CN106485773B - 一种用于生成动画数据的方法和装置 - Google Patents

Abstract

本申请公开了用于生成动画数据的方法和装置。所述方法的一具体实施方式包括：获取图片中人物骨骼关键点的位置信息；将所述位置信息映射为输入向量；将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据。该实施方式生成模拟图片或视频中人物的动作的3D动画数据。

Description

一种用于生成动画数据的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及动画技术领域，尤其涉及用于生成动画数据的方法和装置。

背景技术

随着计算机3D影像技术的不断发展，3D图形技术越来越被人们所看重。3D动画因为它比平面图更直观，更能给观赏者以身临其境的感觉，尤其适用于那些尚未实现或准备实施的项目，使观者提前领略实施后的精彩结果。

3D动画技术模拟真实物体的方式使其成为一个有用的工具。由于其精确性、真实性和无限的可操作性，被广泛应用于医学、教育、军事、娱乐等诸多领域。

在目前的应用中，用户一般只能使用软件已经提供的动画数据，无法生成用户自己期望的动作。对于一些喜欢的图片或者视频，用户往往期望3D模型也能生成同样或者类似的动作。因此用户希望生成一种可重复读取使用的动画数据，当执行播放该动画的指令时，调取该动画数据，用户的虚拟形象做出相应的动作。该动画数据还可上传到服务器，被其他用户下载使用。

发明内容

本申请的目的在于提出一种用于生成动画数据的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种用于生成动画数据的方法，所述方法包括：获取图片中人物骨骼关键点的位置信息；将所述位置信息映射为输入向量；将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据。

在一些实施例中，所述方法还包括：采用反向动力学修正所生成的动画数据。

在一些实施例中，所述方法还包括训练高斯过程隐藏变量模型，包括：获取与动画中骨骼信息相对应的动画数据，并将所述动画数据应用于骨架，计算出骨骼关键点的位置信息作为降维空间的变量；将所述动画数据作为样本训练出高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型包括降维矩阵；初始化所述高斯过程隐藏变量模型的高斯核函数参数，并为所述高斯核函数参数构建径向基函数神经网络，其中，所述径向基函数神经网络的输入层神经元个数为所述降维空间的大小，所述径向基函数神经网络的隐藏层神经元个数为所述动画数据的帧数，所述径向基函数神经网络的输出层神经元个数为每帧动画数据向量维数大小；采用机器学习法优化所述高斯核函数参数。

在一些实施例中，所述机器学习法包括以下算法中的一种：反向传播法、伪逆法、牛顿法。

在一些实施例中，所述径向基函数神经网络的输出向量为y，y＝Y^TK^-1k(x)，其中，x为训练的输入向量，k(x)表示经过隐藏层的高斯核函数计算后整个隐藏层的输出向量；Y^T是关键帧的动画数据矩阵Y的转置矩阵，Y中每一列是关键帧的动画数据；K^-1是所述高斯核函数的矩阵K的逆矩阵。

在一些实施例中，所述机器学习法的目标函数为L，其中，i是自然数，x_i为关键帧的第i帧动画的输入向量，k(x_i)是关键帧的第i帧动画经隐藏层高斯核函数计算后的输出向量，Y_i是关键帧的第i帧动画的动画数据。

第二方面，本申请提供了一种用于生成动画数据的装置，其特征在于，所述装置包括：获取单元，配置用于获取图片中人物骨骼关键点的位置信息；映射单元，配置用于将所述位置信息映射为输入向量；输入单元，配置用于将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；输出单元，配置用于通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据。

在一些实施例中，所述装置还包括：修正单元，配置用于采用反向动力学修正所生成的动画数据。

在一些实施例中，所述装置还包括预先训练的高斯过程隐藏变量模型，包括：降维单元，配置用于获取与动画中骨骼信息相对应的动画数据，并将所述动画数据应用于骨架，计算出骨骼关键点的位置信息作为降维空间的变量；训练单元，配置用于将所述动画数据作为样本训练出高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型包括降维矩阵；构建单元，配置用于初始化所述高斯过程隐藏变量模型的高斯核函数参数，并为所述高斯核函数参数构建径向基函数神经网络，其中，所述径向基函数神经网络的输入层神经元个数为所述降维空间的大小，所述径向基函数神经网络的隐藏层神经元个数为所述动画数据的帧数，所述径向基函数神经网络的输出层神经元个数为每帧动画数据向量维数大小；优化单元，配置用于采用机器学习法优化所述高斯核函数参数。

在一些实施例中，所述机器学习法包括以下算法中的一种：反向传播法、伪逆法、牛顿法。

本申请提供的用于生成动画数据的方法和装置，通过将图片或视频中人物骨骼关键点的位置信息映射为输入向量后输入预先训练的高斯过程隐藏变量模型，输出与图片中的动作相似的动画数据。当执行播放该动画的指令时，调取该动画数据，用户的虚拟形象做出相应的动作。从而实现在3D动画中模拟出和图片或视频一样的动作。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于生成动画数据的方法的一个实施例的流程图；

图3是根据本申请的用于生成动画数据的方法的又一个实施例的流程图；

图4是根据本申请的用于生成动画数据的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成动画数据的方法或用于生成动画数据的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送动画数据等。终端设备101、102、103上可以安装有各种图像视频客户端应用，例如多媒体播放器、图片浏览器、3D播放器等。

终端设备101、102、103可以是具有显示屏并且支持播放3D动画的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如，接收终端设备101、102、103上传的动画数据，用于被其他用户下载使用。

需要说明的是，本申请实施例所提供的用于生成动画数据的方法一般由终端设备101、102、103执行，相应地，用于生成动画数据的装置一般设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。实际实现中也可以不需要网络和服务器，仅终端设备即可实现本用于生成动画数据的方法或装置。

继续参考图2，示出了根据本申请的用于生成动画数据的方法的一个实施例的流程200。所述的用于生成动画数据的方法，包括以下步骤：

步骤201，获取图片中人物骨骼关键点的位置信息。

在本实施例中，用于生成动画数据的方法运行于其上的电子设备(例如图1所示的终端)可以通过有线连接方式或者无线连接方式从用户利用其进行播放动画的终端接收图片。其中，该图片可以是人物动作图片，还可以是人物动作视频的图片帧。每个图片帧可以生成一个动画数据，这些动画数据可构成3D视频。人物骨骼关键点可以包括手掌、手臂、头、腰、脚等。人物骨骼关键点可以由用户标出还可以通过图像识别来获取。为了更好的识别出关键点的位置信息还可以获得相机拍摄信息。相机拍摄信息可以包括相机位置，焦距等。

步骤202，将位置信息映射为输入向量。

在本实施例中，将步骤201中获取的图片中人物骨骼关键点的位置信息映射为输入向量。用于计算2D的投影矩阵，反变换得到关键骨骼的3D信息。

步骤203，将输入向量输入预先训练的高斯过程隐藏变量模型。

在本实施例中，将步骤202中得到的输入向量输入预先训练的高斯过程隐藏变量模型。GPLVM(Gaussian Process Latent Variable Models，高斯过程隐藏变量模型)是一种非线性降维技术，利用高斯过程对数据空间进行分析，建立从低维隐空间到高维空间的映射关系。本申请中的高斯过程隐藏变量模型是利用动画数据训练得到的。采用渲染出3D动画关键帧的动画数据中的骨骼关键点信息作为高斯过程隐藏变量模型的隐藏降维空间的变量，并结合RBF(Radical Basis Function，径向基函数)神经网络模型对GPLVM模型进行训练。

步骤204，通过高斯过程隐藏变量模型输出与图片中的动作相似的动画数据。

在本实施例中，输入向量通过高斯过程隐藏变量模型后输出与图片中的动作相似的动画数据，即生成了动画数据。例如，一个图片中人物动作为投篮，将图片中人物骨骼关键点的位置信息映射为输入向量后通过高斯过程隐藏变量模型生成与该图片相似投篮动作的3D动画数据。

在本实施例的一些可选的实现方式中，该方法还包括采用反向动力学修正所生成的动画数据。反向动力学(Inverse kinematics)是一种通过先确定子骨骼的位置，然后反求推导出其所在骨骼链上n级父骨骼位置，从而确定整条骨骼链的方法。步骤204中生成的动画数据与图片中人物动作相似，但是还有一些偏差。骨骼关键点偏差的量可用反向动力学计算修改。

在具体应用时，用户想要在3D动画中模拟出和图片中一样的动作，则将该图片应用于骨架，可获得骨骼关键点的位置信息。把骨骼关键点信息作为GPLVM的输入，通过RBF神经网络可输出动画数据，该动画数据与图片中人物动作相似，但是还有一些偏差。骨骼关键点偏差的量可用反向动力学计算修改。存储经由修改后的动画数据，以后可重复读取使用，当执行播放该动画的指令时，调取该动画数据，用户的虚拟形象则做出相应的动作；或者可上传到服务器，被其他用户下载使用。

本申请的上述实施例提供的方法通过采用骨骼关键点位置信息作为GPLVM的隐藏降维空间，并结合RBF神经网络模型对GPLVM模型进行训练，将待转换的图片或视频中的骨骼关键点位置信息输入GPLVM模型得到低维向量所对应的动画数据。得到的动画数据经过反向动力学的再修正后可保存在本地或者上传到服务端，重复使用。

进一步参考图3，其示出了用于生成动画数据的方法的又一个实施例的流程300。该用于生成动画数据的方法的流程300，包括以下步骤：

步骤301，获取与动画中骨骼信息相对应的动画数据，并将所述动画数据应用于骨架，计算出骨骼关键点的位置信息作为降维空间的变量。

在本实施例中，用于生成动画数据的方法需要预先训练高斯过程隐藏变量模型，在训练前选定主要的几个骨骼关键点比如手掌、手臂、头、腰、脚等。它们的位置信息将作为降维的空间变量。3D人物的骨骼信息可由动画数据直接读取获得。关键帧的动画数据包括了各个骨骼的旋转、平移、缩放信息。将关键帧的动画数据应用于骨架，可获得骨骼关键点的位置信息。

步骤302，将动画数据作为样本训练出高斯过程隐藏变量模型。

在本实施例中，一个GPLVM模型可以由一段或者几段动画片段、一定数量的动画帧或者与骨骼信息相对应的动画数据来训练获得，无论是动画片段还是动画帧，都是由动画数据渲染而来的，训练模型需要获取的对象为与动画中骨骼信息相对应的动画数据，之后再通过将动画数据应用于骨架，计算出骨骼关键点的位置信息。该GPLVM模型包括降维矩阵X，X的行数即是骨骼关键点的信息向量元素个数，X的列数是完整动画的帧数。或者X的行数是完整动画的帧数，X的列数是骨骼关键点的信息向量元素个数。

步骤303，初始化高斯过程隐藏变量模型的高斯核函数参数，并为高斯核函数参数构建径向基函数神经网络。

在本实施例中，RBF(Radical Basis Function，径向基函数)神经网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。本申请的径向基函数神经网络的输入层神经元个数为上述降维空间的大小，该径向基函数神经网络的隐藏层神经元个数为上述动画数据的帧数，该径向基函数神经网络的输出层神经元个数为每帧动画数据向量维数大小。采用RBF神经网络模型对GPLVM的高斯核函数参数优化。

在本实施例的一些可选的实现方式中，上述径向基函数神经网络的输出向量为y，y＝Y^TK^-1k(x)，其中，x为训练的输入向量，k(x)表示经过隐藏层的高斯核函数计算后整个隐藏层的输出向量；Y^T是关键帧的动画数据矩阵Y的转置矩阵，Y中每一列是关键帧的动画数据；K^-1是所述高斯核函数的矩阵K的逆矩阵。K矩阵中第i行第j列的元素K_ij可以为：x_i和x_j分别为关键帧的第i帧动画的输入向量和第j帧动画的输入向量，i和j为自然数，k(x_i,x_j)是高斯核函数，α、β、γ和是可以调整的隐藏层高斯核函数参数，为了获得较佳的训练速度和精度可以将初始值设置为α＝1，β＝1，γ＝1，当i＝j时，当i≠j时，其中，k(x_i,x_j)中的部分的参数是可以灵活添加调整的，如是可以使用现在的参数，也可以是其他的参数。

步骤304，采用机器学习法优化高斯核函数参数。

在本实施例中，在步骤303中初始化高斯核函数参数之后，采用机器学习法迭代优化高斯核函数参数，使目标函数收敛到最小。

在本实施例的一些可选的实现方式中，上述机器学习法包括以下算法中的一种：反向传播法、伪逆法、牛顿法。

在本实施例的一些可选的实现方式中，上述机器学习法的目标函数为L，其中，i是自然数，x_i为关键帧的第i帧动画的输入向量，k(x_i)是关键帧的第i帧动画经隐藏层高斯核函数计算后的输出向量，Y_i是关键帧的第i帧动画的动画数据。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于生成动画数据的方法的流程300突出了对GPLVM训练的步骤。由此，本实施例描述的方案可以精确地训练GPLVM，使得GPLVM输出的动画数据与图片中人物的动作更接近。并且降低了模型训练的复杂度。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于生成动画数据的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例所述的用于生成动画数据的装置400包括：获取单元401、映射单元402、输入单元403和输出单元404。其中，获取单元401配置用于获取图片中人物骨骼关键点的位置信息；映射单元402配置用于将所述位置信息映射为输入向量；输入单元403配置用于将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；输出单元404配置用于通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据。

在本实施例中，映射单元402将获取单元401获得的图片中人物骨骼关键点的位置信息映射为输入向量作为输入单元403的输入，通过输出单元404生成了与所述图片中的动作相似的动画数据。

在本实施例的一些可选的实现方式中，装置400还包括：修正单元，配置用于采用反向动力学修正所生成的动画数据。

在本实施例的一些可选的实现方式中，装置400还包括预先训练的高斯过程隐藏变量模型，包括：降维单元，配置用于获取与动画中骨骼信息相对应的动画数据，并将所述动画数据应用于骨架，计算出骨骼关键点的位置信息作为降维空间的变量；训练单元，配置用于将所述动画数据作为样本训练出高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型包括降维矩阵；构建单元，配置用于初始化所述高斯过程隐藏变量模型的高斯核函数参数，并为所述高斯核函数参数构建径向基函数神经网络，其中，所述径向基函数神经网络的输入层神经元个数为所述降维空间的大小，所述径向基函数神经网络的隐藏层神经元个数为所述动画数据的帧数，所述径向基函数神经网络的输出层神经元个数为每帧动画数据向量维数大小；优化单元，配置用于采用机器学习法优化所述高斯核函数参数。

在本实施例的一些可选的实现方式中，上述机器学习法包括以下算法中的一种：反向传播法、伪逆法、牛顿法。

在本实施例的一些可选的实现方式中，上述径向基函数神经网络的输出向量为y，y＝Y^TK^-1k(x)，其中，x为训练的输入向量，k(x)表示经过隐藏层的高斯核函数计算后整个隐藏层的输出向量；Y^T是关键帧的动画数据矩阵Y的转置矩阵，Y中每一列是关键帧的动画数据；K^-1是所述高斯核函数的矩阵K的逆矩阵。K矩阵中第i行第j列的元素K_ij可以为：x_i和x_j分别为关键帧的第i帧动画的输入向量和第j帧动画的输入向量，i和j为自然数，k(x_i,x_j)是高斯核函数，α、β、γ和是可调整的隐藏层高斯核函数参数，为了获得较佳的训练速度和精度可以将初始值设为α＝1，β＝1，γ＝1，当i＝j时，当i≠j时，其中，k(x_i,x_j)中的部分的参数是可以灵活添加调整的，如是可以使用现在的参数，也可以是其他的参数。

在本实施例的一些可选的实现方式中，上述机器学习法的目标函数为L，其中，i是自然数，x_i为关键帧的第i帧动画的输入向量，k(x_i)是关键帧的第i帧动画经隐藏层高斯核函数计算后的输出向量，Y_i是关键帧的第i帧动画的动画数据。

下面参考图5，其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、映射单元、输入单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取图片中人物骨骼关键点的位置信息的单元”。

作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取图片中人物骨骼关键点的位置信息；将所述位置信息映射为输入向量；将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种用于生成动画数据的方法，其特征在于，所述方法包括：

获取图片中人物骨骼关键点的位置信息；

将所述位置信息映射为输入向量；

将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；

通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据；

其中，训练高斯过程隐藏变量模型，包括：

获取与动画中骨骼信息相对应的动画数据，并将所述动画数据应用于骨架，计算出骨骼关键点的位置信息作为降维空间的变量；

将所述动画数据作为样本训练出高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型包括降维矩阵；

初始化所述高斯过程隐藏变量模型的高斯核函数参数，并为所述高斯核函数参数构建径向基函数神经网络，其中，所述径向基函数神经网络的输入层神经元个数为所述降维空间的大小，所述径向基函数神经网络的隐藏层神经元个数为所述动画数据的帧数，所述径向基函数神经网络的输出层神经元个数为每帧动画数据向量维数大小；

采用机器学习法优化所述高斯核函数参数。

2.根据权利要求1所述的用于生成动画数据的方法，其特征在于，所述方法还包括：

采用反向动力学修正所生成的动画数据。

3.根据权利要求1所述的用于生成动画数据的方法，其特征在于，所述机器学习法包括以下算法中的一种：

反向传播法、伪逆法、牛顿法。

4.根据权利要求1所述的用于生成动画数据的方法，其特征在于，所述径向基函数神经网络的输出向量为y，y＝Y^TK^-1k(x)，其中，x为训练的输入向量，k(x)表示经过隐藏层的高斯核函数计算后整个隐藏层的输出向量；Y^T是关键帧的动画数据矩阵Y的转置矩阵，Y中每一列是关键帧的动画数据；K^-1是所述高斯核函数的矩阵K的逆矩阵。

5.根据权利要求4所述的用于生成动画数据的方法，其特征在于，所述机器学习法的目标函数为L，其中，i是自然数，x_i为关键帧的第i帧动画的输入向量，k(x_i)是关键帧的第i帧动画经隐藏层高斯核函数计算后的输出向量，Y_i是关键帧的第i帧动画的动画数据。

6.一种用于生成动画数据的装置，其特征在于，所述装置包括：

获取单元，配置用于获取图片中人物骨骼关键点的位置信息；

映射单元，配置用于将所述位置信息映射为输入向量；

输入单元，配置用于将所述输入向量输入预先训练的高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型是利用动画数据训练得到的；

输出单元，配置用于通过所述高斯过程隐藏变量模型输出与所述图片中的动作相似的动画数据；

降维单元，配置用于获取与动画中骨骼信息相对应的动画数据，并将所述动画数据应用于骨架，计算出骨骼关键点的位置信息作为降维空间的变量；

训练单元，配置用于将所述动画数据作为样本训练出高斯过程隐藏变量模型，其中，所述高斯过程隐藏变量模型包括降维矩阵；

构建单元，配置用于初始化所述高斯过程隐藏变量模型的高斯核函数参数，并为所述高斯核函数参数构建径向基函数神经网络，其中，所述径向基函数神经网络的输入层神经元个数为所述降维空间的大小，所述径向基函数神经网络的隐藏层神经元个数为所述动画数据的帧数，所述径向基函数神经网络的输出层神经元个数为每帧动画数据向量维数大小；

优化单元，配置用于采用机器学习法优化所述高斯核函数参数。

7.根据权利要求6所述的用于生成动画数据的装置，其特征在于，所述装置还包括：

修正单元，配置用于采用反向动力学修正所生成的动画数据。

8.根据权利要求6所述的用于生成动画数据的装置，其特征在于，所述机器学习法包括以下算法中的一种：

反向传播法、伪逆法、牛顿法。