CN115861498A - 动作捕捉的重定向方法和装置 - Google Patents

Abstract

本公开提供了一种动作捕捉的重定向方法和装置，涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、虚拟数字人等场景。包括：获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到，第一骨骼节点与第二骨骼节点为相同部位的骨骼节点，根据第一骨骼节点的第一位置信息、第二骨骼节点的第二位置信息、第三骨骼节点的第三位置信息，计算得到第三骨骼节点的增量旋转信息，根据增量旋转信息对第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点，避免了丢失语义信息，提高了重定向的可靠性。

Description

动作捕捉的重定向方法和装置

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、虚拟数字人等场景，尤其涉及一种动作捕捉的重定向方法和装置。

背景技术

随着三维虚拟形象地广泛应用，如三维虚拟形象在社交、直播、游戏等场景的应用，三维虚拟形象的应用价值凸显。

在一些实施例中，可以通过重定向的方式迁移旋转，完成对三维虚拟形象的驱动，以保障旋转一致性的重定向。

发明内容

本公开提供了一种用于提高重定向的可靠性的动作捕捉的重定向方法和装置。

根据本公开的第一方面，提供了一种动作捕捉的重定向方法，包括：

获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，所述第二骨骼动画为对所述第一骨骼动画进行旋转一致性重定向得到的骨骼动画，所述第一骨骼节点与所述第二骨骼节点为不同骨骼模型中相同部位的骨骼节点；

根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息；

根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

根据本公开的第二方面，提供了一种动作捕捉的重定向装置，包括：

获取单元，用于获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，所述第二骨骼动画为对所述第一骨骼动画进行旋转一致性重定向得到的骨骼动画，所述第一骨骼节点与所述第二骨骼节点为不同骨骼模型中相同部位的骨骼节点；

计算单元，用于根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息；

优化单元，用于根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据第一方面所述的方法。

根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

本公开提供的动作捕捉的重定向方法和装置，包括：获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到的骨骼动画，第一骨骼节点与第二骨骼节点为不同骨骼模型中相同部位的骨骼节点，根据第一骨骼节点的第一位置信息、第二骨骼节点的第二位置信息、第三骨骼节点的第三位置信息，计算得到第三骨骼节点的增量旋转信息，根据增量旋转信息对第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点，通过结合各骨骼节点(第一骨骼节点、第二骨骼节点、第三骨骼节点)各自对应的位置信息(第一位置信息、第二位置信息、第三位置信息)，计算得到增量旋转信息，以结合增量旋转信息和原始旋转信息完成重定位的技术特征，考虑了不同骨骼模型之间的差异，避免了直接基于原始旋转信息完成重定位造成的丢失部分语义信息的弊端，提高了重定向的有效性和可靠性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的骨骼模型的示意图；

图2是根据本公开第一实施例的示意图；

图3是根据本公开的第一骨骼模型的第一骨骼动画示意图；

图4是根据本公开的第二骨骼模型的第二骨骼动画示意图；

图5是根据本公开第二实施例的示意图；

图6是根据本公开实施例的动作捕捉的重定向方法的原理示意图；

图7是根据本公开的第二骨骼模型的第三骨骼动画示意图；

图8是根据本公开第三实施例的示意图；

图9是根据本公开第四实施例的示意图；

图10是根据本公开第五实施例的示意图；

图11是用来实现本公开实施例的动作捕捉的重定向方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

为便于读者对本公开地理解，现对本公开的至少部分术语解释如下：

增强现实(Augmented Reality，AR)技术，是指将虚拟信息与真实世界巧妙融合的技术，广泛运用了多媒体、三维建模、实时跟踪及注册、智能交互、传感等多种技术手段，将计算机生成的文字、图像、三维模型、音乐、视频等虚拟信息模拟仿真后，应用到真实世界中，两种信息互为补充，从而实现对真实世界的“增强”。

虚拟现实技术(Virtual Reality，VR)，又称虚拟实境或灵境技术，其中，虚拟现实技术囊括计算机、电子信息、仿真技术，其基本实现方式是以计算机技术为主，利用并综合三维图形技术、多媒体技术、仿真技术、显示技术、伺服技术等多种高科技的最新发展成果，借助计算机等设备产生一个逼真的三维视觉、触觉、嗅觉等多种感官体验的虚拟世界，从而使处于虚拟世界中的人产生一种身临其境的感觉。

深度学习(Deep Learning，DL)是机器学习(Machine Learning，ML)领域中一个子领域，是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。

元宇宙(Metaverse)，是指运用数字技术构建的，由现实世界映射或超越现实世界，可与现实世界交互的虚拟世界的数字生活空间。

虚拟数字人，也可以称为三维虚拟形象，是指由计算机生成的、具有三维形象的人物，可以理解为三维人类模型。

骨骼模型，也可以称为骨骼树，用于表征三维虚拟形象，是指包括以骨骼节点(也可以称为关节点)的人体模型。

如图1所示，骨骼模型中包括多个骨骼节点，如左手的骨骼节点、左左手肘的骨骼节点、左肩的骨骼节点，等等，此处不再一一列举。

应该理解的是，图1只是用于示范性地说明骨骼模型和骨骼节点，而不能理解为对骨骼模型和骨骼节点地限定。

重定向，是指给定一个人物的动作，将此动作迁移到另一个人物身上，使其动作保持一致。

相应的，在本实施例中，重定向可以理解为，给定第一骨骼模型中的动作(可以称为第一骨骼动画，也可以称为第一骨骼位姿)，将此动作迁移到第二骨骼模型中，使第二骨骼模型的动作(可以称为第二骨骼动画，或者称为第二骨骼位姿)与第一骨骼模型的动作保持一致，即重定向后的第二骨骼动画与第一骨骼动画相同。

随着三维虚拟形象地广泛应用，如三维虚拟形象在社交、直播、游戏等场景的应用，三维虚拟形象的应用价值凸显。

示例性的，为驱动三维虚拟形象，需要大量美术成本用于构建关键帧骨骼动画，而通过对视频图像进行动作捕捉获取三维虚拟形象的驱动参数可以有效降低美术成本，同时满足用户的多种多样动作生产的需求。

因此，在一些实施例中，可以通过从视频图像中获取虚拟形象的驱动参数，并基于获取到的驱动参数完成对三维虚拟形象的驱动。

例如，可以通过重定向的方式迁移旋转，完成对三维虚拟形象的驱动，以保障旋转一致性的重定向。

然而，由于不同骨骼模型之间可能存在差异，尤其是在两个不同的骨骼模型之间的差异较大时，完成旋转一致性的重定向会导致部分语义信息缺失，从而导致重定向的有效性和可靠性偏低的技术问题。

为了避免上述技术问题中的至少一种，本公开提供了经创造性劳动后的技术构思：获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到的骨骼动画，第一骨骼节点与第二骨骼节点为相同部位的骨骼节点，以结合第一骨骼节点、第二骨骼节点、第三骨骼节点各自对应的位置信息，确定第三骨骼节点的增量旋转信息，并根据增量旋转信息确定重定向的第三骨骼节点。

基于上述技术构思，本公开提供一种动作捕捉的重定向方法和装置，涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、虚拟数字人等场景，以达到对虚拟形象的驱动的有效性和可靠性。

图2是根据本公开第一实施例的示意图，如图2所示，本公开实施例提供的动作捕捉的重定向方法包括：

S201：获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点。

其中，第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到的骨骼动画，第一骨骼节点与第二骨骼节点为不同骨骼模型中相同部位的骨骼节点。

示例性的，本实施例的执行主体可以为动作捕捉的重定向装置(下文简称为重定向装置)，重定向装置可以为服务器，也可以为计算机，也可以为终端设备，也可以为处理器，也可以为芯片，等等，此处不再一一列举。

例如，若重定向装置为服务器，则重定向装置可以为独立的服务器，也可以为服务器集群；可以为云端服务器，也可以为本地服务器，本实施例不做限定。

又如，本实施例的动作捕捉的重定向方法应用于增强现实场景或者虚拟现实场景，则重定向装置可以为增强现实场景或者虚拟现实场景中的头戴设备。

第一骨骼动画和第二骨骼动画为相对概念，而不能理解为对第一骨骼动画和第二骨骼动画的限定。结合上述示例，第一骨骼动画可以理解为第一骨骼模型的骨骼动画，例如第一骨骼动画为第一骨骼模型对应的某一帧的骨骼动画。第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到的骨骼动画。

其中，旋转一致性重定向是指，通过重定向的方式将第一骨骼动画的旋转信息迁移得到第二骨骼动画，具体实现原理本实施例不做限定，可以参见相关技术。

例如，图3是根据本公开的第一骨骼模型的第一骨骼动画示意图，表征的为下蹲动作的动画。图3示范性地展示了第一骨骼模型中的三个骨骼节点，分别为臀部的骨骼节点、膝盖的骨骼节点、以及脚部的骨骼节点，且图3示范性地展示了第一骨骼模型的下蹲动作的动画，即图3示范性地展示了第一骨骼模型在下蹲动作时的骨骼节点的变化。

图4为第二骨骼模型的第二骨骼动画示意图，其表征的为对第一骨骼模型的第一骨骼动画进行动作捕捉的重定向得到的动画示意图，且具体为从旋转信息的维度，对第一骨骼模型的下蹲动作的动画(即第一骨骼动画)进行迁移得到的。

相应的，图4示范性地展示了第二骨骼模型中的三个骨骼节点，分别为臀部的骨骼节点、膝盖的骨骼节点、以及脚部的骨骼节点。且图4中的臀部的骨骼节点是通过将图3所示的臀部的骨骼节点的旋转信息迁移得到的，图4中的膝盖的骨骼节点是通过将图3所示的膝盖的骨骼节点的旋转信息迁移得到的，图4中的脚部的骨骼节点是通过将图3所示的脚部的骨骼节点的旋转信息迁移得到的。

同理，第一骨骼节点、第二骨骼节点、第三骨骼节点为相对概念，而不能理解为对第一骨骼节点、第二骨骼节点、第三骨骼节点的限定。

例如，第一骨骼节点可以为第一骨骼动画中，如图3所示的脚部的骨骼节点；由于第一骨骼节点为与第二骨骼节点为相同部位的骨骼节点，因此，第二骨骼节点为第二骨骼动画中，如图4所示的脚部的骨骼节点；由于第三骨骼节点和第二骨骼节点均为第二骨骼动画中的骨骼节点，因此，第三骨骼节点可以为如图4所示的臀部的骨骼节点。

应该理解的是，上述只是用于示范性地说明，可能的第一骨骼节点、第二骨骼节点、第三骨骼节点，而不能理解为对第一骨骼节点、第二骨骼节点、第三骨骼节点的选取的限定。

且可以理解的是，本实施例对获取第一骨骼节点、第二骨骼节点、第三骨骼节点的顺序不做限定。

例如，可以先从第一骨骼动画中获取第一骨骼节点，而后从第二骨骼动画中获取与第一骨骼节点相同部位的第二骨骼节点，最后从第二骨骼动画中获取与第二骨骼节点不同的骨骼节点(即第三骨骼节点)。其中，第三骨骼节点为重定向的骨骼节点，可以理解为待优化的骨骼节点。

由于待优化的骨骼节点为第二骨骼动画中的骨骼节点，因此，可以先获取待优化的骨骼节点，如第三骨骼节点，而后从第二骨骼动画中获取与第三骨骼节点不同的骨骼节点作为第二骨骼节点，最后从第一骨骼动画中获取与第二骨骼节点具有相同部位的骨骼节点，即第一骨骼节点。

S202：根据第一骨骼节点的第一位置信息、第二骨骼节点的第二位置信息、第三骨骼节点的第三位置信息，计算得到第三骨骼节点的增量旋转信息。

其中，位置信息可以理解为坐标，相应的，第一位置信息可以理解为第一骨骼节点的坐标，第二位置信息可以理解为第二骨骼节点的坐标，第三位置信息可以理解为第三骨骼节点的坐标。

增量旋转信息可以理解为，在第二骨骼动画的基础上，第三骨骼节点在旋转维度的增量变化。

例如，结合上述示例，第三骨骼节点为第二骨骼动画中的臀部的骨骼节点，则增量旋转信息可以理解为，相对于经旋转一致性重定向得到的第二骨骼动画中的臀部的骨骼节点，臀部的骨骼节点在旋转上的增量变化。

也就是说，在本实施例中，为了避免直接将第一骨骼动画中的臀部的骨骼节点的旋转迁移至第三骨骼节点，可以考虑第一骨骼模型和第二骨骼模型之间的差异，以确定由将第一骨骼动画中的臀部的骨骼节点的旋转迁移至第三骨骼节点时的差异变化，该差异变化即为增量旋转信息。

S203：根据增量旋转信息对第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

其中，原始旋转信息可以理解为，基于旋转一致性的重定向时的旋转。

结合上述分析，一方面，由于增量旋转信息是在考虑了第一骨骼模型和的第二骨骼模型之间的差异的情况下确定的，因此，当结合增量旋转信息得到重定向的第三骨骼节点时，相当于既考虑了第一骨骼模型的语义信息，又考虑了第二骨骼模型的语义信息的，从而可以避免语义信息的丢失的弊端。

另一方面，由于第一骨骼模型和第二骨骼模型之间的差异是基于各骨骼节点(第一骨骼节点、第二骨骼节点、第三骨骼节点)各自对应的位置信息(第一位置信息、第二位置信息、第三位置信息)确定的，相当于重定向考虑了第一骨骼模型和第二骨骼模型之间的骨骼节点的位置差异，因此，可以实现位置维度的一致性重定向，以避免造成三维虚拟形象的真实性偏低，从而提高用户的视觉体验和交互体验。

基于上述分析可知，本公开提供了一种动作捕捉的重定向方法，包括：获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到的骨骼动画，第一骨骼节点与第二骨骼节点为不同骨骼模型中相同部位的骨骼节点，根据第一骨骼节点的第一位置信息、第二骨骼节点的第二位置信息、第三骨骼节点的第三位置信息，计算得到第三骨骼节点的增量旋转信息，根据增量旋转信息对第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点，在本实施例中，通过结合各骨骼节点(第一骨骼节点、第二骨骼节点、第三骨骼节点)各自对应的位置信息(第一位置信息、第二位置信息、第三位置信息)，计算得到增量旋转信息，以结合增量旋转信息和原始旋转信息完成重定位的技术特征，考虑了不同骨骼模型之间的差异，避免了直接基于原始旋转信息完成重定位造成的丢失部分语义信息的弊端，提高了重定向的有效性和可靠性。

为使读者更加深刻地理解本公开的实现原理，现结合图5对本公开的动作捕捉的重定向方法进行更为详细地阐述。其中，图5是根据本公开第二实施例的示意图，如图5所示，本公开实施例提供的动作捕捉的重定向方法包括：

S501：获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点。

其中，第二骨骼动画为对第一骨骼动画进行旋转一致性重定向得到的骨骼动画，第一骨骼节点与第二骨骼节点为不同骨骼模型中相同部位的骨骼节点。

可以理解的是，为了避免繁琐地陈述，关于本实施例与上述实施例中相同的技术特征，本实施例不做限定。

示例性的，关于S501的实现原理，可以参见S201的描述，此处不再赘述。

在一些实施例中，第二骨骼节点和第三骨骼节点为第二骨骼动画中具有父子节点关系的骨骼节点。

示例性的，第二骨骼节点和第三骨骼节点可以为具有直接连接关系的骨骼节点。

例如，如图4所示，第二骨骼节点可以为脚部的骨骼节点，第三骨骼节点可以为膝盖的骨骼节点。

在另一些实施例中，第二骨骼节点和第三骨骼节点为第二骨骼动画中具有祖孙节点关系的骨骼节点。

示例性的，第二骨骼节点和第三骨骼节点可以为具有间接连接关系的骨骼节点。

例如，如图4所示，第二骨骼节点可以为脚部的骨骼节点，第三骨骼节点可以为臀部的骨骼节点。

在本实施例中，可以将具有父子节点关系的两个骨骼节点确定为第二骨骼节点和第三骨骼节点，或者将具有祖孙节点关系的两个骨骼节点确定为第二骨骼节点和第三骨骼节点，以使得第二骨骼节点和第三骨骼节点为具有直接连接关系的骨骼节点，或者，具有间接连接关系的骨骼节点，而由于力的传递性，具有直接连接关系的骨骼节点，或者，具有间接连接关系的骨骼节点之间，在动作上具有一定关联性和相互作用性，因此，通过将具有直接连接关系的骨骼节点，或者，具有间接连接关系的骨骼节点，确定为第二骨骼节点和第三骨骼节点，可以实现重定向的有效性和可靠性。

S502：基于第一位置信息和第三位置信息，计算得到第一差异信息，基于第二位置信息和第三位置信息，计算得到第二差异信息。

示例性的，第一骨骼节点为如图6所示的目标约束点(target_point A)，第二骨骼节点为如图6所示的待约束点(source_point B)，第三骨骼节点为如图6所示的待优化点(node C)。

相应的，第一差异信息为，目标约束点与待优化点在位置维度的差异信息；第二差异信息为，待约束点与待优化点在位置维度的差异信息。

在一些实施例中，可以通过构建向量的方式，确定第一差异信息和第二差异信息。

示例性的，第一差异信息可以通过向量Vec_src表示，且向量Vec_src可以通过式1表示，式1：

Vec_src＝第一位置信息-第三位置信息。

第二差异信息可以通过向量Vec_tar表示，且向量Vec_tar可以通过式2表示，式2：

Vec_tar＝第二位置信息-第三位置信息。

相应的，结合上述分析，若目标约束点为如图3所示的脚部的骨骼节点，待约束点为如图4所示的脚部的骨骼节点，待优化点为如图4所示的臀部的骨骼节点，则第一差异信息＝如图3所示的脚部的骨骼节点的位置信息(即第一位置信息)-如图4所示的臀部的骨骼节点(即第三位置信息)；第二差异信息＝如图4所示的脚部的骨骼节点的位置信息(即第二位置信息)-如图4所示的臀部的骨骼节点(即第三位置信息)。

S503：根据第一差异信息和第二差异信息，确定增量旋转信息。

结合上述分析可知，第一差异信息为第一骨骼节点与第三骨骼节点在位置维度的差异信息，第二差异信息为第二骨骼节点与第三骨骼节点在位置维度的差异信息，而第一骨骼节点和第二骨骼节点为两个不同骨骼模型、却相同部位的骨骼节点。

因此，第一差异信息和第二差异信息可以表征两个骨骼模型在位置维度的差异，而通过两个骨骼模型在位置维度的差异确定增量旋转信息，可以使得增量旋转信息与两个骨骼模型在位置维度的差异高度关联，从而当基于增量旋转信息进行重定向，可以实现位置维度的一致性的重定向，提高重定向的有效性和可靠性。

在一些实施例中，S503可以包括如下步骤：

第一步骤：根据第一差异信息和第二差异信息，计算得到第三骨骼节点的轴角向量和弧度。

其中，轴角向量是指通过四个元素表达旋转，且三个元素用来描述旋转轴，另一个元素描述旋转的角度。

例如，用于描述旋转轴的三个元素为第三骨骼节点的横坐标x、纵坐标y、竖坐标z，描述角度的元素为θ。

在一些实施例中，轴角向量是对第一差异信息和第二差异信息进行乘积运算得到的。弧度是对第一差异信息和第二差异信息进行点乘运算得到的。

示例性的，如图6所示，对第一差异信息和第二差异信息进行乘积运算，得到轴角向量；对第一差异信息和第二差异信息进行点乘运算，得到弧度。

结合上述分析，第一差异信息可以通过向量Vec_src表示，第二差异信息可以通过向量Vec_tar表示，相应的，可以通过式3计算得到轴角向量axis，式3：

axis＝cross(Vec_src，Vec_tar)。

其中，cross表示乘积运算。

可以通过式4计算得到弧度angle，式4：

angle＝dot(Vec_src,Vec_tar)

其中，dot表示点乘运算。

关于乘积运算和点乘运算的计算原理，可以参见相关技术，此处不再赘述。

第二步骤：根据轴角向量和弧度，确定增量旋转信息。

示例性的，如图6所示，在得到轴角向量和弧度之后，可以基于轴角向量和弧度计算得到增量旋转信息。

在本实施例中，通过从轴角向量和弧度两个维度，确定增量旋转信息，以使得增量旋转信息具有较高的有效性和可靠性。

在一些实施例中，第二步骤可以包括：根据罗德里格旋转算法，对轴角向量和弧度进行旋转信息转换处理，得到增量旋转信息。

示例性的，增量旋转信息可以通过矩阵表示，如增量旋转信息也可以称为增量旋转矩阵，且可以通过式5计算得到增量旋转信息rotation_diff_matrix，式5：

rotation_diff_matrix＝axisangle_to_matrix(axis，α*angle)。

其中，axisangle_to_matrix表示罗德里格旋转算法，α为预设步长系数，0＜α＜1。

应该理解的是，预设步长系数可以基于需求、历史记录、以及试验等方式确定，本实施例不做限定。

S504：对增量旋转信息和原始旋转信息进行乘积运算，得到优化后的旋转信息。

其中，重定向的第三骨骼节点的旋转信息为优化后的旋转信息。

示例性的，如图6所述，待优化点(即第三骨骼节点)具有原始旋转信息，对增量旋转信息与原始旋转信息进行乘积运算，从而得到优化后的旋转信息，即得到待优化节点的重定向后的旋转信息。

结合上述示例，结合图3和图4，若第三骨骼节点为如图4所示的臀部的骨骼节点，则原始旋转信息可以理解为对如图3所示的臀部的骨骼节点，进行旋转一致性重定向得到的旋转信息。

在一些实施例中，可以通过式6计算得到优化后的旋转信息rotationC，式6：

rotationC＝rotation*rotation_diff_matrix

其中，rotation为原始旋转信息。

在本实施例中，通过结合原始旋转信息和增量旋转信息，确定优化后的旋转信息，既考虑了旋转一致性重定向的结果(通过原始旋转信息表征)，又考虑了两个骨骼模型之间的差异(通过增量旋转信息表征)，因此，可以使得优化后的旋转信息具有较高的可靠性，且具有较高的位置一致性，即重定向后的各骨骼节点的位置相对可靠，发生偏移的可能性较小。

如图7所示，图7经过本实施例的方法对图3进行动作捉捕的重定向得到的第三骨骼动画。

也就是说，结合图3、图4、图7可知，图3所示的第一骨骼动画为下蹲动作的动画，图4为采用一致性旋转的重定向方法，实现的对第一骨骼动画的旋转迁移的下蹲动作的动画，即第二骨骼动画，图7为采用本公开实施例提供的方法，实现的对第一骨骼动画位置一致性迁移的下蹲动作的动画，即第三骨骼动画。

如图3和图4可知，若采用旋转一致性的重定向方法对如图3所示的第一骨骼动画进行重定向，为了确保一致性，因此，第二骨骼动画的下蹲角度与第一骨骼动画的下蹲角度已知，而由于第一骨骼和第二骨骼具有差异性，则如图4所示，第二骨骼动画的脚部的骨骼节点会离地而起，发生漂移，第二骨骼动画的质量相对较低，用户体验相对较差。

而通过本实施例的动作捉捕的重定向方法，由于既考虑了旋转一致性，又考虑了第一骨骼模型和第二骨骼模型之间的差异，从而实现了位置一致性的重定向。如图7所示，下蹲角度会相应的发生变化，第三骨骼动画的脚部的骨骼节点不会离地而起，避免了漂移。

因此，通过本实施例的动作捉捕的重定向方法，保障了骨骼动画(也可以称为骨骼动画)在不同的骨骼模型迁移时如接触、停留等语义的前后一致性，可以实现动作捕捉在不同的虚拟形象中迁移，提升了动作捕捉的能力范围，另动画迁移表达力更加完整降低损失，整体提高骨骼动画质量，增强视觉效果和用户体验。

值得说明的是，动作捕捉是对多骨骼节点的动作捕捉，上述实施例只是以动作捕捉的骨骼节点为第三骨骼节点为例，进行示范性地阐述，可以为理解为局部动作捕捉(或者称为局部骨骼节点优化)，为了实现全部动作捕捉(或者称为全局骨骼节点优化)，可以将第三骨骼节点取不同的骨骼节点，以分别执行如上所述的实施例，从而实现全局动作捕捉。

例如，结合图4所示，若第一次获取的第三骨骼节点为臀部的骨骼节点，则第二次时，可以将膝盖的骨骼节点作为第三骨骼节点，第三次时，可以将腿部的骨骼节点作为第三骨骼节点，以此类推，直至实现全局动作捕捉。

且结合上述分析可知，第二骨骼节点和第三骨骼节点之间的连接关系不做限定，可以为父子节点关系的骨骼节点，也可以为祖孙节点关系的骨骼节点，因此，在一些实施例中，针对每一第三骨骼节点，可以获取不同的第二骨骼节点，相应的，第一骨骼节点也会发生变化，以基于不同的第一骨骼节点和第二骨骼节点不断对第三骨骼节点进行局部动作捕捉，从而提高重定向的有效性和可靠性。

例如，第三骨骼节点为第二骨骼动画中的臀部的骨骼节点，第一次选取的第二骨骼节点为第二骨骼动画中的腿部的骨骼节点，第一次选取的第一骨骼节点为第一骨骼动画中的腿部的骨骼节点，在结合第一选取的第一骨骼节点和第二骨骼节点对第三骨骼节点进行第一次优化处理后，重新选取第二骨骼节点和第一骨骼节点，如选取第二骨骼动画中的膝盖的骨骼节点作为第二骨骼节点，选取第一骨骼动画中的膝盖的骨骼节点作为第一骨骼节点，对第三骨骼节点(即第二骨骼动画中的臀部的骨骼节点)进行第二次优化处理，以此类推，此处不再一一列举。

图8是根据本公开第三实施例的示意图，如图8所示，本公开中的动作捕捉的重定向装置800，包括：

获取单元801，用于获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，所述第二骨骼动画为对所述第一骨骼动画进行旋转一致性重定向得到的骨骼动画，所述第一骨骼节点与所述第二骨骼节点为不同骨骼模型中相同部位的骨骼节点。

计算单元802，用于根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息。

优化单元803，用于根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

图9是根据本公开第四实施例的示意图，如图9所示，本公开中的动作捕捉的重定向装置900，包括：

获取单元901，用于获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，所述第二骨骼动画为对所述第一骨骼动画进行旋转一致性重定向得到的骨骼动画，所述第一骨骼节点与所述第二骨骼节点为不同骨骼模型中相同部位的骨骼节点。

计算单元902，用于根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息。

在一些实施例中，结合图9可知，计算单元902，包括：

计算子单元9021，用于基于所述第一位置信息和所述第三位置信息，计算得到第一差异信息，基于所述第二位置信息和所述第三位置信息，计算得到第二差异信息。

确定子单元9022，用于根据所述第一差异信息和所述第二差异信息，确定所述增量旋转信息。

在一些实施例中，确定子单元9022，包括：

计算模块，用于根据所述第一差异信息和所述第二差异信息，计算得到所述第三骨骼节点的轴角向量和弧度。

确定模块，用于根据所述轴角向量和所述弧度，确定所述增量旋转信息。

在一些实施例中，所述轴角向量是对所述第一差异信息和所述第二差异信息进行乘积运算得到的；所述弧度是对所述第一差异信息和所述第二差异信息进行点乘运算得到的。

在一些实施例中，确定模块用于，根据罗德里格旋转算法，对所述轴角向量和所述弧度进行旋转信息转换处理，得到所述增量旋转信息。

优化单元903，用于根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

在一些实施例中，优化单元903用于，对所述增量旋转信息和所述原始旋转信息进行乘积运算，得到优化后的旋转信息；

其中，所述重定向的第三骨骼节点的旋转信息为所述优化后的旋转信息。

在一些实施例中，所述第二骨骼节点和所述第三骨骼节点为所述第二骨骼动画中具有父子节点关系的骨骼节点；或者，

所述第二骨骼节点和所述第三骨骼节点为所述第二骨骼动画中具有祖孙节点关系的骨骼节点。

图10是根据本公开第五实施例的示意图，如图10所示，本公开中的电子设备1000可以包括：处理器1001和存储器1002。

存储器1002，用于存储程序；存储器1002，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器1002用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1002中。并且上述的计算机程序、计算机指令、数据等可以被处理器1001调用。

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1002中。并且上述的计算机程序、计算机指据等可以被处理器1001调用。

处理器1001，用于执行存储器1002存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器1001和存储器1002可以是独立结构，也可以是集成在一起的集成结构。当处理器1001和存储器1002是独立结构时，存储器1002、处理器1001可以通过总线1003耦合连接。

本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。

需要说明的是，本实施例中的骨骼模型(如第一骨骼模型和第二骨骼模型)并不是针对某一特定用户的骨骼模型，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的骨骼模型来自于公开数据集。

本公开的技术方案中，所涉及的用户个人信息(如骨骼节点)的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如动作捕捉的重定向方法。例如，在一些实施例中，动作捕捉的重定向方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的动作捕捉的重定向方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行动作捕捉的重定向方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种动作捕捉的重定向方法，包括：

获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，所述第二骨骼动画为对所述第一骨骼动画进行旋转一致性重定向得到的骨骼动画，所述第一骨骼节点与所述第二骨骼节点为不同骨骼模型中相同部位的骨骼节点；

根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息；

根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

2.根据权利要求1所述的方法，其中，根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息，包括：

基于所述第一位置信息和所述第三位置信息，计算得到第一差异信息，基于所述第二位置信息和所述第三位置信息，计算得到第二差异信息；

根据所述第一差异信息和所述第二差异信息，确定所述增量旋转信息。

3.根据权利要求2所述的方法，其中，根据所述第一差异信息和所述第二差异信息，确定所述增量旋转信息，包括：

根据所述第一差异信息和所述第二差异信息，计算得到所述第三骨骼节点的轴角向量和弧度；

根据所述轴角向量和所述弧度，确定所述增量旋转信息。

4.根据权利要求3所述的方法，其中，所述轴角向量是对所述第一差异信息和所述第二差异信息进行乘积运算得到的；所述弧度是对所述第一差异信息和所述第二差异信息进行点乘运算得到的。

5.根据权利要求3或4所述的方法，其中，根据所述轴角向量和所述弧度，确定所述增量旋转信息，包括：

根据罗德里格旋转算法，对所述轴角向量和所述弧度进行旋转信息转换处理，得到所述增量旋转信息。

6.根据权利要求1-5中任一项所述的方法，其中，根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点，包括：

对所述增量旋转信息和所述原始旋转信息进行乘积运算，得到优化后的旋转信息；

其中，所述重定向的第三骨骼节点的旋转信息为所述优化后的旋转信息。

7.根据权利要求1-6中任一项所述的方法，其中，所述第二骨骼节点和所述第三骨骼节点为所述第二骨骼动画中具有父子节点关系的骨骼节点；或者，

所述第二骨骼节点和所述第三骨骼节点为所述第二骨骼动画中具有祖孙节点关系的骨骼节点。

8.一种动作捕捉的重定向装置，包括：

获取单元，用于获取第一骨骼动画中的第一骨骼节点，获取第二骨骼动画中的第二骨骼节点和第三骨骼节点，其中，所述第二骨骼动画为对所述第一骨骼动画进行旋转一致性重定向得到的骨骼动画，所述第一骨骼节点与所述第二骨骼节点为不同骨骼模型中相同部位的骨骼节点；

计算单元，用于根据所述第一骨骼节点的第一位置信息、所述第二骨骼节点的第二位置信息、所述第三骨骼节点的第三位置信息，计算得到所述第三骨骼节点的增量旋转信息；

优化单元，用于根据所述增量旋转信息对所述第三骨骼节点的原始旋转信息进行优化处理，得到重定向的第三骨骼节点。

9.根据权利要求8所述的装置，其中，所述计算单元，包括：

计算子单元，用于基于所述第一位置信息和所述第三位置信息，计算得到第一差异信息，基于所述第二位置信息和所述第三位置信息，计算得到第二差异信息；

确定子单元，用于根据所述第一差异信息和所述第二差异信息，确定所述增量旋转信息。

10.根据权利要求9所述的装置，其中，所述确定子单元，包括：

计算模块，用于根据所述第一差异信息和所述第二差异信息，计算得到所述第三骨骼节点的轴角向量和弧度；

确定模块，用于根据所述轴角向量和所述弧度，确定所述增量旋转信息。

11.根据权利要求10所述的装置，其中，所述轴角向量是对所述第一差异信息和所述第二差异信息进行乘积运算得到的；所述弧度是对所述第一差异信息和所述第二差异信息进行点乘运算得到的。

12.根据权利要求10或11所述的装置，其中，所述确定模块用于，根据罗德里格旋转算法，对所述轴角向量和所述弧度进行旋转信息转换处理，得到所述增量旋转信息。

13.根据权利要求8-12中任一项所述的装置，其中，所述优化单元用于，对所述增量旋转信息和所述原始旋转信息进行乘积运算，得到优化后的旋转信息；

其中，所述重定向的第三骨骼节点的旋转信息为所述优化后的旋转信息。

14.根据权利要求8-13中任一项所述的装置，其中，所述第二骨骼节点和所述第三骨骼节点为所述第二骨骼动画中具有父子节点关系的骨骼节点；或者，

所述第二骨骼节点和所述第三骨骼节点为所述第二骨骼动画中具有祖孙节点关系的骨骼节点。

15.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

Images