CN106530377B - 用于操作三维动画角色的方法和装置 - Google Patents

Abstract

本申请公开了用于操作三维动画角色的方法和装置。该方法的一具体实施方式包括：采集三维动画角色预设时间段内的动画帧数据；基于动画帧数据，检测所述三维动画角色是否处于发呆状态；当检测到三维动画角色处于发呆状态时，为三维动画角色添加小动作动画片段。该实施方式提高了三维动画角色的灵动性和真实性。

Description

用于操作三维动画角色的方法和装置

技术领域

本申请涉及计算机技术领域，具体涉及三维动画技术领域，尤其涉及用于操作三维动画角色的方法和装置。

背景技术

在基于三维动画的情景交互中，动画角色需要执行说话、触碰、对视等一系列动作，以表现动画角色所对应用户之间的交流。通过三维动画角色表现用户之间的交流，显著提高了交流内容表达的丰富性。

然而，在三维动画应用中，当三维动画角色缺乏动作数据输入时容易处于不动的僵硬状态，即使有简单的呼吸等幅度微小的动作幅度，但三维动画角色仍然给用户麻木、不自然的感觉。

发明内容

本申请的目的在于提出一种用于操作三维动画角色的方法和装置，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操作三维动画角色的方法，该方法包括：采集三维动画角色预设时间段内的动画帧数据；基于动画帧数据，检测三维动画角色是否处于发呆状态；当检测到三维动画角色处于发呆状态时，为三维动画角色添加小动作动画片段。

在一些实施例中，上述基于动画帧数据，检测三维动画角色是否处于发呆状态，包括：基于动画帧数据，检测三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态；若三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定三维动画角色处于发呆状态。

在一些实施例中，上述动画帧数据包括各个动画帧中骨骼或关节的位置参数和/或旋转参数。

在一些实施例中，上述基于动画帧数据，检测三维动画角色是否处于相对静止状态，包括：基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态。

在一些实施例中，上述基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态，包括：针对每个骨骼或关节，确定骨骼或关节在不同动画帧中的位置参数和/或旋转参数的方差；对各个骨骼或关节对应的方差进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。

在一些实施例中，上述基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态，包括：使用每个骨骼或关节在不同动画帧中的位置参数和/或旋转参数，绘制频谱图；计算频谱图中各个频率段的幅值；对各个骨骼或关节对应的频谱图中各个频率段的幅值进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。

在一些实施例中，上述基于动画帧数据，检测三维动画角色是否处于稳定状态，包括：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第一循环神经网络模型匹配的输入向量序列并输入至第一循环神经网络模型，其中，第一循环神经网络模型是使用已标注为任意一种稳定状态或非稳定状态的动画帧序列样本进行训练而成的；基于第一循环神经网络模型的输出向量检测三维动画角色是否处于任意一种稳定状态。

在一些实施例中，上述基于动画帧数据，检测三维动画角色是否处于情绪平稳状态，包括：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第二循环神经网络模型匹配的输入向量序列并输入至第二循环神经网络模型，其中，第二循环神经网络模型是使用已标注为情绪平稳状态或非情绪平稳状态的动画帧序列样本进行训练而成的；基于第二循环神经网络模型的输出向量检测三维动画角色是否处于情绪平稳状态。

在一些实施例中，上述为三维动画角色添加小动作动画片段，包括：选取小动作动画片段数据库中与三维动画角色匹配的待添加小动作动画片段；为三维动画角色添加待添加小动作动画片段。

在一些实施例中，上述选取小动作动画片段数据库中与三维动画角色匹配的小动作动画片段，包括：基于三维动画角色的动画帧数据生成第一向量；基于小动作动画片段数据库中的每个小动作动画片段的动画帧数据，生成小动作动画片段对应的第二向量；根据各个小动作动画片段的第二向量与第一向量的向量距离，确定向量距离最近的至少一个小动作动画片段；从至少一个小动作动画片段中选取出待添加小动作动画片段。

在一些实施例中，上述从至少一个小动作动画片段中选取出待添加小动作动画片段，包括：针对至少一个小动作动画片段中的每个小动作动画片段，根据小动作动画片段对应的第二向量与第一向量的向量距离确定小动作动画片段的选取概率；根据选取概率从至少一个小动作动画片段中，随机选取出待添加小动作动画片段。

在一些实施例中，上述小动作动画片段数据库中的每个小动作动画片段对应于任意一种稳定状态；以及从至少一个小动作动画片段中选取出待添加小动作动画片段，包括：从至少一个小动作动画片段选取出所对应的稳定状态与三维动画角色的稳定状态匹配的待添加小动作动画片段。

第二方面，本申请提供了一种用于操作三维动画角色的装置，该装置包括：采集单元，用于采集三维动画角色预设时间段内的动画帧数据；检测单元，用于基于动画帧数据，检测三维动画角色是否处于发呆状态；添加单元，用于当检测到三维动画角色处于发呆状态时，为三维动画角色添加小动作动画片段。

在一些实施例中，上述检测单元包括：检测子单元，用于基于动画帧数据，检测三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态；确定子单元，用于若三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定三维动画角色处于发呆状态。

在一些实施例中，上述动画帧数据包括各个动画帧中骨骼或关节的位置参数和/或旋转参数。

在一些实施例中，上述检测子单元包括：静止检测模块，用于基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态。

在一些实施例中，上述静止检测模块进一步用于：针对每个骨骼或关节，确定骨骼或关节在不同动画帧中的位置参数和/或旋转参数的方差；对各个骨骼或关节对应的方差进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。

在一些实施例中，上述静止检测模块进一步用于：使用每个骨骼或关节在不同动画帧中的位置参数和/或旋转参数，绘制频谱图；计算频谱图中各个频率段的幅值；对各个骨骼或关节对应的频谱图中各个频率段的幅值进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。

在一些实施例中，上述检测子单元包括稳定检测模块，稳定检测模块用于：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第一循环神经网络模型匹配的输入向量序列并输入至第一循环神经网络模型，其中，第一循环神经网络模型是使用已标注为任意一种稳定状态或非稳定状态的动画帧序列样本进行训练而成的；基于第一循环神经网络模型的输出向量检测三维动画角色是否处于任意一种稳定状态。

在一些实施例中，上述检测子单元还包括情绪平稳检测模块，情绪平稳检测模块用于：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第二循环神经网络模型匹配的输入向量序列并输入至第二循环神经网络模型，其中，第二循环神经网络模型是使用已标注为情绪平稳状态或非情绪平稳状态的动画帧序列样本进行训练而成的；基于第二循环神经网络模型的输出向量检测三维动画角色是否处于情绪平稳状态。

在一些实施例中，上述添加单元包括：选取子单元，用于选取小动作动画片段数据库中与三维动画角色匹配的待添加小动作动画片段；添加子单元，用于为三维动画角色添加待添加小动作动画片段。

在一些实施例中，上述选取子单元包括：第一生成模块，用于基于三维动画角色的动画帧数据生成第一向量；第二生成模块，用于基于小动作动画片段数据库中的每个小动作动画片段的动画帧数据，生成小动作动画片段对应的第二向量；确定模块，用于根据各个小动作动画片段的第二向量与第一向量的向量距离，确定向量距离最近的至少一个小动作动画片段；选取模块，用于从至少一个小动作动画片段中选取出待添加小动作动画片段。

在一些实施例中，上述选取模块进一步用于：针对至少一个小动作动画片段中的每个小动作动画片段，根据小动作动画片段对应的第二向量与第一向量的向量距离确定小动作动画片段的选取概率；根据选取概率从至少一个小动作动画片段中，随机选取出待添加小动作动画片段。

在一些实施例中，上述小动作动画片段数据库中的每个小动作动画片段对应于任意一种稳定状态；以及选取模块进一步用于：从至少一个小动作动画片段选取出所对应的稳定状态与三维动画角色的稳定状态匹配的待添加小动作动画片段。

本申请提供的用于操作三维动画角色的方法和装置，通过对处于发呆状态的三维动画角色添加小动作动画片段，使得三维动画角色的形象不会过分呆板，提高了角色的灵动性和真实性。

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操作三维动画角色的方法的一个实施例的流程图；

图3是根据本申请的用于操作三维动画角色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操作三维动画角色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操作三维动画角色的方法或用于操作三维动画角色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，以接收或发送消息等。终端设备101、102、103上可以安装有各种支持三维动画呈现的通讯客户端应用。

终端设备101、102、103可以是具有显示屏并且支持三维动画呈现的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的三维动画提供数据支持的后台服务器。后台服务器可以将要动画数据发送至终端设备101、102、103，以供终端设备101、102、103基于动画数据呈现相应的三维动画。

需要说明的是，本申请实施例所提供的用于操作三维动画角色的方法可以由终端设备101、102、103执行，也可以由服务器105执行。即，服务器105可以执行用于操作三维动画角色的方法对原始动画数据进行处理，并将处理后的动画数据发送至终端设备101、102、103进行呈现，也可以服务器105将原始动画数据直接发送给终端设备101、102、103，由终端设备101、102、103在呈现时执行用于操作三维动画角色的方法对原始动画数据进行处理。相应地，用于操作三维动画角色的装置可以设置于终端设备101、102、103中，也可以设置于服务器105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。

继续参考图2，示出了根据本申请的用于操作三维动画角色的方法的一个实施例的流程200。所描述的用于操作三维动画角色的方法，包括以下步骤：

步骤201，采集三维动画角色预设时间段内的动画帧数据。

在本实施例中，用于操作三维动画角色的方法运行于其上的电子设备(例如图1所示的终端设备或服务器)可以采集三维动画角色预设时间段内的动画帧数据。三维动画角色可以是通过三维动画表现的形象，例如人物形象或动物形象。三维动画角色可以进行各种各样的动作，例如说话、触碰、对视等交流动作。通常，两个或多个三维动画角色可以通过交流动作来表现各个三维动画角色所对应用户之间的交互。所采集的动画帧数据可以是预设时间段内的数据，该预设时间段的长度可以按照需要进行设定与修改，例如可以是最近一秒内，也可以是两秒内。动画帧数据可以是从三维动画角色在预设时间段的各个动画帧中提取的特征数据。

步骤202，基于动画帧数据，检测三维动画角色是否处于发呆状态。

在本实施例中，基于步骤201所采集到的动画帧数据，电子设备可以进行数据分析，从而检测出三维动画角色是否处于发呆状态。由于动画帧数据是从三维动画角色在预设时间段的各个动画帧中提取的特征数据，因此可以通过对动画帧数据进行数据分析，进而根据数据分析结果检测出三维动画角色当前时刻处于发呆状态。其中，发呆状态是指三维动画角色由于缺少动作数据而出现的呆板状态，因此对发呆状态的检测可以通过检测上述动画帧数据中是否含有足量的动作数据而实现。

在本实施例的一些可选实现方式中，步骤202可以具体包括：基于动画帧数据，检测三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态；若三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定三维动画角色处于发呆状态。在该实现方式中，检测三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态的三个步骤可以依次执行，当相对静止状态、稳定状态和情绪平稳状态中任何一种不满足时，即可以停止后续的检测步骤。只有当三者均满足时，可以确定三维动画角色处于发呆状态。

步骤203，当检测到三维动画角色处于发呆状态时，为三维动画角色添加小动作动画片段。

在本实施例中，若通过步骤202判断出三维动画角色处于发呆状态，电子设备可以为三维动画角色添加小动作动画片段。其中，小动作动画片段是可以使三维动画角色做小动作的动画片段，这些小动作可以包括但不限于如挠头、抖腿、注视等。这些小动作动画片段可以是动画师制作的样本，也可以是使用已有样本自动合成的新动画片段。

本申请的上述实施例提供的方法对处于发呆状态的三维动画角色添加小动作动画片段，使得三维动画角色的形象不会过分呆板，提高了角色的灵动性和真实性。

进一步参考图3，其示出了用于操作三维动画角色的方法的又一个实施例的流程300。该用于操作三维动画角色的方法的流程300，包括以下步骤：

步骤301，采集三维动画角色预设时间段内的动画帧数据。

在本实施例中，步骤301中采集动画帧数据的方式可以参考图2对应实施例中的步骤201。

在本实施例的一些可选实现方式中，上述动画帧数据包括各个动画帧中骨骼或关节的位置参数和/或旋转参数。其中，位置参数用于记录骨骼或关节的空间位置方面的信息，实践中可以但不限于使用世界坐标信息来表征；旋转参数用于记录骨骼或关节的旋转轴以及旋转角度等朝向方面的信息，实践中旋转参数可以但不限于使用旋转四元数来表征。三维动画角色的骨骼或关节可以体现其动作变化情况，每个动画帧中骨骼或关节的位置参数和/或旋转参数(也可以对应转化为自由度数据)可以较好地反映出三维动画角色在单个动画帧中的位置和/或朝向，预设时间段内多个动画帧中相应的位置参数和/或旋转参数则可以反映出三维动画角色在这一时间段内的位置和/或朝向变化，即三维角色的动作特征。通过该动作特征可以用于分析三维动画角色当前是否处于某种动作状态。

步骤302，基于动画帧数据，检测三维动画角色是否处于相对静止状态。

在本实施例中，基于步骤301所得到的动画帧数据，电子设备可以首先对动画帧数据进行数据分析，以根据分析结果确定三维动画角色是否处于相对静止状态。相对静止状态是指三维动画角色相对于三维动画角色所处的整个动画画面处于静止状态。

在本实施例的一些可选实现方式中，步骤302可以具体包括：基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态。动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量可以直接体现三维动画角色的位置在不同动画帧中是否发生变动，从而可以基于此变化量分析出三维动画角色为静止状态或运动状态。通常，当该变化量小于一定的阈值时，可以确定三维动画角色为相对静止状态。

可选的，上述基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量检测三维动画角色是否处于相对静止状态的过程可以如下执行：针对每个骨骼或关节，确定骨骼或关节在不同动画帧中的位置参数和/或旋转参数的方差；对各个骨骼或关节对应的方差进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。该方式中可以运用数理统计方式检测三维动画角色是否处于相对静止状态。

可选的，上述基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态可以如下执行：首先，使用每个骨骼或关节在不同动画帧中的位置参数和/或旋转参数，绘制频谱图，其中频谱图可以是使用傅里叶变换或短时傅里叶变换对位置参数和/或旋转参数的变化量进行映射而绘制成的；其次，计算频谱图中各个频率段的幅值；接着，对各个骨骼或关节对应的频谱图中各个频率段的幅值进行加权平均，得到加权平均值；之后，确定加权平均值是否小于阈值，若小于，则确定三维动画角色处于相对静止状态。该方式中可以运用频谱图方式检测三维动画角色是否处于相对静止状态。

步骤303，基于动画帧数据，检测三维动画角色是否处于稳定状态。

在本实施例中，电子设备可以基于动画帧数据，检测三维动画角色是否处于稳定状态。实践中，稳定状态是指三维动画角色的身体处于平衡，稳定状态通常可以是动画师根据先验知识设定的一种或多种特定状态，例如站立、坐姿、躺卧等状态。电子设备可以检测三维动画角色是否属于设定的至少一种稳定状态中的某一种，当三维动画角色属于任意一种稳定状态时，即可确定三维动画角色当前为稳定状态。在进行检测时，可以使用预先训练好的身体状态检测模型对动画帧数据进行处理而完成检测。

在本实施例的一些可选实现方式中，步骤303可以包括：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第一循环神经网络模型匹配的输入向量序列并输入至第一循环神经网络模型，其中，第一循环神经网络模型是使用已标注为任意一种稳定状态或非稳定状态的动画帧序列样本进行训练而成的；基于第一循环神经网络模型的输出向量检测三维动画角色是否处于任意一种稳定状态。

在该实现方式中，可以预先通过人工挑选方式或其他方式获取身体状态已知的三维动画角色动画片段，并将这些三维动画角色动画片段对应的动画帧序列样本作为训练样本。训练的过程通常包括以下步骤：首先，可以从动画帧序列样本中提取出各个动画帧中骨骼或关节的位置参数和/或旋转参数分别映射为与第一循环神经网络模型的每次输入相对应的输入向量，并将三维动画角色动画片段对应的平稳状态映射为第一循环神经网络模型对应的输出值。例如，身体状态可以处于稳定状态或不稳定状态，稳定状态可以进一步细分为站立状态、坐姿状态与躺卧状态。此时，可以将不稳定状态、站立状态、坐姿状态与躺卧状态的动画帧序列样本对应的输出值设置为0、1、2、3，也可以使用其他对应方式设置输出值。之后，将所得到的多个输入向量依次输入至第一循环神经网络模型的输入端并将动画帧序列样本对应的输出值输入至第一循环神经网络模型的输出端，从而对第一循环神经网络模型进行训练。其中，循环神经网络的输入节点个数就是每次的输入向量的维度，循环神经网络的网络隐藏层的层数可以根据样本和稳定状态的个数确定。通常，样本和稳定状态的个数越多，隐含层节点层数和个数也设置得越多。例如，网络隐藏层的层数可以设置为3。训练好的第一循环神经网络模型可以根据动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数确定出三维动画角色当前处于非稳定状态或任一种稳定状态。

步骤304，基于动画帧数据，检测三维动画角色是否处于情绪平稳状态。

在本实施例中，电子设备可以基于动画帧数据，检测三维动画角色是否处于情绪平稳状态。实践中，可以通过情绪状态检测模型对动画帧数据进行处理以检测三维动画角色当前是否处于情绪平稳状态。上述情绪状态检测模型可以是利用线性回归、随机森林或者其它具体算法对样本数据进行训练，样本数据可以选用三维动画角色脸部位置中关节或骨骼的位置参数和/或旋转参数。

在本实施例的一些可选实现方式中，步骤304可以包括：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第二循环神经网络模型匹配的输入向量序列并输入至第二循环神经网络模型，其中，第二循环神经网络模型是使用已标注为情绪平稳状态或非情绪平稳状态的动画帧序列样本进行训练而成的；基于第二循环神经网络模型的输出向量检测三维动画角色是否处于情绪平稳状态。

在该实现方式中，可以预先通过人工挑选方式或其他方式获取情绪状态已知的三维动画角色动画片段，并将这些三维动画角色动画片段对应的动画帧序列样本作为训练样本。其中，动画帧序列样本的时间长度可以是固定的。训练的过程通常包括以下步骤：首先，可以从动画帧序列样本中提取出各个动画帧中骨骼或关节的位置参数和/或旋转参数分别映射为与第二循环神经网络模型的每次输入相对应的输入向量，并将三维动画角色动画片段对应的情绪状态映射为第二循环神经网络模型对应的输出值。例如，可以将情绪平稳状态和非情绪平稳状态的动画帧序列样本对应的输出值设置为0和1，也可以相反。之后，将所得到的多个输入向量依次输入至第二循环神经网络模型的输入端并将动画帧序列样本对应的输出值输入至第二循环神经网络模型的输出端，从而对第二循环神经网络模型进行训练。训练好的第二循环神经网络模型可以根据动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数确定出三维动画角色当前是否处于情绪平稳状态。

步骤305，若三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定三维动画角色处于发呆状态。

在本实施例中，当步骤302、步骤303以及步骤304得到的结果是三维动画角色同时处于相对静止状态、稳定状态和情绪平稳状态时，则确定三维动画角色处于发呆状态。

步骤306，当检测到三维动画角色处于发呆状态时，为三维动画角色添加小动作动画片段。

在本实施例中，步骤306的具体处理可以参考图2对应实施例的步骤203，这里不再赘述。

在本实施例的一些可选实现方式中，步骤306中为三维动画角色添加小动作动画片段，可以包括：选取小动作动画片段数据库中与三维动画角色匹配的待添加小动作动画片段；为三维动画角色添加待添加小动作动画片段。

在本实施例的一些可选实现方式中，上述选取小动作动画片段数据库中与三维动画角色匹配的小动作动画片段可以包括：基于三维动画角色的动画帧数据生成第一向量；基于小动作动画片段数据库中的每个小动作动画片段的动画帧数据，生成小动作动画片段对应的第二向量；根据各个小动作动画片段的第二向量与第一向量的向量距离，确定向量距离最近的至少一个小动作动画片段；从至少一个小动作动画片段中选取出待添加小动作动画片段。该实现方式中，可以基于三维动画角色的动画帧数据生成的向量与基于小动作动画片段的动画帧数据生成的向量之间的向量距离，将与三维动画角色的动作作为匹配的至少一个小动作片段作为候选小动作片段，有利于提高添加小动作片段后三维动画角色动作的真实感。

在本实施例的一些可选实现方式中，上述从至少一个小动作动画片段中选取出待添加小动作动画片段可以包括：针对至少一个小动作动画片段中的每个小动作动画片段，根据小动作动画片段对应的第二向量与第一向量的向量距离确定小动作动画片段的选取概率；根据选取概率从至少一个小动作动画片段中，随机选取出待添加小动作动画片段。在该实现方式中，从至少一个小动作动画片段中选取出待添加小动作动画片段时，可以基于三维动画角色的动画帧数据生成的向量与基于小动作动画片段的动画帧数据生成的向量之间的向量距离，确定各个小动作动画片段的选取概率，一方面使得更匹配的小动作动画片段被选取的概率更高，另一方面也使得满足匹配度标准的小动作动画片段都有可能被挑选到，增加了随机性，使得三维动画角色发呆时展现的小动作更为多元，从而有助于提高用户体验。

在本实施例的一些可选实现方式中，上述小动作动画片段数据库中的每个小动作动画片段对应于任意一种稳定状态，并且，上述从至少一个小动作动画片段中选取出待添加小动作动画片段，包括：从至少一个小动作动画片段选取出所对应的稳定状态与三维动画角色的稳定状态匹配的待添加小动作动画片段。在该实现方式中，可以预先为各个小动作动画片段设置匹配的稳定状态。例如，挠头的小动作片段匹配的稳定状态可以设置为站立状态，抖腿的小动作片段匹配的稳定状态可以设置为坐姿状态。在选取出待添加小动作动画片段，即可优先选取与根据前述步骤确定的具体稳定状态相匹配的小动作片段。该实现方式可以使得添加的小动作片段与具体的稳定状态关联，因此吻合度更高，有利于进一步提高三维动画角色的逼真感。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于操作三维动画角色的方法的流程300进一步描述了如何具体检测三维动画角色是否处于发呆状态的步骤，从而精准控制向三维动画角色添加小动作的操作。

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操作三维动画角色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，本实施例所描述的用于操作三维动画角色的装置400包括：采集单元401、检测单元402、添加单元403。其中，采集单元401用于采集三维动画角色预设时间段内的动画帧数据；检测单元402用于基于动画帧数据，检测三维动画角色是否处于发呆状态；添加单元403用于当检测到三维动画角色处于发呆状态时，为三维动画角色添加小动作动画片段。

在本实施例中，采集单元401、检测单元402、添加单元403的具体处理可以参考图2对应实施例的步骤201、步骤202、步骤203，这里不再赘述。

在本实施例的一些可选实现方式中，检测单元402可以包括：检测子单元(未示出)，用于基于动画帧数据，检测三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态；确定子单元(未示出)，用于若三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定三维动画角色处于发呆状态。该实现方式的具体处理可以参考图3对应实施例中相应的步骤，这里不再赘述。

在本实施例的一些可选实现方式中，上述动画帧数据包括各个动画帧中骨骼或关节的位置参数和/或旋转参数。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述检测子单元，包括：静止检测模块(未示出)，用于基于动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测三维动画角色是否处于相对静止状态。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述静止检测模块进一步用于：针对每个骨骼或关节，确定骨骼或关节在不同动画帧中的位置参数和/或旋转参数的方差；对各个骨骼或关节对应的方差进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述静止检测子单元进一步用于：使用每个骨骼或关节在不同动画帧中的位置参数和/或旋转参数，绘制频谱图；计算频谱图中各个频率段的幅值；对各个骨骼或关节对应的频谱图中各个频率段的幅值进行加权平均，得到加权平均值；确定加权平均值是否小于阈值；若小于，则确定三维动画角色处于相对静止状态。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述检测子单元包括稳定检测模块(未示出)，该稳定检测模块用于：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第一循环神经网络模型匹配的输入向量序列并输入至第一循环神经网络模型，其中，第一循环神经网络模型是使用已标注为任意一种稳定状态或非稳定状态的动画帧序列样本进行训练而成的；基于第一循环神经网络模型的输出向量检测三维动画角色是否处于任意一种稳定状态。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，检测子单元还包括情绪平稳检测模块(未示出)，该情绪平稳检测模块用于：将动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第二循环神经网络模型匹配的输入向量序列并输入至第二循环神经网络模型，其中，第二循环神经网络模型是使用已标注为情绪平稳状态或非情绪平稳状态的动画帧序列样本进行训练而成的；基于第二循环神经网络模型的输出向量检测三维动画角色是否处于情绪平稳状态。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，添加单元403包括：选取子单元(未示出)，用于选取小动作动画片段数据库中与三维动画角色匹配的待添加小动作动画片段；添加子单元，用于为三维动画角色添加待添加小动作动画片段。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述选取子单元包括：第一生成模块(未示出)，用于基于三维动画角色的动画帧数据生成第一向量；第二生成模块(未示出)，用于基于小动作动画片段数据库中的每个小动作动画片段的动画帧数据，生成小动作动画片段对应的第二向量；确定模块(未示出)，用于根据各个小动作动画片段的第二向量与第一向量的向量距离，确定向量距离最近的至少一个小动作动画片段；选取模块(未示出)，用于从至少一个小动作动画片段中选取出待添加小动作动画片段。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述选取模块进一步用于：针对至少一个小动作动画片段中的每个小动作动画片段，根据小动作动画片段对应的第二向量与第一向量的向量距离确定小动作动画片段的选取概率；根据选取概率从至少一个小动作动画片段中，随机选取出待添加小动作动画片段。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

在本实施例的一些可选实现方式中，上述小动作动画片段数据库中的每个小动作动画片段对应于任意一种稳定状态；以及选取模块进一步用于：从至少一个小动作动画片段选取出所对应的稳定状态与三维动画角色的稳定状态匹配的待添加小动作动画片段。该实现方式的具体处理可以参考图3对应实施例中相应的实现方式，这里不再赘述。

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或服务器的计算机系统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，该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。

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，该模块、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：一种处理器包括采集单元、检测单元和添加单元。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，采集单元还可以被描述为“用于采集三维动画角色预设时间段内的动画帧数据的单元”。

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描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，当该一个或者多个程序被一个设备执行时，使得设备：采集三维动画角色预设时间段内的动画帧数据；基于所述动画帧数据，检测所述三维动画角色是否处于发呆状态；当检测到所述三维动画角色处于发呆状态时，为所述三维动画角色添加小动作动画片段。

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描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 (11)

1.一种用于操作三维动画角色的方法，其特征在于，所述方法包括:

采集三维动画角色预设时间段内的动画帧数据；所述动画帧数据包括各个动画帧中骨骼或关节的位置参数和/或旋转参数；

基于所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数，检测所述三维动画角色是否处于发呆状态；

当检测到所述三维动画角色处于发呆状态时，为所述三维动画角色添加小动作动画片段；

其中，所述基于所述动画帧数据，检测所述三维动画角色是否处于发呆状态，包括:

基于所述动画帧数据，检测所述三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态；

若所述三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定所述三维动画角色处于发呆状态。

2.根据权利要求1所述的方法，其特征在于，所述基于所述动画帧数据，检测所述三维动画角色是否处于相对静止状态，包括:

基于所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测所述三维动画角色是否处于相对静止状态。

3.根据权利要求2所述的方法，其特征在于，所述基于所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测所述三维动画角色是否处于相对静止状态，包括:

针对每个骨骼或关节，确定骨骼或关节在不同动画帧中的位置参数和/或旋转参数的方差；

对各个骨骼或关节对应的方差进行加权平均，得到加权平均值；

确定所述加权平均值是否小于阈值；

若小于，则确定所述三维动画角色处于相对静止状态。

4.根据权利要求2所述的方法，其特征在于，所述基于所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数的变化量，检测所述三维动画角色是否处于相对静止状态，包括:

使用每个骨骼或关节在不同动画帧中的位置参数和/或旋转参数，绘制频谱图；

计算所述频谱图中各个频率段的幅值；

对各个骨骼或关节对应的频谱图中各个频率段的幅值进行加权平均，得到加权平均值；

确定所述加权平均值是否小于阈值；

若小于，则确定所述三维动画角色处于相对静止状态。

5.根据权利要求1所述的方法，其特征在于，所述基于所述动画帧数据，检测所述三维动画角色是否处于稳定状态，包括:

将所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第一循环神经网络模型匹配的输入向量序列并输入至所述第一循环神经网络模型，其中，所述第一循环神经网络模型是使用已标注为任意一种稳定状态或非稳定状态的动画帧序列样本进行训练而成的；

基于所述第一循环神经网络模型的输出向量检测所述三维动画角色是否处于任意一种稳定状态。

6.根据权利要求1所述的方法，其特征在于，所述基于所述动画帧数据，检测所述三维动画角色是否处于情绪平稳状态，包括:

将所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数映射为与第二循环神经网络模型匹配的输入向量序列并输入至所述第二循环神经网络模型，其中，所述第二循环神经网络模型是使用已标注为情绪平稳状态或非情绪平稳状态的动画帧序列样本进行训练而成的；

基于所述第二循环神经网络模型的输出向量检测所述三维动画角色是否处于情绪平稳状态。

7.根据权利要求1所述的方法，其特征在于，所述为所述三维动画角色添加小动作动画片段，包括:

选取小动作动画片段数据库中与所述三维动画角色匹配的待添加小动作动画片段；

为所述三维动画角色添加所述待添加小动作动画片段。

8.根据权利要求7所述的方法，其特征在于，所述选取小动作动画片段数据库中与所述三维动画角色匹配的小动作动画片段，包括:

基于所述三维动画角色的所述动画帧数据生成第一向量；

基于所述小动作动画片段数据库中的每个小动作动画片段的动画帧数据，生成小动作动画片段对应的第二向量；

根据各个小动作动画片段的第二向量与所述第一向量的向量距离，确定向量距离最近的至少一个小动作动画片段；

从所述至少一个小动作动画片段中选取出所述待添加小动作动画片段。

9.根据权利要求8所述的方法，其特征在于，所述从所述至少一个小动作动画片段中选取出所述待添加小动作动画片段，包括:

针对所述至少一个小动作动画片段中的每个小动作动画片段，根据小动作动画片段对应的第二向量与所述第一向量的向量距离确定小动作动画片段的选取概率；

根据选取概率从所述至少一个小动作动画片段中，随机选取出所述待添加小动作动画片段。

10.根据权利要求8所述的方法，其特征在于，所述小动作动画片段数据库中的每个小动作动画片段对应于任意一种稳定状态；以及

所述从所述至少一个小动作动画片段中选取出所述待添加小动作动画片段，包括:

从所述至少一个小动作动画片段选取出所对应的稳定状态与所述三维动画角色的稳定状态匹配的待添加小动作动画片段。

11.一种用于操作三维动画角色的装置，其特征在于，所述装置包括:

采集单元，用于采集三维动画角色预设时间段内的动画帧数据；所述动画帧数据包括各个动画帧中骨骼或关节的位置参数和/或旋转参数；

检测单元，用于基于所述动画帧数据中各个动画帧中骨骼或关节的位置参数和/或旋转参数，检测所述三维动画角色是否处于发呆状态；

添加单元，用于当检测到所述三维动画角色处于发呆状态时，为所述三维动画角色添加小动作动画片段；

其中，所述基于所述动画帧数据，检测所述三维动画角色是否处于发呆状态，包括:

基于所述动画帧数据，检测所述三维动画角色是否处于相对静止状态、稳定状态和情绪平稳状态；

若所述三维动画角色处于相对静止状态、稳定状态和情绪平稳状态，则确定所述三维动画角色处于发呆状态。

Images