所述法向量，建立满足第三计算公式的垂向平面；
在运动设备外围轮廓内部的坐标中，提取全部满足对于第三计算公式的运动设备的横轴坐标、纵轴坐标和竖轴坐标，并利用第四计算公式计算截面积；
设置风阻系数，根据所述截面积，利用第五计算公式计算风阻力；
其中，x为运动设备的横轴坐标，y为运动设备的纵轴坐标，z为运动设备的竖轴坐标；
其中，S为截面积，count()为根据运动设备的横轴坐标、纵轴坐标和竖轴坐标计算的截面面积的函数；
其中，所述外部模拟输入运动设备的外力，具体包括：通过鼠标和键盘输入运动设备的外力施加大小；
其中，所述获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标，具体包括：获取所述几何重心坐标的历史数据，提取其中的上二时刻的实测值；
利用第六计算公式计算调整最大阈值，其中，所述调整最大阈值包括竖直坐标最大值、纵轴坐标最大值、横轴坐标最大值、竖直坐标最小值、纵轴坐标最小值、横轴坐标最小值；
根据第七计算公式计算第一动态偏移系数、第二动态偏移系数和第三动态偏移系数；
利用第八计算公式进行实时的重心坐标的横坐标、实时的重心坐标的纵坐标和实时的重心坐标的竖坐标的计算；
其中，xmax为所述调整最大阈值的竖直坐标最大值，ymax为所述调整最大阈值的纵轴坐标最大值，zmax为所述调整最大阈值的横轴坐标最大值，xmin为所述调整最大阈值的竖直坐标最小值，ymin为所述调整最大阈值的纵轴坐标最小值，zmin为所述调整最大阈值的横轴坐标最小值，max为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最大值的函数，min为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最小值的函数；
其中，x‑2为所述几何重心坐标的横轴坐标的上二时刻的实测值，y‑2为所述几何重心坐标的纵轴坐标的上二时刻的实测值，z‑2为所述几何重心坐标的竖轴坐标的上二时刻的实测值，k1为第一动态偏移系数，k2为第二动态偏移系数，k3为第三动态偏移系数；
其中，x1为实时的重心坐标的横坐标，y1为实时的重心坐标的纵坐标，z1为实时的重心坐标的竖坐标；
其中，所述通过图像采集设备获得运动设备的几何重心坐标，具体包括：启动图像采集设备，设置采样周期；
根据运动设备的图像和预设的运动设备的形状，确定当前运动设备的几何重心坐标；
其中，所述根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹，具体包括：获取所述实时的重心坐标，以所述实时的重心坐标为重力的施加位置，施加运动设备的重力；
利用第九计算公式计算预测的运动设备合力对应的矢量，作为实时预测合力；
根据所述实时预测合力、所述运动速度、所述法向量、所述实时的重心坐标计算未来时刻的运动轨迹；
其中，FV为运动设备的外力对应的矢量，G为根据所述实时的重心坐标确定的重力对应的矢量，F为运动设备的风阻力对应的矢量，F的方向与法向量的方向一致，b为预测的运动设备的合力对应的矢量。
2.一种基于AI视觉算法的运动轨迹识别系统，其特征在于，该系统包括：三维采集模块，用于通过图像采集设备获得运动设备的几何重心坐标；
运动分析模块，用于根据所述几何重心坐标计算运动设备的运动速度和法向量；
受力提取模块，用于设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力；
重心修正模块，用于获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标；
运动轨迹生成模块，用于根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹；
其中，所述运动设备为非完全均匀的质量分布的实际设备；其中，所述根据所述几何重心坐标计算运动设备的运动速度和法向量，具体包括：根据所述几何重心坐标和所述几何重心坐标的历史数据利用第一计算公式计算所述运动速度；
其中，x0为所述几何重心坐标的横轴坐标的实测值，y0为所述几何重心坐标的纵轴坐标的实测值，z0为所述几何重心坐标的竖轴坐标的实测值，x‑1为所述几何重心坐标的横轴坐标的上一时刻的实测值，y‑1为所述几何重心坐标的纵轴坐标的上一时刻的实测值，z‑1为所述几何重心坐标的竖轴坐标的上一时刻的实测值，t为运动设备的采样的间隔时间，V为所述运动速度；
其中，所述设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力，具体包括：根据所述几何重心坐标和所述法向量，建立满足第三计算公式的垂向平面；
在运动设备外围轮廓内部的坐标中，提取全部满足对于第三计算公式的运动设备的横轴坐标、纵轴坐标和竖轴坐标，并利用第四计算公式计算截面积；
设置风阻系数，根据所述截面积，利用第五计算公式计算风阻力；
其中，x为运动设备的横轴坐标，y为运动设备的纵轴坐标，z为运动设备的竖轴坐标；
其中，S为截面积，count()为根据运动设备的横轴坐标、纵轴坐标和竖轴坐标计算的截面面积的函数；
其中，所述外部模拟输入运动设备的外力，具体包括：通过鼠标和键盘输入运动设备的外力施加大小；
其中，所述获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标，具体包括：获取所述几何重心坐标的历史数据，提取其中的上二时刻的实测值；
利用第六计算公式计算调整最大阈值，其中，所述调整最大阈值包括竖直坐标最大值、纵轴坐标最大值、横轴坐标最大值、竖直坐标最小值、纵轴坐标最小值、横轴坐标最小值；
根据第七计算公式计算第一动态偏移系数、第二动态偏移系数和第三动态偏移系数；
利用第八计算公式进行实时的重心坐标的横坐标、实时的重心坐标的纵坐标和实时的重心坐标的竖坐标的计算；
其中，xmax为所述调整最大阈值的竖直坐标最大值，ymax为所述调整最大阈值的纵轴坐标最大值，zmax为所述调整最大阈值的横轴坐标最大值，xmin为所述调整最大阈值的竖直坐标最小值，ymin为所述调整最大阈值的纵轴坐标最小值，zmin为所述调整最大阈值的横轴坐标最小值，max为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最大值的函数，min为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最小值的函数；
其中，x‑2为所述几何重心坐标的横轴坐标的上二时刻的实测值，y‑2为所述几何重心坐标的纵轴坐标的上二时刻的实测值，z‑2为所述几何重心坐标的竖轴坐标的上二时刻的实测值，k1为第一动态偏移系数，k2为第二动态偏移系数，k3为第三动态偏移系数；
其中，x1为实时的重心坐标的横坐标，y1为实时的重心坐标的纵坐标，z1为实时的重心坐标的竖坐标；
其中，所述通过图像采集设备获得运动设备的几何重心坐标，具体包括：启动图像采集设备，设置采样周期；
根据运动设备的图像和预设的运动设备的形状，确定当前运动设备的几何重心坐标；
其中，所述根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹，具体包括：获取所述实时的重心坐标，以所述实时的重心坐标为重力的施加位置，施加运动设备的重力；
利用第九计算公式计算预测的运动设备合力对应的矢量，作为实时预测合力；
根据所述实时预测合力、所述运动速度、所述法向量、所述实时的重心坐标计算未来时刻的运动轨迹；
其中，FV为运动设备的外力对应的矢量，G为根据所述实时的重心坐标确定的重力对应的矢量，F为运动设备的风阻力对应的矢量，F的方向与法向量的方向一致，b为预测的运动设备的合力对应的矢量。
3.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1所述的方法。
4.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1所述的方法。
一种基于AI视觉算法的运动轨迹识别方法、系统及设备
技术领域
[0001] 本发明涉及运动轨迹识别技术领域，更具体地，涉及一种基于AI视觉算法的运动轨迹识别方法、系统及设备。
背景技术
[0002] 通过视频和图片进行运行状态的采集是目前主要的运动设备信息采集方式。但是，如何对于运动设备的状态进行定位，不单需要采集，还需要进行智能的运动状态的分析，这种情况下，就需要对于运动设备的图像和视频进行有效的分析和定位。
[0003] 在本发明技术之前，现有的技术主要是通过获得运动设备的图像和视频，提取出运动设备的几何外观，进而按照均匀的质量分布进行运动设备的重心位置的划定，进而形成设备未来时刻的三维运动轨迹和区域，但是，实际设备并非完全均匀的质量分布，而运动过程中由于受外力或者内部运动，可能导致内部重心位置发生偏移，很难取得准确的重心位置，甚至可能会出现设备重心不断发生变化的情况。因此，很难实现有效地运动轨迹预判和历史轨迹分析。
发明内容
[0004] 鉴于上述问题，本发明提出了一种基于AI视觉算法的运动轨迹识别方法、系统及设备，通过对于运动设备进行重心评估，运动轨迹预判和历史轨迹分析，完善补全三维信息。
[0005] 根据本发明实施例第一方面，提供一种基于AI视觉算法的运动轨迹识别方法。
[0006] 在一个或多个实施例中，优选地，所述一种基于AI视觉算法的运动轨迹识别方法包括：
[0007] 通过图像采集设备获得运动设备的几何重心坐标；
[0008] 根据所述几何重心坐标计算运动设备的运动速度和法向量；
[0009] 设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力；
[0010] 外部模拟输入运动设备的外力；
[0011] 获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标；
[0012] 根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹。
[0013] 在一个或多个实施例中，优选地，所述通过图像采集设备获得运动设备的几何重心坐标，具体包括：
[0014] 启动图像采集设备，设置采样周期；
[0015] 根据采样周期采集运动设备的图像；
[0016] 根据运动设备的图像和预设的运动设备的形状，确定当前运动设备的几何重心坐标。
[0017] 在一个或多个实施例中，优选地，所述根据所述几何重心坐标计算运动设备的运动速度和法向量，具体包括：
[0018] 根据所述几何重心坐标和所述几何重心坐标的历史数据利用第一计算公式计算所述运动速度；
[0019] 利用第二计算公式确定法向量；
[0020] 所述第一计算公式为：
[0021]
[0022] 其中，x0为所述几何重心坐标的横轴坐标的实测值，y0为所述几何重心坐标的纵轴坐标的实测值，z0为所述几何重心坐标的竖轴坐标的实测值，x‑1为所述几何重心坐标的横轴坐标的上一时刻的实测值，y‑1为所述几何重心坐标的纵轴坐标的上一时刻的实测值，z‑1为所述几何重心坐标的竖轴坐标的上一时刻的实测值，t为运动设备的采样的间隔时间，V为所述运动速度；
[0023] 所述第二计算公式为：
[0024] n=( x0，y0，z0)
[0025] 其中，n为所述法向量。
[0026] 在一个或多个实施例中，优选地，所述设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力，具体包括：
[0027] 根据所述几何重心坐标和所述法向量，建立满足第三计算公式的垂向平面；
[0028] 在运动设备外围轮廓内部的坐标中，提取全部满足对于第三计算公式的运动设备的横轴坐标、纵轴坐标和竖轴坐标，并利用第四计算公式计算截面积；
[0029] 设置风阻系数，根据所述截面积，利用第五计算公式计算风阻力；
[0030] 所述第三计算公式为：
[0031]
[0032] 其中，x为运动设备的横轴坐标，y为运动设备的纵轴坐标，z为运动设备的竖轴坐标；
[0033] 所述第四计算公式为：
[0034] S=count(x，y，z)
[0035] 其中，S为截面积，count()为根据运动设备的横轴坐标、纵轴坐标和竖轴坐标计算的截面面积的函数；
[0036] 所述第五计算公式为：
[0037] Fk=kSV
[0038] 其中，Fk为所述风阻力，k为风阻系数。
[0039] 在一个或多个实施例中，优选地，所述外部模拟输入运动设备的外力，具体包括：
[0040] 通过鼠标和键盘输入运动设备的外力施加大小；
[0041] 通过鼠标和键盘输入运动设备的外力施加的施加方向。
[0042] 在一个或多个实施例中，优选地，所述获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标，具体包括：
[0043] 获取所述几何重心坐标的历史数据，提取其中的上二时刻的实测值；
[0044] 利用第六计算公式计算调整最大阈值，其中，所述调整最大阈值包括竖直坐标最大值、纵轴坐标最大值、横轴坐标最大值、竖直坐标最小值、纵轴坐标最小值、横轴坐标最小值；
[0045] 根据第七计算公式计算第一动态偏移系数、第二动态偏移系数和第三动态偏移系数；
[0046] 利用第八计算公式进行实时的重心坐标的横坐标、实时的重心坐标的纵坐标和实时的重心坐标的竖坐标的计算；
[0047] 所述第六计算公式为：
[0048]
[0049] 其中，xmax为所述调整最大阈值的竖直坐标最大值，ymax为所述调整最大阈值的纵轴坐标最大值，zmax为所述调整最大阈值的横轴坐标最大值，xmin为所述调整最大阈值的竖直坐标最小值，ymin为所述调整最大阈值的纵轴坐标最小值，zmin为所述调整最大阈值的横轴坐标最小值，max为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最大值的函数，min为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最小值的函数；
[0050] 所述第七计算公式为：
[0051]
[0052] 其中，x‑2为所述几何重心坐标的横轴坐标的上二时刻的实测值，y‑2为所述几何重心坐标的纵轴坐标的上二时刻的实测值，z‑2为所述几何重心坐标的竖轴坐标的上二时刻的实测值，k1为第一动态偏移系数，k2为第二动态偏移系数，k3为第三动态偏移系数；
[0053] 所述第八计算公式为：
[0054]
[0055] 其中，x1为实时的重心坐标的横坐标，y1为实时的重心坐标的纵坐标，z1为实时的重心坐标的竖坐标。
[0056] 在一个或多个实施例中，优选地，所述根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹，具体包括：
[0057] 获取所述实时的重心坐标，以所述实时的重心坐标为重力的施加位置，施加运动设备的重力；
[0058] 利用第九计算公式计算预测的运动设备合力对应的矢量，作为实时预测合力；
[0059] 根据所述实时预测合力、所述运动速度、所述法向量、所述实时的重心坐标计算未来时刻的运动轨迹；
[0060] 所述第九计算公式为：
[0061]
[0062] 其中，FV为运动设备的外力对应的矢量，G为根据所述实时的重心坐标确定的重力对应的矢量，F为运动设备的风阻力对应的矢量，F的方向与法向量的方向一致，b为预测的运动设备的合力对应的矢量。
[0063] 根据本发明实施例第二方面，提供一种基于AI视觉算法的运动轨迹识别系统。
[0064] 在一个或多个实施例中，优选地，所述一种基于AI视觉算法的运动轨迹识别系统包括：
[0065] 三维采集模块，用于通过图像采集设备获得运动设备的几何重心坐标；
[0066] 运动分析模块，用于根据所述几何重心坐标计算运动设备的运动速度和法向量；
[0067] 受力提取模块，用于设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力；
[0068] 外力方向模块，用于外部模拟输入运动设备的外力；
[0069] 重心修正模块，用于获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标；
[0070] 运动轨迹生成模块，用于根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹。
[0071] 根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
[0072] 根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
[0073] 本发明的实施例提供的技术方案可以包括以下有益效果：
[0074] 本发明方案中，实时获取重力和风阻力，并结合实时的重心坐标位置进行运行轨迹分析。
[0075] 本发明方案中，通过几何重心坐标、利用第一动态偏移系数、第二动态偏移系数和第三动态偏移系数自动修正实时重心坐标，预估未来时刻的运动轨迹。
[0076] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
[0077] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0078] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域技术人员来讲，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。
[0079] 图1是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法的流程图。
[0080] 图2是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的通过图像采集设备获得运动设备的几何重心坐标的流程图。
[0081] 图3是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的根据所述几何重心坐标计算运动设备的运动速度和法向量的流程图。
[0082] 图4是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力的流程图。
[0083] 图5是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的外部模拟输入运动设备的外力的流程图。
[0084] 图6是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标的流程图。
[0085] 图7是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹的流程图。
[0086] 图8是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别系统的结构图。
[0087] 图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
[0088] 在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0089] 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。
[0090] 通过视频和图片进行运行状态的采集是目前主要的运动设备信息采集方式。但是，如何对于运动设备的状态进行定位，不单需要采集，还需要进行智能的运动状态的分析，这种情况下，就需要对于运动设备的图像和视频进行有效的分析和定位。
[0091] 在本发明技术之前，现有的技术主要是通过获得运动设备的图像和视频，提取出运动设备的几何外观，进而按照均匀的质量分布进行运动设备的重心位置的划定，进而形成设备未来时刻的三维运动轨迹和区域，但是，实际设备并非完全均匀的质量分布，而运动过程中由于受外力或者内部运动，可能导致内部重心位置发生偏移，很难取得准确的重心位置，甚至可能会出现设备重心不断发生变化的情况。因此，很难实现有效地运动轨迹预判和历史轨迹分析。
[0092] 本发明实施例中，提供了一种基于AI视觉算法的运动轨迹识别方法、系统及设备。该方案通过对于运动设备进行重心评估，运动轨迹预判和历史轨迹分析，完善补全三维信息。
[0093] 根据本发明实施例第一方面，提供一种基于AI视觉算法的运动轨迹识别方法。
[0094] 图1是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法的流程图。
[0095] 在一个或多个实施例中，优选地，所述一种基于AI视觉算法的运动轨迹识别方法包括：
[0096] S101. 通过图像采集设备获得运动设备的几何重心坐标；
[0097] S102. 根据所述几何重心坐标计算运动设备的运动速度和法向量；
[0098] S103. 设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力；
[0099] S104. 外部模拟输入运动设备的外力；
[0100] S105. 获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标；
[0101] S106. 根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹。
[0102] 本发明实施例中，提供了一种基于图像采集进行的运动轨迹预判和历史轨迹分析的方法，这种方法主要针对运动设备在运动过程中由于受外力或者内部运动，可能导致内部重心位置发生偏移，很难取得准确的重心位置，甚至可能会出现设备重心不断发生变化的情况，通过图像采集获得几何重心坐标，进而结合有效的阻力分析、运动速度分析和外力模拟，实现实时的运动过程调整与预判。
[0103] 图2是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的通过图像采集设备获得运动设备的几何重心坐标的流程图。
[0104] 如图2所示，在一个或多个实施例中，优选地，所述通过图像采集设备获得运动设备的几何重心坐标，具体包括：
[0105] S201. 启动图像采集设备，设置采样周期；
[0106] S202. 根据采样周期采集运动设备的图像；
[0107] S203. 根据运动设备的图像和预设的运动设备的形状，确定当前运动设备的几何重心坐标。
[0108] 在本发明实施例中，运动设备的图像和预设的运动设备的形状确定运动设备的几何重心坐标过程，主要是通过图像采集，获得当前的运动设备的外围轮廓，进而根据外围轮廓求取几何中心，并将几何中心作为几何重心坐标，这个几何重心坐标包括横轴、纵轴和竖轴。
[0109] 图3是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的根据所述几何重心坐标计算运动设备的运动速度和法向量的流程图。
[0110] 如图3所示，在一个或多个实施例中，优选地，所述根据所述几何重心坐标计算运动设备的运动速度和法向量，具体包括：
[0111] S301. 根据所述几何重心坐标和所述几何重心坐标的历史数据利用第一计算公式计算所述运动速度；
[0112] S302. 利用第二计算公式确定法向量；
[0113] 所述第一计算公式为：
[0114]
[0115] 其中，x0为所述几何重心坐标的横轴坐标的实测值，y0为所述几何重心坐标的纵轴坐标的实测值，z0为所述几何重心坐标的竖轴坐标的实测值，x‑1为所述几何重心坐标的横轴坐标的上一时刻的实测值，y‑1为所述几何重心坐标的纵轴坐标的上一时刻的实测值，z‑1为所述几何重心坐标的竖轴坐标的上一时刻的实测值，t为运动设备的采样的间隔时间，V为所述运动速度；
[0116] 所述第二计算公式为：
[0117] n=( x0，y0，z0)
[0118] 其中，n为所述法向量。
[0119] 在本发明实施例中，为了能够获取当前的运行状态，不但，获得了前一时刻的几何中心，而且，获得未来后一时刻的几何中心，进而利用这过程中的变化获取对应的运动速度，这个速度的计算利用第一计算公式，考虑了采样时间的影响，采样时间作为两次几何中心运算的基础数据，计算获得的运动速度和法向量是进行后续重心运算的基础。
[0120] 图4是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力的流程图。
[0121] 如图4所示，在一个或多个实施例中，优选地，所述设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力，具体包括：
[0122] S401. 根据所述几何重心坐标和所述法向量，建立满足第三计算公式的垂向平面；
[0123] S402. 在运动设备外围轮廓内部的坐标中，提取全部满足对于第三计算公式的运动设备的横轴坐标、纵轴坐标和竖轴坐标，并利用第四计算公式计算截面积；
[0124] S403. 设置风阻系数，根据所述截面积，利用第五计算公式计算风阻力；
[0125] 所述第三计算公式为：
[0126]
[0127] 其中，x为运动设备的横轴坐标，y为运动设备的纵轴坐标，z为运动设备的竖轴坐标；
[0128] 所述第四计算公式为：
[0129] S=count(x，y，z)
[0130] 其中，S为截面积，count()为根据运动设备的横轴坐标、纵轴坐标和竖轴坐标计算的截面面积的函数；
[0131] 所述第五计算公式为：
[0132] Fk=kSV
[0133] 其中，Fk为所述风阻力，k为风阻系数。
[0134] 在本发明实施例中，为了能够实时的获得对应的风阻力，进行第三计算公式、第四计算公式和第五计算公式的连续运算，进而获得了风阻力，这个风阻力受到了风阻系数的影响，风阻系数根据运动设备的外部轮廓和当前的移动方向根据经验设置；其中，垂向平面为与法向量垂直，且经过的几何重心坐标的平面；count()具体计算方法为：首先判断满足所述第三计算公式的运动设备的横轴坐标、纵轴坐标和竖轴坐标，进而根据运动设备的横轴坐标、纵轴坐标和竖轴坐标在法向量方向下投影产生的图形，将该图形起名为截面图形，将计算所述截面图形的面积。
[0135] 图5是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的外部模拟输入运动设备的外力的流程图。
[0136] 如图5所示，在一个或多个实施例中，优选地，所述外部模拟输入运动设备的外力，具体包括：
[0137] S501. 通过鼠标和键盘输入运动设备的外力施加大小；
[0138] S502. 通过鼠标和键盘输入运动设备的外力施加的施加方向。
[0139] 本发明实施例中，为了进行未来时刻的模拟，对于实时的外部外力进行模拟输入，进而用于获得未来的运动轨迹，在施加过程中，默认外力施加位置为重心位置。
[0140] 图6是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标的流程图。
[0141] 如图6所示，在一个或多个实施例中，优选地，所述获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标，具体包括：
[0142] S601. 获取所述几何重心坐标的历史数据，提取其中的上二时刻的实测值；
[0143] S602. 利用第六计算公式计算调整最大阈值，其中，所述调整最大阈值包括竖直坐标最大值、纵轴坐标最大值、横轴坐标最大值、竖直坐标最小值、纵轴坐标最小值、横轴坐标最小值；
[0144] S603. 根据第七计算公式计算第一动态偏移系数、第二动态偏移系数和第三动态偏移系数；
[0145] S604. 利用第八计算公式进行实时的重心坐标的横坐标、实时的重心坐标的纵坐标和实时的重心坐标的竖坐标的计算；
[0146] 所述第六计算公式为：
[0147]
[0148] 其中，xmax为所述调整最大阈值的竖直坐标最大值，ymax为所述调整最大阈值的纵轴坐标最大值，zmax为所述调整最大阈值的横轴坐标最大值，xmin为所述调整最大阈值的竖直坐标最小值，ymin为所述调整最大阈值的纵轴坐标最小值，zmin为所述调整最大阈值的横轴坐标最小值，max为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最大值的函数，min为对运动设备的横轴坐标、纵轴坐标或竖轴坐标中的一种进行取最小值的函数；
[0149] 所述第七计算公式为：
[0150]
[0151] 其中，x‑2为所述几何重心坐标的横轴坐标的上二时刻的实测值，y‑2为所述几何重心坐标的纵轴坐标的上二时刻的实测值，z‑2为所述几何重心坐标的竖轴坐标的上二时刻的实测值，k1为第一动态偏移系数，k2为第二动态偏移系数，k3为第三动态偏移系数；
[0152] 所述第八计算公式为：
[0153]
[0154] 其中，x1为实时的重心坐标的横坐标，y1为实时的重心坐标的纵坐标，z1为实时的重心坐标的竖坐标。
[0155] 在本发明实施例中，上二时刻的实测值为距离当前时刻两个采样周期的历史数据，为了进行在线调整重心，在确定重心调整的范围和裕度后，根据前后时刻的运动轨迹的变动，进行自动调整，调整过程中每经过一个采样周期，将会产生一个新的变化系数，进而产生实时的动态的重心位置。
[0156] 图7是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别方法中的根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹的流程图。
[0157] 如图7所示，在一个或多个实施例中，优选地，所述根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹，具体包括：
[0158] S701. 获取所述实时的重心坐标，以所述实时的重心坐标为重力的施加位置，施加运动设备的重力；
[0159] S702. 利用第九计算公式计算预测的运动设备合力对应的矢量，作为实时预测合力；
[0160] S703. 根据所述实时预测合力、所述运动速度、所述法向量、所述实时的重心坐标计算未来时刻的运动轨迹；
[0161] 所述第九计算公式为：
[0162]
[0163] 其中，FV为运动设备的外力对应的矢量，G为根据所述实时的重心坐标确定的重力对应的矢量，F为运动设备的风阻力对应的矢量，F的方向与法向量的方向一致，b为预测的运动设备的合力对应的矢量。
[0164] 在本发明实施例中，根据所述实时预测合力、所述运动速度、所述法向量、所述实时的重心坐标计算未来时刻的运动轨迹为确定物体的受力大小和方向下，并已知物理的重心位置，且已知初始运动速度，求取未来时刻运动轨迹，这种情况下未来的轨迹是确定的，运动设备将会做曲线运动，轨迹凹的一向为合力方向，运动设备的运动方向是以运动设备的实时重心坐标为基础进行的初始运动方向的匀速运动和合力方向加速运动的加和；但是，需要说明的是，在下一次采样时，若运动设备的外力发生了变化，则仍需要重新进行未来时刻的运动轨迹运算，因此，未来时刻运动轨迹运算是一个动态的过程。
[0165] 根据本发明实施例第二方面，提供一种基于AI视觉算法的运动轨迹识别系统。
[0166] 图8是本发明一个实施例的一种基于AI视觉算法的运动轨迹识别系统的结构图。
[0167] 在一个或多个实施例中，优选地，所述一种基于AI视觉算法的运动轨迹识别系统包括：
[0168] 三维采集模块801，用于通过图像采集设备获得运动设备的几何重心坐标；
[0169] 运动分析模块802，用于根据所述几何重心坐标计算运动设备的运动速度和法向量；
[0170] 受力提取模块803，用于设置风阻系数，结合所述几何重心坐标、所述运动速度和所述法向量计算风阻力；
[0171] 外力方向模块804，用于外部模拟输入运动设备的外力；
[0172] 重心修正模块805，用于获取所述几何重心坐标的历史数据，并根据所述几何重心坐标获得实时的重心坐标；
[0173] 运动轨迹生成模块806，用于根据所述实时的重心坐标、所述运动设备的外力、所述运动速度、所述法向量和所述风阻力，获得未来时刻的运动轨迹。
[0174] 本发明实施例中，通过6个模块的组合，实现对于运动设备的轨迹自动的采集，并在采集基础上快速修正，实现预测分析，尤其是考虑了动态重心位置的变化，使运动轨迹生成过程稳定且可靠。
[0175] 根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
[0176] 根据本发明实施例第四方面，提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用基于AI视觉算法的运动轨迹识别装置。参照图9，该电子设备包括多个采集设备901以及处理设备902；其中，不同所述采集设备901针对目标场景的不同区域进行监控，多个所述采集设备的监控区域覆盖所述目标场景；
[0177] 每一采集设备901，用于对目标场景采集图像，并识别所采集图像中的运动目标的位置信息；
[0178] 所述处理设备902包括处理器903、通信接口904、存储器905和通信总线906，其中，处理器903，通信接口904，存储器905通过通信总线906完成相互间的通信，[0179] 存储器905，用于存放计算机程序；
[0180] 处理器903，用于执行存储器905上所存放的计算机程序时，实现本发明实施例所提供的上述任一所述的基于AI视觉算法的运动轨迹识别方法步骤。
[0181] 上述处理设备提到的通信总线906可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。通信总线906可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条线表示，但并不表示仅有一根总线或一种类型的总线。
[0182] 通信接口904用于上述处理设备与其他设备之间的通信。
[0183] 存储器905可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non‑Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器905还可以是至少一个位于远离前述处理器903的存储装置。
[0184] 上述的处理器903可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、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。
[0185] 本发明的实施例提供的技术方案可以包括以下有益效果：
[0186] 本发明方案中，实时获取重力和风阻力，并结合实时的重心坐标位置进行运行轨迹分析。
[0187] 本发明方案中，通过几何重心坐标、利用第一动态偏移系数、第二动态偏移系数和第三动态偏移系数自动修正实时重心坐标，预估未来时刻的运动轨迹。
[0188] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
[0189] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0190] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0191] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0192] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
