运动轨迹处理方法、装置、设备及存储介质

1.本发明涉及数据处理技术领域，尤其涉及一种运动轨迹处理方法、装置、设备及存储介质。


背景技术：

2.目前，随着健康运动的普及，越来越多人参与到运动中，为了提高运动体验，往往使用移动终端来记录运动过程中的运动轨迹，以根据运动轨迹对运动过程进行相应调整。
3.但是，在用户进行多种混合运动的场景下，用户在运动终端中一次只能使用一种确定的运动类型来记录运动轨迹，当切换另一种类型的运动时，需要用户手动进行运动记录的结束、开始和切换，使得记录过程非常繁琐，导致用户的运动体验较差。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供了一种运动轨迹处理方法、装置、设备及存储介质，旨在解决现有技术在用户进行多种混合运动的场景下，一次只能使用一种确定的运动类型来记录运动轨迹，当切换另一种类型的运动时，需要用户手动进行运动记录的结束、开始和切换，使得记录过程非常繁琐，导致用户的运动体验较差的技术问题。
6.为实现上述目的，本发明提供了一种运动轨迹处理方法，所述运动轨迹处理方法包括以下步骤：
7.获取目标对象在运动过程中的初始运动轨迹；
8.基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹；
9.在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹。
10.可选地，所述基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹的步骤，包括：
11.基于预设分割参数将所述初始运动轨迹分割为多条子轨迹；
12.将所述多条子轨迹输入至所述预设运动类型模型中进行运动类型识别，获得识别结果；
13.判断所述识别结果中是否存在未识别出运动类型的目标子轨迹；
14.若不存在所述目标子轨迹，则将运动类型一致的子轨迹合并，获得按运动类型划分的多条运动轨迹。
15.可选地，所述判断所述识别结果中是否存在未识别出运动类型的目标子轨迹的步骤之后，还包括：
16.若存在所述目标子轨迹，则基于预设梯度策略降低所述预设分割参数，获得降低
后的分割参数；
17.将所述降低后的分割参数作为所述预设分割参数，并返回所述基于预设分割参数将所述初始运动轨迹分割为多条子轨迹的步骤，直至所述预设运动类型模型输出的识别结果中不存在未识别出运动类型的目标子轨迹。
18.可选地，所述将所述多条子轨迹输入至所述预设运动类型模型中进行运动类型识别，获得识别结果的步骤之前，还包括：
19.获取所述目标对象在以往运动过程中的单一运动类型的历史运动轨迹；
20.根据所述历史运动轨迹以及与所述历史运动轨迹对应的运动类型构建模型训练样本；
21.根据所述模型训练样本对初始训练模型进行迭代训练，获得预设运动类型模型。
22.可选地，所述获取目标对象在运动过程中的初始运动轨迹的步骤之前，还包括：
23.采集目标对象在运动过程中的运动数据；
24.根据所述运动数据确定所述目标对象的运动方向和运动距离；
25.通过所述运动方向和所述运动距离生成所述目标对象的初始运动轨迹，并保存所述初始运动轨迹至本地；
26.相应地，所述获取目标对象在运动过程中的初始运动轨迹的步骤，包括：
27.在接收到所述目标对象输入的运动结束指令时，获取所述初始运动轨迹。
28.可选地，所述在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹的步骤之后，还包括：
29.从所述运动数据中提取出与所述目标运动类型对应的目标运动数据；
30.在预设映射关系中查询与所述目标运动类型对应的标准运动数据；
31.判断所述目标运动数据与所述标准运动数据之间的偏差程度是否处于预设标准范围；
32.若未处于所述预设标准范围，则判定所述目标对象在运动过程中的运动行为不标准，并生成运动行为不标准报告，以提示所述目标对象进行调整。
33.可选地，所述在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹的步骤之后，还包括：
34.检测所述目标对象的当前身体状态信息，并根据所述当前身体状态信息确定所述目标对象的总运动量数据；
35.提取所述运动数据中的实际运动量数据；
36.判断所述实际运动量数据是否达到所述总运动量数据；
37.若未达到，则基于预设调整策略对所述总运动量数据进行调整。
38.此外，为实现上述目的，本发明还提出一种运动轨迹处理装置，所述运动轨迹处理装置包括：
39.运动轨迹获取模块，用于获取目标对象在运动过程中的初始运动轨迹；
40.运动轨迹划分模块，用于基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹；
41.运动轨迹展示模块，用于在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹。
42.此外，为实现上述目的，本发明还提出一种运动轨迹处理设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的运动轨迹处理程序，所述运动轨迹处理程序配置为实现如上文所述的运动轨迹处理方法的步骤。
43.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有运动轨迹处理程序，所述运动轨迹处理程序被处理器执行时实现如上文所述的运动轨迹处理方法的步骤。
44.本发明提供了一种运动轨迹处理方法、装置、设备及存储介质。该方法包括获取目标对象在运动过程中的初始运动轨迹；基于预设运动类型模型将初始运动轨迹按运动类型划分为多条运动轨迹；在接收到目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，并向目标对象展示目标运动轨迹。本发明通过将初始运动轨迹按运动类型划分为多条运动轨迹，然后从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，相较于现有技术在进行多种混合运动的场景下，当用户切换另一种类型的运动时，需要用户手动进行运动记录的结束、开始和切换，使得记录过程非常繁琐的情况，本发明上述运动轨迹处理方法有效简化了记录过程，提高了用户的运动体验。
附图说明
45.图1为本发明实施例方案涉及的硬件运行环境的运动轨迹处理设备的结构示意图；
46.图2为本发明运动轨迹处理方法第一实施例的流程示意图；
47.图3为本发明运动轨迹处理方法第二实施例的流程示意图；
48.图4为本发明运动轨迹处理方法第三实施例的流程示意图；
49.图5为本发明运动轨迹处理装置第一实施例的结构框图。
50.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
51.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
52.参照图1，图1为本发明实施例方案涉及的硬件运行环境的运动轨迹处理设备结构示意图。
53.如图1所示，该运动轨迹处理设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、球员接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。球员接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选球员接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如
磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
54.本领域技术人员可以理解，图1中示出的结构并不构成对运动轨迹处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
55.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、球员接口模块以及运动轨迹处理程序。
56.在图1所示的运动轨迹处理设备中，网络接口1004主要用于与网络服务器进行数据通信；球员接口1003主要用于与球员进行数据交互；本发明运动轨迹处理设备中的处理器1001、存储器1005可以设置在运动轨迹处理设备中，所述运动轨迹处理设备通过处理器1001调用存储器1005中存储的运动轨迹处理程序，并执行本发明实施例提供的运动轨迹处理方法。
57.本发明实施例提供了一种运动轨迹处理方法，参照图2，图2为本发明运动轨迹处理方法第一实施例的流程示意图。
58.本实施例中，所述运动轨迹处理方法包括以下步骤：
59.步骤s10：获取目标对象在运动过程中的初始运动轨迹。
60.需要说明的是，本实施例方法的执行主体可以是具有运动轨迹处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，还可以是实现相同或相似功能的其他电子设备。以下以上述运动轨迹处理设备(简称处理设备)对本实施例和下述各实施例进行说明。
61.可理解的是，上述目标对象可为使用上述处理设备进行运动的用户。
62.需要说明的是，上述初始运动轨迹可为上述目标对象由运动开始至运动结束这一整个过程所产生的运动轨迹。若上述目标对象在该过程中有多种类型的运动，如跑步、骑行、爬山等，则该初始运动轨迹则为包含各类型运动轨迹的整体运动轨迹。
63.在具体实现中，上述处理设备可携带在上述目标对象的身体部位上，如手腕上。上述处理设备在检测到上述目标对象输入的启动指令时，开始记录目标对象的位置，然后在目标对象的运动过程中实时记录目标对象的位置，直至目标对象输入结束指令以结束运动轨迹的记录，最终所记录的整体运动轨迹即可为实时初始运动轨迹。
64.应理解的是，上述目标对象只需要在运动开始和运动结束时输入相应的启动指令和结束指令即可启动上述处理设备和结束上述处理设备，无需在切换运动类型时再按下相应的切换键，有效简化了目标对象的操作，从而提高了目标对象的使用体验。
65.步骤s20：基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹。
66.需要说明的是，上述预设运动类型模型可为具备识别出所输入运动轨迹的运动类型的机器学习模型。该预设运动类型模型可由技术人员根据目标对象在以往运动过程中的各运动轨迹以及各运动轨迹对应的运动类型通机器学习迭代训练所获得。
67.在具体实现中，上述处理设备可将上述初始运动轨迹输入至预先构建的预设运动类型模型，由该预设运动类型模型对所输入的初始运动轨迹进行类型识别，然后输出上述初始运动轨迹所包含的运动类型，上述处理设备便可基于所识别出的运动类型对上述初始运动轨迹进行分割，获得多条运动类型单一的运动轨迹。其中，若目标对象进行的运动为单一类型，则无需划分。
68.步骤s30：在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹。
69.需要说明的是，上述目标运动类型可为上述目标对象所需查询的运动轨迹的运动类型。
70.在具体实现中，上述目标对象在结束运动后可输入携带需查询的目标运动类型的运动轨迹展示指令，上述处理设备在接收到该运动轨迹展示指令后便可从上述按运动类型划分的运动轨迹中查询与上述目标运动类型对应的运动轨迹，该与目标运动类型对应的运动轨迹即为上述目标运动轨迹，然后向上述目标对象展示该目标运动轨迹。由于只展示与目标运动类型对应的运动轨迹，无需展示全部运动轨迹，使得运动轨迹展示更为灵活，有效提高了目标对象的使用体验。
71.本实施例通过获取目标对象在运动过程中的初始运动轨迹；基于预设运动类型模型将初始运动轨迹按运动类型划分为多条运动轨迹；在接收到目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，并向目标对象展示目标运动轨迹。本实施例通过将初始运动轨迹按运动类型划分为多条运动轨迹，然后从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，相较于现有技术在进行多种混合运动的场景下，当用户切换另一种类型的运动时，需要用户手动进行运动记录的结束、开始和切换，使得记录过程非常繁琐的情况，本实施例上述运动轨迹处理方法有效简化了记录过程，提高了用户的运动体验。
72.参考图3，图3为本发明运动轨迹处理方法第二实施例的流程示意图。
73.基于上述第一实施例，在本实施例中，所述步骤s20包括：
74.步骤s201：基于预设分割参数将所述初始运动轨迹分割为多条子轨迹。
75.需要说明的是，若先通过预设运动类型模型对初始运动轨迹进行识别，然后根据识别出的运动类型对初始运动轨迹进行划分，则会出现路程较短的运动轨迹也会识别出相应的运动类型，而该路程较短的运动轨迹可能是无效轨迹，如切换运动类型的过程，或者是在运动过程中存在突发状况而减速的过程(如等红灯)等，也即，最终识别出的运动类型中存在无效轨迹的类型，导致最终所划分出的多条运动轨迹无法准确反映目标对象的运动过程。故而提出本实施例，以提高运动轨迹划分的精度。
76.可理解的是，上述预设分割参数可为对上述参数运动轨迹进行分割的运动参数，如距离、速度等。该预设分割参数具体为何种类型(距离或速度)可由目标对象进行确定，也可由技术人员预先确定后写入。
77.在具体实现中，上述处理设备可根据上述预设分割参数对上述参数运动轨迹进行分割，分割出多条子轨迹。若上述预设分割参数为距离，则可将上述初始运动轨迹按距离进行分割。相应地，若上述预设分割参数为速度，则可将上述初始运动轨迹按照初始运动轨迹对应的速度进行划分。
78.步骤s202：将所述多条子轨迹输入至所述预设运动类型模型中进行运动类型识别，获得识别结果。
79.在具体实现中，上述处理设备可将上述通过上述预设分割参数进行分割获得的多条子轨迹输入至上述预设运动类型模型中，该预设运动类型模型可对输入的多条子轨迹分
别进行类型识别，识别出各子轨迹的运动类型，然后输出识别结果，该识别结果中即可为各子轨迹对应的运动类型。
80.相应地，本实施例中，所述步骤s202之前，还包括：
81.步骤s2021：获取所述目标对象在以往运动过程中的单一运动类型的历史运动轨迹。
82.需要说明的是，上述历史运动轨迹即可为单一运动类型的运动轨迹。
83.在具体实现中，上述处理设备可保存已确定的单一运动类型的运动轨迹作为历史运动轨迹，以在构建模型时获取已保存的历史运动轨迹。
84.步骤s2022：根据所述历史运动轨迹以及与所述历史运动轨迹对应的运动类型构建模型训练样本。
85.在具体实现中，由于上述历史运动轨迹的运动类型均已知，因此，可获取数据量较大的多条历史运动轨迹，然后将各历史运动轨迹和各历史轨迹的运动类型作为样本数据，构建历史运动构建和运动类型的模型训练样本。
86.步骤s2023：根据所述模型训练样本对初始训练模型进行迭代训练，获得预设运动类型模型。
87.需要说明的是，上述初始训练模型可为具备学习算法的机器学习模型。
88.在具体实现中，上述处理设备可按一定比例(如2：1：1)将上述模型训练样本中的数据划分为训练集数据、测试集数据和验证集数据，根据训练集数据对初始训练模型进行迭代训练，根据验证集数据验证模型的泛化能力(好坏能力)，再根据测试集数据测试模型的异常状态预测能力，通过测试集数据可生成异常状态百分比，在该异常状态百分比达到预设期望值时，可判定模型训练完成，确定此时的模型作为上述预设运动类型模型。
89.应理解的是，由于上述模型效率样本是由单一运动类型的历史运动轨迹所构建，因此，通过上述方式所训练出的预设运动类型模型只能对单一运动轨迹的运动类型进行识别。
90.步骤s203：判断所述识别结果中是否存在未识别出运动类型的目标子轨迹。
91.在具体实现中，由于上述预设运动类型模型只能对单一运动轨迹的运动类型进行识别，若通过上述预设分割参数所分割的子轨迹包含多种运动类型，则无法获得该子轨迹的运动类型，因此需要判断识别结果中是否存在未识别出运动类型的目标子轨迹，以确定各子轨迹是否均能获得相应的识别结果。
92.步骤s204：若不存在所述目标子轨迹，则将运动类型一致的子轨迹合并，获得按运动类型划分的多条运动轨迹。
93.在具体实现中，上述处理设备在检测到上述识别结果中不存在未识别出运动类型的目标子轨迹时，判定通过上述预设分割参数分割后的各子轨迹均能识别出单一的运动类型，此时便可读取该此次识别结果中各子轨迹对应的运动类型，然后将运动类型一致的子轨迹进行合并，从而获得按运动类型划分的多条运动轨迹。
94.应理解的是，本实施例首先基于预设分割参数将初始运动轨迹分割为多条子轨迹；然后将多条子轨迹输入至预设运动类型模型中进行运动类型识别，获得识别结果；然后判断识别结果中是否存在未识别出运动类型的目标子轨迹；若不存在所述目标子轨迹，则将运动类型一致的子轨迹合并，获得按运动类型划分的多条运动轨迹。本实施例通过先分
割初始运动轨迹，获得多条子轨迹，然后由预设运动类型模型识别出多条子轨迹的运动类型，避免了先通过预设运动类型模型对初始运动轨迹进行识别，然后根据识别出的运动类型对初始运动轨迹进行划分，则会出现路程较短的运动轨迹也会识别出相应的运动类型的问题，有效提高了运动轨迹划分的精度。
95.进一步地，为了避免预设运动类型模型无法识别出子轨迹的运动类型，本实施例中，所述步骤s203之后，还包括：
96.步骤s204'：若存在所述目标子轨迹，则基于预设梯度策略降低所述预设分割参数，获得降低后的分割参数。
97.需要说明的是，预设梯度策略可为对预设分割参数按预设值进行阶梯式递减的策略，如第一次递减一个预设值，第二次递减两个预设值，第三次递减三个预设值，以此类推。该预设值可由技术人员预先设定。
98.在具体实现中，上述处理设备在判断出上述识别结果中存在未识别出运动类型的目标子轨迹时，可判定上述预设分割参数的数值较大，所分割出的子轨迹包含多种运动类型，因此可通过预设梯度策略降低上述预设分割参数，获得上述降低后的分割参数，然后通过该降低后的分割参数重新进行分割。
99.步骤s205'：将所述降低后的分割参数作为所述预设分割参数，并返回所述基于预设分割参数将所述初始运动轨迹分割为多条子轨迹的步骤，直至所述预设运动类型模型输出的识别结果中不存在未识别出运动类型的目标子轨迹。
100.在具体实现中，上述处理设备可将上述降低后的分割参数作为新的预设分割参数，然后返回所述基于预设分割参数将所述初始运动轨迹分割为多条子轨迹的步骤，重新对初始运动轨迹进行划分，若预设运动类型模型对重新划分出的子轨迹中仍然存在识别不出运动类型的目标子轨迹时，继续基于上述预设梯度策略降低预设分割参数，直至上述预设运动类型模型输出的识别结果中不存在未识别出运动类型的目标子轨迹。
101.应理解的是，为了提高处理效率，除了通过降低后的预设分割参数重新对初始运动轨迹继续划分外，也可按上述方式通过降低后的预设分割参数对未识别出运动类型的目标子轨迹进行划分，无需对初始分割参数进行重复处理，以提高处理效率。
102.需要说明的是，本实施例通过若存在目标子轨迹，则基于预设梯度策略降低预设分割参数，获得降低后的分割参数；然后将降低后的分割参数作为所述预设分割参数，并返回所述基于预设分割参数将所述初始运动轨迹分割为多条子轨迹的步骤，直至所述预设运动类型模型输出的识别结果中不存在未识别出运动类型的目标子轨迹。由于本实施例在判断出上述识别结果中存在未识别出运动类型的目标子轨迹时预，通过预设梯度策略降低预设分割参数后重新对初始运动轨迹进行分割，确保了所分割出的子轨迹均可识别出运动类型，有效提高了运动轨迹处理的精度。
103.参考图4，图4为本发明运动轨迹处理方法第三实施例的流程示意图。
104.基于上述各实施例，在本实施例中，所述步骤s10之前，所述方法还包括：
105.步骤s01：采集目标对象在运动过程中的运动数据。
106.需要说明的是，上述运动数据可为目标对象在运动过程中产生的数据，可包含参与生成运动轨迹的数据，如运动过程中的位置以及运动距离。
107.在具体实现中，上述处理设备在启动后便可实时记录目标对象在运动过程中的运
动数据，包括运动过程中的实时位置以及运动距离，直至目标对象结束记录。
108.步骤s02：根据所述运动数据确定所述目标对象的运动方向和运动距离。
109.需要说明的是，上述运动方向可为以实际地理位置所参照的方向，例如东、南、西、北四个方向，也可以目标对象为中心的参考方向，例如目标对象的前、后、左、右四个方向。
110.在具体实现中，上述处理设备可在接收到目标对象输入的数据采集结束指令时结束运动数据的采集，然后获取目标对象在整个运动过程或记录过程中的位置数据，然后根据位置数据即可确定目标对象的运动方向，最后确定各运动方向上的运动距离。以实际地理位置所参照的方向为例，在处理设备启动时，确定目标对象此时的位置，然后根据目标对象移动过程中的所变化位置可判断出目标对象移动的具体方向，依此便可判断出目标对象整个运动过程中的运动方向。
111.步骤s03：通过所述运动方向和所述运动距离生成所述目标对象的初始运动轨迹，并保存所述初始运动轨迹至本地。
112.在具体实现中，上述处理设备可根据上述目标对象的运动方向以及各方向上的运动距离即可生成目标对象的实际运动轨迹，也即上述初始运动轨迹，然后保存该初始运动轨至本地。
113.相应地，所述步骤s01：，包括：
114.步骤s01'：在接收到所述目标对象输入的运动结束指令时，获取所述初始运动轨迹。
115.在具体实现中，在接收到上述目标对象输入的运动接收指令时，便可从本地中读取所保存的初始运动轨迹。
116.需要说明的是，本实施例采集目标对象在运动过程中的运动数据；然后根据运动数据确定目标对象的运动方向和运动距离；通过运动方向和运动距离生成所述目标对象的初始运动轨迹，并保存初始运动轨迹至本地。本实施例通过目标对象在运动过程中的运动方向和运动距离生成初始运动轨迹，有效提高了初始运动轨迹生成的准确性，进而提高了运动轨迹处理的精度。
117.进一步地，为了提高目标对象的使用体验，本实施例中，所述步骤s30之后，还包括：
118.步骤s41：从所述运动数据中提取出与所述目标运动类型对应的目标运动数据。
119.在具体实现中，上述处理设备在展示与上述目标运动类型对应的目标运动轨迹之后，还可从上述运动数据中提取出与目标运动类型对应的目标运动数据，例如，若目标运动类型为跑步，则可从运动数据中提取出与跑步状态下的数据，如速度、心率、血压等。
120.步骤s42：在预设映射关系中查询与所述目标运动类型对应的标准运动数据。
121.需要说明的是，上述预设映射关系可为运动类型与标准运动数据之间的对应关系。
122.在具体实现中，上述处理设备可在预设映射关系中查询与上述目标运动类型对应的标准数据，也即，目标对象在处于该目标运动类型的运动时，理论状态下应达到的运动数据。例如，若目标运动类型为跑步，则可从预设映射关系中查询在跑步状态下，应达到的标准速度、标准效率、标准血压等数据。
123.步骤s43：判断所述目标运动数据与所述标准运动数据之间的偏差程度是否处于
预设标准范围。
124.需要说明的是，上述预设标准范围可为判断目标运动数据与标准运动数据之间的偏差程度是否处于合理范围的范围。
125.在具体实现中，上述处理设备可判断运动过程中与上述目标运动类型对应的实际的目标运动数据是否达到理论的标准运动数据，若未达到，则可确定目标运动数据与标准运动数据之间的偏差程度，然后判断偏差程度是否处于预设标准范围，若处于预设标准范围，则可判定目标对象在运动过程中表现良好，反之，则可判定目标对象在运动过程中表现欠佳，需要调整。
126.步骤s44：若未处于所述预设标准范围，则判定所述目标对象在运动过程中的运动行为不标准，并生成运动行为不标准报告，以提示所述目标对象进行调整。
127.在具体实现中，上述处理设备在判断出上述目标运动数据与上述标准运动数据之间的偏差程度未处于上述预设标准范围，具体可为低于上述预设标准范围的最小值时，可判定目标运动数据未达到上述标准运动数据，目标对象在运动过程中的运动行为不标准，此时便可生成包含偏差程度以及偏差程度偏离预设标准范围的不标准报告，以提示目标对象需要对运动过程进行调整，从而有效提高了目标对象的使用体验。
128.进一步地，为了使目标对象进行科学的运动，提高目标对象的使用体验，本实施例中，所述步骤s30之后，还包括：
129.步骤s41'：检测所述目标对象的当前身体状态信息，并根据所述当前身体状态信息确定所述目标对象的总运动量数据。
130.需要说明的是，上述当前身体状态信息可为目标对象在运动结束后的体征数据，如体温、心率等相关信息。
131.在具体实现中，上述处理设备可构建目标对象的身体状态与总运动量之间的运动量映射关系，以使目标对象的运动量设置在身体状态的合理范围，保证目标对象的身体健康。在检测到目标对象运动结束后便可采集目标对象的当前身体状态信息，然后从上述运动量映射关系中查询与当前身体状态信息对应的总运动量数据。
132.步骤s42'：提取所述运动数据中的实际运动量数据。
133.在具体实现中，上述运动数据中还可包含与运动量相关的数据，即上述实际运动量数据。上述处理设备可在目标对象的运动结束后从上述运动数据中提取出上述实际运动量数据。
134.步骤s43'：判断所述实际运动量数据是否达到所述总运动量数据。
135.在具体实现中，上述处理设备可判定上述实际运动量数据是否达到上述总运动量数据，若达到，则可判定目标对象此次的运动量处于身体状态的合理范围，若未达到，则可判定目标对象此次的运动量偏离了身体状态的合理范围，需要进行调整。
136.步骤s44'：若未达到，则基于预设调整策略对所述总运动量数据进行调整。
137.需要说明的是，上述预设调整策略可为取上述实际运动量数据与总运动量数据作为新的总运动量数据，然后将该新的总运动量数据替换为预设运动量映射关系中与当前身体状态信息对应的总运动量数据。
138.在具体实现中，上述处理设备可在判断出上述实际运动量数据未达到上述总运动量数据时，通过预设调整策略对上述总运动量数据进行调整，以使该总运动量数据处于身
体状态的合理范围。从而使得目标对象可以进行更为科学的运动，有效提高了目标对象的使用体验。
139.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有运动轨迹处理程序，所述运动轨迹处理程序被处理器执行时实现如上文所述的运动轨迹处理方法的步骤。
140.参照图5，图5为本发明运动轨迹处理装置第一实施例的结构框图。
141.如图5所示，本发明实施例提出的运动轨迹处理装置包括：
142.运动轨迹获取模块501，用于获取目标对象在运动过程中的初始运动轨迹。
143.运动轨迹划分模块502，用于基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹。
144.运动轨迹展示模块503，用于在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹。
145.本实施例通过获取目标对象在运动过程中的初始运动轨迹；基于预设运动类型模型将初始运动轨迹按运动类型划分为多条运动轨迹；在接收到目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，并向目标对象展示目标运动轨迹。本实施例通过将初始运动轨迹按运动类型划分为多条运动轨迹，然后从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，相较于现有技术在进行多种混合运动的场景下，当用户切换另一种类型的运动时，需要用户手动进行运动记录的结束、开始和切换，使得记录过程非常繁琐的情况，本实施例上述运动轨迹处理方法有效简化了记录过程，提高了用户的运动体验。
146.基于本发明上述运动轨迹处理装置第一实施例，提出本发明运动轨迹处理装置的第二实施例。
147.在本实施例中，所述运动轨迹划分模块502，还用于基于预设分割参数将所述初始运动轨迹分割为多条子轨迹；将所述多条子轨迹输入至所述预设运动类型模型中进行运动类型识别，获得识别结果；判断所述识别结果中是否存在未识别出运动类型的目标子轨迹；若不存在所述目标子轨迹，则将运动类型一致的子轨迹合并，获得按运动类型划分的多条运动轨迹。
148.作为一种实施方式，所述运动轨迹划分模块502，还用于若存在所述目标子轨迹，则基于预设梯度策略降低所述预设分割参数，获得降低后的分割参数；将所述降低后的分割参数作为所述预设分割参数，并返回所述基于预设分割参数将所述初始运动轨迹分割为多条子轨迹的步骤，直至所述预设运动类型模型输出的识别结果中不存在未识别出运动类型的目标子轨迹。
149.作为一种实施方式，所述运动轨迹划分模块502，还用于获取所述目标对象在以往运动过程中的单一运动类型的历史运动轨迹；根据所述历史运动轨迹以及与所述历史运动轨迹对应的运动类型构建模型训练样本；根据所述模型训练样本对初始训练模型进行迭代训练，获得预设运动类型模型。
150.基于本发明上述运动轨迹处理装置各实施例，提出本发明运动轨迹处理装置的第三实施例。
151.在本实施例中，所述运动轨迹获取模块501，还用于采集目标对象在运动过程中的运动数据；根据所述运动数据确定所述目标对象的运动方向和运动距离；通过所述运动方向和所述运动距离生成所述目标对象的初始运动轨迹，并保存所述初始运动轨迹至本地。
152.相应地，所述运动轨迹获取模块501，还用于在接收到所述目标对象输入的运动结束指令时，获取所述初始运动轨迹。
153.作为一种实施方式，所述运动轨迹展示模块503，还用于从所述运动数据中提取出与所述目标运动类型对应的目标运动数据；在预设映射关系中查询与所述目标运动类型对应的标准运动数据；判断所述目标运动数据与所述标准运动数据之间的偏差程度是否处于预设标准范围；若未处于所述预设标准范围，则判定所述目标对象在运动过程中的运动行为不标准，并生成运动行为不标准报告，以提示所述目标对象进行调整。
154.作为一种实施方式，所述运动轨迹展示模块503，还用于检测所述目标对象的当前身体状态信息，并根据所述当前身体状态信息确定所述目标对象的总运动量数据；提取所述运动数据中的实际运动量数据；判断所述实际运动量数据是否达到所述总运动量数据；若未达到，则基于预设调整策略对所述总运动量数据进行调整。
155.本发明运动轨迹处理装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
156.需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
157.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
158.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
159.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种运动轨迹处理方法，其特征在于，所述运动轨迹处理方法包括以下步骤：获取目标对象在运动过程中的初始运动轨迹；基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹；在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹。2.如权利要求1所述的运动轨迹处理方法，其特征在于，所述基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹的步骤，包括：基于预设分割参数将所述初始运动轨迹分割为多条子轨迹；将所述多条子轨迹输入至所述预设运动类型模型中进行运动类型识别，获得识别结果；判断所述识别结果中是否存在未识别出运动类型的目标子轨迹；若不存在所述目标子轨迹，则将运动类型一致的子轨迹合并，获得按运动类型划分的多条运动轨迹。3.如权利要求2所述的运动轨迹处理方法，其特征在于，所述判断所述识别结果中是否存在未识别出运动类型的目标子轨迹的步骤之后，还包括：若存在所述目标子轨迹，则基于预设梯度策略降低所述预设分割参数，获得降低后的分割参数；将所述降低后的分割参数作为所述预设分割参数，并返回所述基于预设分割参数将所述初始运动轨迹分割为多条子轨迹的步骤，直至所述预设运动类型模型输出的识别结果中不存在未识别出运动类型的目标子轨迹。4.如权利要求3所述的运动轨迹处理方法，其特征在于，所述将所述多条子轨迹输入至所述预设运动类型模型中进行运动类型识别，获得识别结果的步骤之前，还包括：获取所述目标对象在以往运动过程中的单一运动类型的历史运动轨迹；根据所述历史运动轨迹以及与所述历史运动轨迹对应的运动类型构建模型训练样本；根据所述模型训练样本对初始训练模型进行迭代训练，获得预设运动类型模型。5.如权利要求1所述的运动轨迹处理方法，其特征在于，所述获取目标对象在运动过程中的初始运动轨迹的步骤之前，还包括：采集目标对象在运动过程中的运动数据；根据所述运动数据确定所述目标对象的运动方向和运动距离；通过所述运动方向和所述运动距离生成所述目标对象的初始运动轨迹，并保存所述初始运动轨迹至本地；相应地，所述获取目标对象在运动过程中的初始运动轨迹的步骤，包括：在接收到所述目标对象输入的运动结束指令时，获取所述初始运动轨迹。6.如权利要求5所述的运动轨迹处理方法，其特征在于，所述在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹的步骤之后，还包括：从所述运动数据中提取出与所述目标运动类型对应的目标运动数据；
在预设映射关系中查询与所述目标运动类型对应的标准运动数据；判断所述目标运动数据与所述标准运动数据之间的偏差程度是否处于预设标准范围；若未处于所述预设标准范围，则判定所述目标对象在运动过程中的运动行为不标准，并生成运动行为不标准报告，以提示所述目标对象进行调整。7.如权利要求1至6任一项所述的运动轨迹处理方法，其特征在于，所述在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹的步骤之后，还包括：检测所述目标对象的当前身体状态信息，并根据所述当前身体状态信息确定所述目标对象的总运动量数据；提取所述运动数据中的实际运动量数据；判断所述实际运动量数据是否达到所述总运动量数据；若未达到，则基于预设调整策略对所述总运动量数据进行调整。8.一种运动轨迹处理装置，其特征在于，所述运动轨迹处理装置包括：运动轨迹获取模块，用于获取目标对象在运动过程中的初始运动轨迹；运动轨迹划分模块，用于基于预设运动类型模型将所述初始运动轨迹按运动类型划分为多条运动轨迹；运动轨迹展示模块，用于在接收到所述目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从所述多条运动轨迹中选择与所述目标运动类型对应的目标运动轨迹，并向所述目标对象展示所述目标运动轨迹。9.一种运动轨迹处理设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的运动轨迹处理程序，所述运动轨迹处理程序配置为实现如权利要求1至7中任一项所述的运动轨迹处理方法的步骤。10.一种存储介质，其特征在于，所述存储介质上存储有运动轨迹处理程序，所述运动轨迹处理程序被处理器执行时实现如权利要求1至7任一项所述的运动轨迹处理方法的步骤。

技术总结
本发明公开了一种运动轨迹处理方法、装置、设备及存储介质。该方法包括获取目标对象在运动过程中的初始运动轨迹；基于预设运动类型模型将初始运动轨迹按运动类型划分为多条运动轨迹；在接收到目标对象输入的携带有目标运动类型的运动轨迹展示指令时，从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，并向目标对象展示目标运动轨迹。本发明通过将初始运动轨迹按运动类型划分为多条运动轨迹，然后从多条运动轨迹中选择与目标运动类型对应的目标运动轨迹，避免了现有技术在进行多种混合运动的场景下，当用户切换另一种类型的运动时，需要用户手动进行运动记录的结束、开始和切换的情况，有效提高了用户的运动体验。有效提高了用户的运动体验。有效提高了用户的运动体验。


技术研发人员：李关 黄欣欣
受保护的技术使用者：广东科技学院
技术研发日：2023.04.28
技术公布日：2023/8/24