CN110047121A - 端到端的动画生成方法、装置及电子设备 - Google Patents
端到端的动画生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110047121A CN110047121A CN201910214900.9A CN201910214900A CN110047121A CN 110047121 A CN110047121 A CN 110047121A CN 201910214900 A CN201910214900 A CN 201910214900A CN 110047121 A CN110047121 A CN 110047121A
- Authority
- CN
- China
- Prior art keywords
- target object
- text
- animation
- reconstruction model
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 230000033001 locomotion Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 6
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000005266 casting Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/205—3D [Three Dimensional] animation driven by audio data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T13/00—Animation
- G06T13/20—3D [Three Dimensional] animation
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/027—Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开实施例中提供了一种端到端的动画生成方法、装置及电子设备，属于数据处理技术领域，该方法包括：采集目标对象针对目标文本产生的音频文件和视频文件；基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型；利用所述重建模型，生成与文本输入信息相匹配的预测动画。通过本公开的方案，提高了预测动画的数据处理效率。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种端到端的动画生成方法、装置及电子设备。
背景技术
随着网络技术的发展，人工智能技术在网络场景中的应用得到了极大的提升。作为一个具体的应用需求，越来越多的网络环境中使用虚拟的人物进行交互，例如在网络直播中提供虚拟的主播对直播内容进行拟人化的播报，并为直播用于提供必要的引导，从而增强直播的临场感和交互性，提高了网络直播的效果。
表情模拟(例如，嘴型动作模拟)技术是人工智能技术的一种，目前实现表情模拟主要基于文本驱动、自然语音驱动和音视频混合建模方法来驱动人物的面部表情。例如，文本驱动的方式通常是TTS(Text to Speech，文-语转换)引擎将输入的文本信息转化为对应的音素序列、音素时长以及对应的语音波形，然后在模型库中选择对应的模型单元，通过平滑处理和相应的同步算法最终呈现出和输入文本内容相对应的语音和人脸表情动作。
现有技术中虚拟形象合成需要三个阶段：1)文字转换成语音；2)语音转换成口形的系数；3)口形系数合成五官形状约束，进而合成播报形象。这三个阶段分别由不提供的神经网络进行预测来完成转换。三个阶段的神经网络并非协同训练，某一阶段出错就会导致整个虚拟形象的合成受损。
发明内容
有鉴于此，本公开实施例提供一种端到端的动画生成方法、装置及电子设备，至少部分解决现有技术中存在的问题。
第一方面，本公开实施例提供了一种端到端的动画生成方法，包括：
采集目标对象针对目标文本产生的音频文件和视频文件；
基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型；
利用所述重建模型，生成与文本输入信息相匹配的预测动画。
根据本公开实施例的一种具体实现方式，所述基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型，包括：
从所述视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图；
基于所述目标文本、所述音频文件、所述纹理图、所述形状约束图以及所述特定区域的图像的二维图像信息，训练所述目标对象的重建模型。
根据本公开实施例的一种具体实现方式，所述从所述视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图，包括：
对所述目标对象的上的特定区域进行3D重建，得到3D区域对象；
获取所述3D区域对象的三维网格，所述三维网格包含预设坐标值；
基于不同三维网格坐标上的像素值，确定所述特定区域的纹理图。
根据本公开实施例的一种具体实现方式，所述从所述视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图，还包括：
在所述视频文件中的多个帧图像中执行针对特定元素的关键点检测，得到与所述特定元素相关的多个关键点；
基于所述多个关键点形成描述所述特定元素的形状约束图。
根据本公开实施例的一种具体实现方式，所述基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型，包括：
设置训练所述重建模型的卷积神经网络，利用所述卷积神经网络训练包含所述目标对象的图像，其中，所述卷积神经网络的最后一层的输入和输入层的节点输入一致。
根据本公开实施例的一种具体实现方式，所述利用所述卷积神经网络训练包含所述目标对象的图像，包括：
用均值平方误差函数来衡量预测误差，所述预测误差用来描述输出形象帧和人工采集帧的差异；
采用反向传播函数降低所述预测误差。
根据本公开实施例的一种具体实现方式，所述基于所述目标文本、所述音频文件、所述纹理图、所述形状约束图以及所述特定区域的图像的二维图像信息，训练所述目标对象的重建模型，包括：
设置训练所述重建模型的卷积神经网络，所述卷积神经网络包括第一部分和第二部分，所述第一部分的输入为所述目标文本，所述第一部分的输出为所述音频文件，所述第二部分的输入为所述音频文件、所述纹理图、所述形状约束图以及所述特定区域的图像的二维图像信息，所述第二部分的输出为所述重建模型预测的目标对象的动画。
根据本公开实施例的一种具体实现方式，所述利用所述重建模型，生成与文本输入信息相匹配的预测动画，包括：
将所述文本输入信息进行解析，得到文本解析结果；
确定与所述文本解析结果对应的匹配语音；
基于所述匹配语音，生成与所述文本输入信息相匹配的预测动画。
根据本公开实施例的一种具体实现方式，所述利用所述重建模型，生成与文本输入信息相匹配的预测动画，包括：
将所述目标对象的特定区域的轮廓进行预测，在预测的轮廓内填充所述重建模型确定的纹理图；
将所述文本输入信息解析后的得到运动参数匹配到所述特定元素，形成所述特定元素的动作。
第二方面，本公开实施例提供了一种端到端的动画生成装置，包括：
采集模块，用于采集目标对象针对目标文本产生的音频文件和视频文件；
训练模块，用于基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型；
生成模块，用于利用所述重建模型，生成与文本输入信息相匹配的预测动画。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的端到端的动画生成方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的端到端的动画生成方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的端到端的动画生成方法。
本公开实施例中的端到端的动画生成方案，包括采集目标对象针对目标文本产生的音频文件和视频文件；基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型；利用所述重建模型，生成与文本输入信息相匹配的预测动画。通过本公开的处理方案，通过一个神经网络结构，便能够直接基于输入的文本信息得到预测的目标对象的动作或表情，提高了动画预测的准确度和效率。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1为本公开实施例提供的一种端到端的动画生成流程示意图；
图2为本公开实施例提供的另一种端到端的动画生成流程示意图；
图3为本公开实施例提供的另一种端到端的动画生成流程示意图；
图4为本公开实施例提供的另一种端到端的动画生成流程示意图；
图5为本公开实施例提供的端到端的动画生成装置结构示意图；
图6为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种端到端的动画生成方法。本实施例提供的端到端的动画生成方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。
参见图1，本公开实施例提供的一种端到端的动画生成方法，包括如下步骤S101-S103：
S101，采集目标对象针对目标文本产生的音频文件和视频文件。
目标对象的动作和表情是本公开的方案所要模拟和预测的内容，作为一个例子，目标对象可以是真实的能够进行网络播报的人，也可以是其他的具有信息传播功能的对象，例如电视节目主持人、新闻节目播音员、进行授课的教师等。
目标对象通常为具有传播功能的人，由于该类型的人通常具有一定的知名度，当有海量的内容需要目标对象进行包含语音和/或视频动作的播报时，通常需要花费较多的成本。同时，对于直播类的节目，目标对象通常无法在同一个时间内出现在多个直播间(或多个直播频道)。此时如果想呈现出例如“主播分身”这样的效果，通过真人进行现场播报通常难以达到这种效果。
为此，需要预先通过摄像机等录像设备对目标对象(例如，主播)进行视频采集，通过视频来采集目标对象针对不同目标文本的播报记录。例如，可以记录目标对象的一段直播间主持内容，也可以记录目标对象针对一段新闻的播报记录。
对目标对象采集的视频中包含多个帧图像，可以从视频的帧图像中选取多个包含一个或多个目标对象连续动作的图像，构成图像集合。通过对该图像集合进行训练，可以预测和模拟目标对象针对不同文本输入内容的动作和表情。
除了记录视频文件之外，还记录目标对象针对目标文本的音频文件，通过该音频文件，可以为后续基于输入文本训练音频输出提供支持。
S102，基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型。
重建模型基于计算高效的语音合成网络结构和卷积神经网络结构，重建模型的的网络结构包含若干个卷积层、池化层、全连接层和分类器，其中最后一层的输出和输入层的节点数目一样，使得可以直接输出目标对象(例如，主播)形象的视频帧。网络的前半部分通过输入目标文本完成语音输出，后半部分输出目标对象播报动画。网络前半部分的输出作为网络后半部分的语音输入，同时网络后半部分还需要纹理和五官形状约束作为输入。通过将网络输出的语音和目标对象的播报动画分别与之前录制的音频文件及视频文件进行比较，能够进一步的训练该重建模型。
对重建模型进行训练时，用均值平方误差函数来衡量网络前半部分(第一部分)的语音预测误差，即预测语音和目标对象播报语音的误差。先训练网络的前半部分，待前半部分的网络预测误差稳定时，把前半部分网络的输出和目标对象脸部纹理以及五官形状约束输入到后半部分(第二部分)网络来预测目标对象形象。前半部分和后半部分的具体结构可以根据实际的需要灵活设置，在此不作限定。
用均值平方误差函数来衡量整个网络对目标对象形象预测误差，即预测输出目标对象形象帧和人工采集目标对象形象的差异，并使用反向传播函数降低该差异。
获取每帧图像中目标对象的脸部纹理以及眼睛和嘴部关键点，构成目标对象纹理图和五官形状约束图。脸部纹理通过3D人脸重建的方式获取人脸三维网格，所有三维网格点对应的人脸像素值构成了目标对象的脸部纹理。对视频帧中目标对象所有人脸区域的纹理进行求取平均值作为最终目标对象的脸部纹理。
眼睛和嘴部关键点通过人脸关键点检测算法得到，分别连接眼睛/嘴部周围关键点形成眼睛/嘴部的闭合区域。眼睛瞳孔区域填充蓝色，眼睛剩余其他部分填充白色，嘴部闭合区域填充红色。填充颜色后的图像称为五官形状约束图。
S103，利用所述重建模型，生成与文本输入信息相匹配的预测动画。
训练完成重建模型之后，就可以针对新输入的文本输入信息(例如，一段文字内容)进行预测，具体的，可以利用需要播报的文字和主播脸部纹理和五官形状约束，利用所训练的重建模型，预测目标对象的特定区域(例如，二维人脸图像)的信息。通过连续的五官形状约束和固定的主播脸部纹理作为输入，能够预测出连续的目标对象人脸区域的形象。作为一种方式，把预测的目标对象人脸区域按位置覆盖到原有视频帧上进行整体图像合成，便能够生成与文本输入信息相匹配的预测动画，所述预测动画中包含目标对象针对文本输入信息的预测动作和/或表情。
在实现步骤S102的过程中，根据本公开实施例的一种具体实现方式，参见图2，在所述多个图像中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图，可以包括：
S201，对所述目标对象的上的特定区域进行3D重建，得到3D区域对象。
获取了与目标对象相关的多个图像(例如，视频帧)之后，便可以选择目标对象上的构成对象来对目标对象进行建模。为了提高建模的效率，可以选择对于用户来讲识别度不太高的特定区域(例如，脸部区域)以及对于用户辨识度高的特定元素(例如，嘴巴，眼睛等)进行建模。
S202，获取所述3D区域对象的三维网格，所述三维网格包含预设坐标值。
3D区域对象通过三维网格来描述其具体的位置，为此对三维网格设置具体的坐标值，例如可以通过设置平面二维坐标及空间高度坐标的方式来描述三维网格。
S203，基于不同三维网格坐标上的像素值，确定所述特定区域的纹理图。
可以将不同三维网格坐标上的像素值连接在一起，形成网格平面，该网格平面形成特定区域的纹理图。
通过步骤S201-S203的实施方式，能够较快的形成特定区域的纹理图，提高了纹理图形成的效率。
参见图3，从视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图，可以包括步骤S301-S302：
S301，在所述视频文件中的多个帧图像中执行针对特定元素的关键点检测，得到与所述特定元素相关的多个关键点。
特定元素可以是目标对象上的组成部分，例如，特定元素可以是眼睛、嘴巴、耳朵、眉毛、鼻子等，通过对特定元素执行关键点检测，可以得到与所述特定元素相关的多个关键点(特征点)。
S302，基于所述多个关键点形成描述所述特定元素的形状约束图。
特定元素的关键点通过人脸关键点检测算法得到，分别连接特定元素周围关键点形成特定元素的闭合区域。对闭合区域内填充颜色，便构成了特定元素的形状约束图。例如，眼睛瞳孔区域填充蓝色，眼睛剩余其他部分填充白色，嘴部闭合区域填充红色。填充颜色后的图像称为五官形状约束图。
参见图4，所述利用所述重建模型，生成与文本输入信息相匹配的预测动画，可以包括步骤S401-S403：
S401，将所述文本输入信息进行解析，得到文本解析结果。
具体的，对文本的输入信息进行识别和分词处理，确定输入文本的语言类型(例如，汉语，英语，法语等)，同时基于整个文本输入信息的全体内容，确定该文本输入信息的氛围类型(例如，紧张，严肃等)。
S402，确定与所述文本解析结果对应的匹配语音。
基于文本解析结果，匹配与文本输入信息对应的语言类型、语速、语感等语音要素，利用重建模型结构中的第一部分(语音预测部分)结构来生成匹配语音。
S403，基于所述匹配语音，生成与所述文本输入信息相匹配的预测动画。
通过语音，利用本公开的重建模型结构中的第二部分(动画预测部分)结构来生成与所述文本输入信息相匹配的预测动画。
在利用所述重建模型生成与文本输入信息相匹配的预测动画的过程中，可以先将所述目标对象的特定区域的轮廓进行预测，在预测的轮廓内填充所述重建模型确定的纹理图。作为一个例子，从文本输入信息得到的解析结果中包含有针对目标对象上特定元素的运动幅度参数，以嘴巴为例，嘴巴全部张开的时候运动幅度可以量化为1，嘴巴全部闭合的时候，运动运动幅度可以量化为0，通过量化0和1之间的数值，可以描述嘴巴在完全张开和完全闭合之间的中间状态。将所述文本输入信息解析后的得到运动参数匹配到所述特定元素，形成所述特定元素的动作。
与上面的方法实施例相对应，参见图5，本公开还提供了一种端到端的动画生成装置50，包括：
采集模块501，用于采集目标对象针对目标文本产生的音频文件和视频文件。
目标对象的动作和表情是本公开的方案所要模拟和预测的内容，作为一个例子，目标对象可以是真实的能够进行网络播报的人，也可以是其他的具有信息传播功能的对象，例如电视节目主持人、新闻节目播音员、进行授课的教师等。
目标对象通常为具有传播功能的人，由于该类型的人通常具有一定的知名度，当有海量的内容需要目标对象进行包含语音和/或视频动作的播报时，通常需要花费较多的成本。同时，对于直播类的节目，目标对象通常无法在同一个时间内出现在多个直播间(或多个直播频道)。此时如果想呈现出例如“主播分身”这样的效果，通过真人进行现场播报通常难以达到这种效果。
为此，需要预先通过摄像机等录像设备对目标对象(例如，主播)进行视频采集，通过视频来采集目标对象针对不同目标文本的播报记录。例如，可以记录目标对象的一段直播间主持内容，也可以记录目标对象针对一段新闻的播报记录。
对目标对象采集的视频中包含多个帧图像，可以从视频的帧图像中选取多个包含一个或多个目标对象连续动作的图像，构成图像集合。通过对该图像集合进行训练，可以预测和模拟目标对象针对不同文本输入内容的动作和表情。
除了记录视频文件之外，还记录目标对象针对目标文本的音频文件，通过该音频文件，可以为后续基于输入文本训练音频输出提供支持。
训练模块502，用于基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型。
重建模型基于计算高效的语音合成网络结构和卷积神经网络结构，重建模型的的网络结构包含若干个卷积层、池化层、全连接层和分类器，其中最后一层的输出和输入层的节点数目一样，使得可以直接输出目标对象(例如，主播)形象的视频帧。网络的前半部分通过输入目标文本完成语音输出，后半部分输出目标对象播报动画。网络前半部分的输出作为网络后半部分的语音输入，同时网络后半部分还需要纹理和五官形状约束作为输入。通过将网络输出的语音和目标对象的播报动画分别与之前录制的音频文件及视频文件进行比较，能够进一步的训练该重建模型
对重建模型进行训练时，用均值平方误差函数来衡量网络前半部分的语音预测误差，即预测语音和目标对象播报语音的误差。先训练网络的前半部分，待前半部分的网络预测误差稳定时，把前半部分网络的输出和目标对象脸部纹理以及五官形状约束输入到后半部分网络来预测目标对象形象。此时用均值平方误差函数来衡量整个网络对目标对象形象预测误差。即预测输出目标对象形象帧和人工采集目标对象形象的差异。并使用反向传播函数降低该差异。
获取每帧图像中目标对象的脸部纹理以及眼睛和嘴部关键点，构成目标对象纹理图和五官形状约束图。脸部纹理通过3D人脸重建的方式获取人脸三维网格，所有三维网格点对应的人脸像素值构成了目标对象的脸部纹理。对视频帧中目标对象所有人脸区域的纹理进行求取平均值作为最终目标对象的脸部纹理。
眼睛和嘴部关键点通过人脸关键点检测算法得到，分别连接眼睛/嘴部周围关键点形成眼睛/嘴部的闭合区域。眼睛瞳孔区域填充蓝色，眼睛剩余其他部分填充白色，嘴部闭合区域填充红色。填充颜色后的图像称为五官形状约束图。
生成模块503，用于利用所述重建模型，生成与文本输入信息相匹配的预测动画。
训练完成重建模型之后，就可以针对新输入的文本输入信息(例如，一段文字内容)进行预测，具体的，可以利用需要播报的文字和主播脸部纹理和五官形状约束，利用所训练的重建模型，预测目标对象的特定区域(例如，二维人脸图像)的信息。通过连续的五官形状约束和固定的主播脸部纹理作为输入，能够预测出连续的目标对象人脸区域的形象。作为一种方式，把预测的目标对象人脸区域按位置覆盖到原有视频帧上进行整体图像合成，便能够生成与文本输入信息相匹配的预测动画。
图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中端到端的动画生成方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的端到端的动画生成方法。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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，其包括承载在计算机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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。
描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种端到端的动画生成方法，其特征在于，包括：
采集目标对象针对目标文本产生的音频文件和视频文件；
基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型；
利用所述重建模型，生成与文本输入信息相匹配的预测动画。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型，包括：
从所述视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图；
基于所述目标文本、所述音频文件、所述纹理图、所述形状约束图以及所述特定区域的图像的二维图像信息，训练所述目标对象的重建模型。
3.根据权利要求2所述的方法，其特征在于，所述从所述视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图，包括：
对所述目标对象的上的特定区域进行3D重建，得到3D区域对象；
获取所述3D区域对象的三维网格，所述三维网格包含预设坐标值；
基于不同三维网格坐标上的像素值，确定所述特定区域的纹理图。
4.根据权利要求3所述的方法，其特征在于，所述从所述视频文件中获取所述目标对象上特定区域的纹理图及特定元素的形状约束图，还包括：
在所述视频文件中的多个帧图像中执行针对特定元素的关键点检测，得到与所述特定元素相关的多个关键点；
基于所述多个关键点形成描述所述特定元素的形状约束图。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型，包括：
设置训练所述重建模型的卷积神经网络，利用所述卷积神经网络训练包含所述目标对象的图像，其中，所述卷积神经网络的最后一层的输入和输入层的节点输入一致。
6.根据权利要求5所述的方法，其特征在于，所述利用所述卷积神经网络训练包含所述目标对象的图像，包括：
用均值平方误差函数来衡量预测误差，所述预测误差用来描述输出形象帧和人工采集帧的差异；
采用反向传播函数降低所述预测误差。
7.根据权利要求2所述的方法，其特征在于，所述基于所述目标文本、所述音频文件、所述纹理图、所述形状约束图以及所述特定区域的图像的二维图像信息，训练所述目标对象的重建模型，包括：
设置训练所述重建模型的卷积神经网络，所述卷积神经网络包括第一部分和第二部分，所述第一部分的输入为所述目标文本，所述第一部分的输出为所述音频文件，所述第二部分的输入为所述音频文件、所述纹理图、所述形状约束图以及所述特定区域的图像的二维图像信息，所述第二部分的输出为所述重建模型预测的目标对象的动画。
8.根据权利要求1所述的方法，其特征在于，所述利用所述重建模型，生成与文本输入信息相匹配的预测动画，包括：
将所述文本输入信息进行解析，得到文本解析结果；
确定与所述文本解析结果对应的匹配语音；
基于所述匹配语音，生成与所述文本输入信息相匹配的预测动画。
9.根据权利要求2所述的方法，其特征在于，所述利用所述重建模型，生成与文本输入信息相匹配的预测动画，包括：
将所述目标对象的特定区域的轮廓进行预测，在预测的轮廓内填充所述重建模型确定的纹理图；
将所述文本输入信息解析后的得到运动参数匹配到所述特定元素，形成所述特定元素的动作。
10.一种端到端的动画生成装置，其特征在于，包括：
采集模块，用于采集目标对象针对目标文本产生的音频文件和视频文件；
训练模块，用于基于所述目标文本、所述音频文件及所述视频文件，训练与所述目标对象相关的重建模型；
生成模块，用于利用所述重建模型，生成与文本输入信息相匹配的预测动画。
11.一种电子设备，其特征在于，所述电子设备包括：
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前述任一权利要求1-9所述的端到端的动画生成方法。
12.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-9所述的端到端的动画生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910214900.9A CN110047121B (zh) | 2019-03-20 | 2019-03-20 | 端到端的动画生成方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910214900.9A CN110047121B (zh) | 2019-03-20 | 2019-03-20 | 端到端的动画生成方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110047121A true CN110047121A (zh) | 2019-07-23 |
| CN110047121B CN110047121B (zh) | 2023-08-11 |
Family
ID=67273859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910214900.9A Active CN110047121B (zh) | 2019-03-20 | 2019-03-20 | 端到端的动画生成方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110047121B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598576A (zh) * | 2019-08-21 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 一种手语交互方法、装置及计算机介质 |
| CN111294665A (zh) * | 2020-02-12 | 2020-06-16 | 百度在线网络技术（北京）有限公司 | 视频的生成方法、装置、电子设备及可读存储介质 |
| CN111369687A (zh) * | 2020-03-04 | 2020-07-03 | 腾讯科技（深圳）有限公司 | 合成虚拟对象的动作序列的方法及设备 |
| CN111862278A (zh) * | 2020-07-22 | 2020-10-30 | 成都数字天空科技有限公司 | 一种动画获得方法、装置、电子设备及存储介质 |
| CN113111812A (zh) * | 2021-04-20 | 2021-07-13 | 深圳追一科技有限公司 | 一种嘴部动作驱动模型训练方法及组件 |
| CN113111813A (zh) * | 2021-04-20 | 2021-07-13 | 深圳追一科技有限公司 | 基于asr声学模型的嘴部动作驱动模型训练方法及组件 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101499128A (zh) * | 2008-01-30 | 2009-08-05 | 中国科学院自动化研究所 | 基于视频流的三维人脸动作检测和跟踪方法 |
| US20100082345A1 (en) * | 2008-09-26 | 2010-04-01 | Microsoft Corporation | Speech and text driven hmm-based body animation synthesis |
| CN101739712A (zh) * | 2010-01-25 | 2010-06-16 | 四川大学 | 基于视频的3d人脸表情动画驱动方法 |
| CN103279970A (zh) * | 2013-05-10 | 2013-09-04 | 中国科学技术大学 | 一种实时的语音驱动人脸动画的方法 |
-
2019
- 2019-03-20 CN CN201910214900.9A patent/CN110047121B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101499128A (zh) * | 2008-01-30 | 2009-08-05 | 中国科学院自动化研究所 | 基于视频流的三维人脸动作检测和跟踪方法 |
| US20100082345A1 (en) * | 2008-09-26 | 2010-04-01 | Microsoft Corporation | Speech and text driven hmm-based body animation synthesis |
| CN101739712A (zh) * | 2010-01-25 | 2010-06-16 | 四川大学 | 基于视频的3d人脸表情动画驱动方法 |
| CN103279970A (zh) * | 2013-05-10 | 2013-09-04 | 中国科学技术大学 | 一种实时的语音驱动人脸动画的方法 |
Non-Patent Citations (6)
| Title |
|---|
| 於俊等: "面向人机接口的多种输入驱动的三维虚拟人头", 《计算机学报》 * |
| 曹亮等: "具有情感表现力的可视语音合成研究综述", 《计算机工程与科学》 * |
| 李欣怡等: "语音驱动的人脸动画研究现状综述", 《计算机工程与应用》 * |
| 王珂等: "基于ICA算法的一般人脸动画模式表达", 《计算机工程与应用》 * |
| 罗庆云等: "人脸表情动画研究简述", 《福建电脑》 * |
| 马惠珠等: "项目计算机辅助受理的研究方向与关键词――2012年度受理情况与2013年度注意事项", 《电子与信息学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598576A (zh) * | 2019-08-21 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 一种手语交互方法、装置及计算机介质 |
| CN111294665A (zh) * | 2020-02-12 | 2020-06-16 | 百度在线网络技术（北京）有限公司 | 视频的生成方法、装置、电子设备及可读存储介质 |
| CN111369687A (zh) * | 2020-03-04 | 2020-07-03 | 腾讯科技（深圳）有限公司 | 合成虚拟对象的动作序列的方法及设备 |
| US11978142B2 (en) | 2020-03-04 | 2024-05-07 | Tencent America LLC | Method and device for synthesizing motion sequence of virtual object |
| CN111862278A (zh) * | 2020-07-22 | 2020-10-30 | 成都数字天空科技有限公司 | 一种动画获得方法、装置、电子设备及存储介质 |
| CN111862278B (zh) * | 2020-07-22 | 2024-02-27 | 成都数字天空科技有限公司 | 一种动画获得方法、装置、电子设备及存储介质 |
| CN113111812A (zh) * | 2021-04-20 | 2021-07-13 | 深圳追一科技有限公司 | 一种嘴部动作驱动模型训练方法及组件 |
| CN113111813A (zh) * | 2021-04-20 | 2021-07-13 | 深圳追一科技有限公司 | 基于asr声学模型的嘴部动作驱动模型训练方法及组件 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110047121B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110047121A (zh) | 端到端的动画生成方法、装置及电子设备 | |
| CN109618222B (zh) | 一种拼接视频生成方法、装置、终端设备及存储介质 | |
| CN110035271A (zh) | 保真图像生成方法、装置及电子设备 | |
| CN110189394A (zh) | 口型生成方法、装置及电子设备 | |
| CN110047119A (zh) | 包含动态背景的动画生成方法、装置及电子设备 | |
| CN110058685A (zh) | 虚拟对象的显示方法、装置、电子设备和计算机可读存储介质 | |
| CN110381368A (zh) | 视频封面生成方法、装置及电子设备 | |
| CN110288682A (zh) | 用于控制三维虚拟人像口型变化的方法和装置 | |
| CN110189246A (zh) | 图像风格化生成方法、装置及电子设备 | |
| CN110298785A (zh) | 图像美化方法、装置及电子设备 | |
| CN110222726A (zh) | 图像处理方法、装置及电子设备 | |
| CN109982130A (zh) | 一种视频拍摄方法、装置、电子设备及存储介质 | |
| CN110278447A (zh) | 基于连续特征的视频推送方法、装置及电子设备 | |
| CN110177295A (zh) | 字幕越界的处理方法、装置和电子设备 | |
| CN110225400A (zh) | 一种动作捕捉方法、装置、移动终端及存储介质 | |
| CN109446025A (zh) | 一种操作行为的回放方法、装置、电子设备及可读介质 | |
| CN111246196B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
| CN110288532B (zh) | 生成全身图像的方法、装置、设备及计算机可读存储介质 | |
| CN110060324A (zh) | 图像渲染方法、装置及电子设备 | |
| CN110069997A (zh) | 场景分类方法、装置及电子设备 | |
| CN110287350A (zh) | 图像检索方法、装置及电子设备 | |
| CN112734631A (zh) | 基于微调模型的视频图像换脸方法、装置、设备及介质 | |
| Li et al. | Interactive cultural communication effect in VR space of intelligent mobile communication network | |
| WO2023061229A1 (zh) | 视频生成方法及设备 | |
| CN110197459A (zh) | 图像风格化生成方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |