CN111696180A - 一种虚拟仿真人的生成方法、系统、装置和存储介质 - Google Patents
一种虚拟仿真人的生成方法、系统、装置和存储介质 Download PDFInfo
- Publication number
- CN111696180A CN111696180A CN202010371709.8A CN202010371709A CN111696180A CN 111696180 A CN111696180 A CN 111696180A CN 202010371709 A CN202010371709 A CN 202010371709A CN 111696180 A CN111696180 A CN 111696180A
- Authority
- CN
- China
- Prior art keywords
- material data
- artificial intelligence
- intelligence model
- database
- acquiring
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000000463 material Substances 0.000 claims abstract description 100
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 65
- 230000009193 crawling Effects 0.000 claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种虚拟仿真人的生成方法、系统、装置和存储介质。所述虚拟仿真人的生成方法包括获取对象发出的生成请求,从所述对象相应的数据库中获取素材数据,将所述素材数据输入到经过训练的人工智能模型中,以及获取所述人工智能模型输出的虚拟仿真人等步骤。通过从互联网上爬取得到素材数据存储在数据库中,素材数据的数量可以得到较好的保证;在爬取到的海量素材数据中,也较易筛选出质量较好的素材数据,因此人工智能模型所生成的虚拟仿真人具有好的仿真效果;经过训练的人工智能模型可以较好地区分不同的用户,避免出现针对不同的用户生成的虚拟仿真人高度相似或者相同的情况。本发明广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种虚拟仿真人的生成方法、系统、装置和存储介质。
背景技术
在虚拟现实和增强现实等领域,需要根据用户的形象,生成虚拟仿真人并显示出来。一些现有技术通过对用户的形象进行扫描,获取特征点的几何信息,构建相应的三维模型,从而实现虚拟仿真人的生成,这一过程需要消耗较多的硬件资源和软件资源。另一些现有技术是事先构建并存储好各种素材数据,例如用于展现眼睛、嘴巴、鼻子、头饰和衣服等器官和配饰的图像数据,通过不同素材数据的几何搭配和组合,获得虚拟仿真人,但这种方式受限于素材数据的多样性,无法突破素材数据本身的限制,如果素材数据质量不好或者数量不足,那么所生成的虚拟仿真人一方面既不能达到好的仿真效果,另一方面,当用户数量较多时,算法难以区分不同的用户,尤其是形象相似的用户,这表现出来的效果是针对不同的用户生成的虚拟仿真人高度相似或者相同。
发明内容
针对上述至少一个技术问题,本发明的目的在于提供一种虚拟仿真人的生成方法、系统、装置和存储介质。
一方面,本发明实施例包括一种虚拟仿真人的生成方法,包括:
获取对象发出的生成请求;
从所述对象相应的数据库中获取素材数据;所述数据库中的素材数据从互联网上爬取得到;
将所述素材数据输入到经过训练的人工智能模型中;
获取所述人工智能模型输出的虚拟仿真人。
进一步地,所述素材数据的更新过程包括:
获取对象的浏览记录;
在预设的相关度范围内,确定与所述浏览记录相关的搜索参数;
根据所述搜索参数,在互联网上进行搜索和爬取;
对爬取得到的数据进行筛选,获得素材数据;
将所述素材数据存储到与所述对象相应的数据库中。
进一步地,所述素材数据的更新过程还包括:
获取对象的多个浏览记录;
确定各所述浏览记录之间的相关度变化趋势;
当所述相关度变化趋势超出预设的阈值,将靠前的浏览记录所对应的素材数据从该对象的数据库中删除。
进一步地,虚拟仿真人的生成方法还包括以下步骤:
获取多个对象的浏览记录;
当存在至少两个对象的浏览记录之间的相关度超过预设的阈值,将这些浏览记录所对应的素材数据,在这些对象的数据库之间共享。
进一步地,所述人工智能模型的训练过程包括:
从所有对象的数据库中获取素材数据;
确定素材数据的标签;所述标签与预先建好的三维模型模板和调整参数有对应关系,所述调整参数用于指示对相应的三维模型模板进行调整;
将所述素材数据用作所述人工智能模型的输入,将相应所述标签用作所述人工智能模型的预期输出,对所述人工智能模型的参数进行调整;
当所述人工智能模型的参数收敛时结束训练过程。
进一步地,所述人工智能模型为神经网络。
进一步地,所述人工智能模型各层上的神经元分别与各数据库对应;所述将所述素材数据用作所述人工智能模型的输入,将相应所述标签用作所述人工智能模型的预期输出,对所述人工智能模型的参数进行调整这一步骤,具体包括:
确定输入到所述人工智能模型的素材数据所来自的数据库;
根据所确定的数据库,确定人工智能模型各层上对应的神经元,对其他神经元的输入和/或输出进行锁定;
将所述素材数据用作神经元的输入,将相应所述标签用作神经元的预期输出,对所述神经元的参数进行调整,使得所述神经元的实际输出趋近于预期输出。
另一方面,本发明实施例还包括一种虚拟仿真人的生成系统,包括:
第一模块,用于获取对象发出的生成请求;
第二模块,用于从所述对象相应的数据库中获取素材数据;所述数据库中的素材数据从互联网上爬取得到;
第三模块,用于将所述素材数据输入到经过训练的人工智能模型中;
第四模块,用于获取所述人工智能模型输出的虚拟仿真人。
另一方面,本发明实施例还包括一种计算机的装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行所述的虚拟仿真人的生成方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行实施例所述的虚拟仿真人的生成方法。
本发明的有益效果是:通过从互联网上爬取得到素材数据存储在数据库中,素材数据的数量可以得到较好的保证;在爬取到的海量素材数据中,也较易筛选出质量较好的素材数据,因此人工智能模型所生成的虚拟仿真人具有好的仿真效果;另一方面,经过训练的人工智能模型可以较好地区分不同的用户,尤其是形象相似的用户,避免出现针对不同的用户生成的虚拟仿真人高度相似或者相同的情况,这些优点在用户数量较多时更容易体现出来。
附图说明
图1为实施例所使用的卷积神经网络其中一层上的神经元的分工效果示意图;
图2为实施例中对部分神经元的输入进行锁定的原理示意图;
图3为实施例中对部分神经元的输出进行锁定的原理示意图;
图4为实施例中虚拟仿真人的生成方法的流程示意图。
具体实施方式
本实施例中对虚拟仿真人的生成方法进行介绍。实施例中所提到的“对象”,是指虚拟仿真人的生成方法执行时所针对的客体,它可以是指一个人、一台计算机设备或者一个人与他所操作的一台计算机设备所组成的整体。当本实施例中的虚拟仿真人的生成方法被应用于商业用途时,例如,商户开发用于实现所述生成方法的计算机程序,并将这个计算机程序运行在网站平台上以提供服务,那么实施例中所提到的“对象”可以是指使用该网站平台的用户。
商户可以通过注册账号等方式对多个用户进行管理。商户在服务器中设置总数据库,向注册成功的用户分配一定的存储空间,即实施例中提到的数据库,使得每个用户都有他对应的数据库。
商户在服务器中设置定时或不定时的计算机程序,从互联网上爬取得到实物图像、几何图案以及动画等多媒体数据,形成素材数据,并将素材数据存储在数据库中。
商户在服务器中运行人工智能模型。本实施例中使用卷积神经网络作为所述人工智能模型。在服务器维护时间或者服务器空闲时,对人工智能模型执行以下训练过程:
P1.从所有对象的数据库中获取素材数据;本步骤中,所获取的素材数据的来源是所有对象的数据库,即总数据库;由于不同对象的素材数据一般具有不同的风格,这可以突破单个对象的限制,对人工智能模型进行多样化的训练;
P2.确定素材数据的标签;所述标签与预先建好的三维模型模板和调整参数有对应关系,所述调整参数用于指示对相应的三维模型模板进行调整;本实施例中,所述标签可以通过编号的形式来表示,每一编号分别对应一组三维模型模板和调整参数,根据标签可以查找得到相应的三维模型模板和调整参数;三维模型模板是预设设定好的,具有一定的离散性。通过特征部位的位置信息所确定的三维模型模板,与实际上的虚拟仿真人之间仍有一定的偏差,这些偏差可以通过调整参数来修正,经过修正的三维模型模板比原先更接近真实的虚拟仿真人;
P3.将所述素材数据用作所述人工智能模型的输入,将相应所述标签用作所述人工智能模型的预期输出,对所述人工智能模型的参数进行调整,使得人工智能模型的输出结果与预期输出之间的误差尽量小;
P4.当所述人工智能模型的参数收敛,则表明人工智能模型的输出结果与预期输出之间的误差已经达到了局部最小值,则对人工智能模型的训练过程完成。
在完成对人工智能模型的训练之后,人工智能模型具有了对素材数据进行接收和处理,从而输出相应的三维模型模板的编号以及调整参数(或其编号)的能力。根据三维模型模板的编号,可以从数据库中读取出三维模型模板;根据调整参数,可以对读取出的三维模型模板进行调整,从而得到虚拟仿真人作为最终结果,这等价于由人工智能模板直接输出了虚拟仿真人。
本实施例中,所使用的卷积神经网络,即人工智能模型包含卷积层、隐含层和连接层等不同的层,每层都包含一定数量的神经元。对于每一层的神经元,分别与不同的用户或者数据库具有一一对应的关系;当有新用户进行注册时,服务器对卷积神经网络的规模进行扩充,即在每一层增加新的神经元,并建立这些神经元与新用户之间的对应关系;当有用户注销时,服务器对卷积神经网络的规模进行缩减,也就是将每一层上相应的神经元删除掉。
所述步骤P3,也就是将所述素材数据用作所述人工智能模型的输入,将相应所述标签用作所述人工智能模型的预期输出,对所述人工智能模型的参数进行调整这一步骤,具体包括:
P301.确定输入到所述人工智能模型的素材数据所来自的数据库;
P302.根据所确定的数据库,确定人工智能模型各层上对应的神经元,对其他神经元的输入和/或输出进行锁定;
P303.将所述素材数据用作神经元的输入,将相应所述标签用作神经元的预期输出,对所述神经元的参数进行调整,使得所述神经元的实际输出趋近于预期输出。
步骤P301-P303是将卷积神经网络各层上的神经元,以对应的对象为依据进行分组,并且使得不同组的神经元之间具有相对独立性,即由不同的神经元负责处理不同对象的素材数据。图1所示是卷积神经网络其中一层上的神经元的分工效果示意图,其中第一个虚线方框内的神经元负责对来自对象A的数据库的素材数据进行处理,第二个虚线方框内的神经元负责对来自对象B的数据库的素材数据进行处理,第三个虚线方框内的神经元负责对来自对象C的数据库的素材数据进行处理。
在对这些神经元进行训练时,也将这些神经元独立看待。步骤P301中,首先确定用于输入到人工智能模型的素材数据来自对应哪个对象,也就是来自哪个数据库,这样,在步骤P302中可以确定对哪些神经元进行训练。例如,所接收的素材数据来自对象A的数据库,则可以参照图2,将对象B和对象C对应的神经元的输入值锁定为0,或者参照图3,将对象B和对象C对应的神经元的输出值锁定为0,这相当于仅对人工智能模型中的部分神经元进行训练,可以避免用于处理对象B或对象C素材数据的神经元学习了对象A素材数据的特征,增强人工智能模型对不同对象个人风格的适应能力,将人工智能模型应用于虚拟仿真人生成时,容易区分不同的用户,所生成的虚拟仿真人也可以较好地分别体现出用户的特征,即使是对形象相似的用户所生成的虚拟仿真人也较易区分。
商户的服务器设定为允许外部设备访问。用户操作手机等计算机设备,与服务器建立连接,向服务器发出生成请求。参照图4,服务器执行以下步骤:
S1.获取对象发出的生成请求;
S2.从所述对象相应的数据库中获取素材数据;
S3.将所述素材数据输入到经过训练的人工智能模型中;
S4.获取所述人工智能模型输出的虚拟仿真人。
本实施例中,数据库中所存储的素材数据是从互联网上爬取得到的,因此素材数据的数量可以得到较好的保证;在爬取到的海量素材数据中,也较易筛选出质量较好的素材数据,因此人工智能模型所生成的虚拟仿真人具有好的仿真效果;另一方面,人工智能模型经过步骤P1-P4的训练,可以较好地区分不同的用户,尤其是形象相似的用户,避免出现针对不同的用户生成的虚拟仿真人高度相似或者相同的情况,这些优点在用户数量较多时更容易体现出来。
服务器还定时或不定时地执行对素材数据进行更新的步骤。以下步骤S5-S9是服务器执行的其中一种素材数据更新过程:
S5.获取对象的浏览记录;本步骤中对象是指单个对象,例如对象A;其浏览记录可以在经过授权之后从对象的计算机设备中读取得到;浏览记录可以网址、IP地址、关键词等形式存在;
S6.在预设的相关度范围内,确定与所述浏览记录相关的搜索参数;例如,当浏览记录为网址时,可以检测其所属的公司或集团,然后将该公司或集团设定为相关度范围内,将该公司或集团属下的其他网址确定为相关的搜索参数;当浏览记录为IP地址时,可以对该IP地址所处的地域范围或者数值范围进行分析,然后设定一定的偏差值作为相关度范围,将该IP地址叠加偏差值之后得到的IP地址确定为相关的搜索参数;当浏览记录为关键词时,可以对该关键词进行语义分析,然后设定一定的语义相关度范围,将获得的近义词确定为相关的搜索参数;
S7.根据所述搜索参数,在互联网上进行搜索和爬取;
S8.对爬取得到的数据进行筛选,获得素材数据;
S9.将所述素材数据存储到与所述对象相应的数据库中。
上述步骤S5-S9是针对单个对象的数据库的素材数据更新过程,通过分析单个对象的浏览记录,由于浏览记录中包含了对象的个人偏好以及个性风格等信息,由此扩展得到的搜索参数也包含了对象的个人偏好以及个性风格等信息,根据这样的搜索参数,既扩大的搜索范围,又保留了对象的个性信息,从而获得更多的同类型的素材数据。
针对不同的对象分别执行步骤S5-S9,可以分别为他们更新素材数据。
以下步骤S10-S12是服务器执行的另一种素材数据更新过程:
S10.获取对象的多个浏览记录;本步骤中的对象是单个对象,例如对象A,将其多个浏览记录以时间排列;
S11.确定各所述浏览记录之间的相关度变化趋势;通过语义分析等手段,可以将浏览记录量化,从而确定相邻的两个浏览记录之间的相关度;每两个相邻的两个浏览记录可以确定一个相关度,整个浏览记录时间序列可以确定一个相关度时间序列,可以根据该时间相关度序列进一步确定相关度变化趋势;相关度变化趋势可以反映出对象个人偏好以及个性风格的变化;
S12.当所述相关度变化趋势超出预设的阈值,将靠前的浏览记录所对应的素材数据从该对象的数据库中删除;如果相关度变化趋势超出预设的阈值,表明对象个人偏好以及个性风格发生较大变化,因此在时间序列上靠前的浏览记录所反映出来的个人偏好以及个性风格一般已不适用于当前,因此将靠前的浏览记录所对应的素材数据(步骤S5-S9中,素材数据是根据搜索参数爬取到的,而搜索参数与浏览记录具有对应关系,因此素材数据与浏览记录也有对应关系)删除,这使得人工智能模型所接收到的素材数据都是较新的,所输出的虚拟仿真人的风格更接近对象当前的情况。
服务器还可以执行以下步骤:
S13.获取多个对象的浏览记录;例如,服务器可以获取对象A的浏览记录、对象B的浏览记录以及对象C的浏览记录;
S14.当存在至少两个对象的浏览记录之间的相关度超过预设的阈值,将这些浏览记录所对应的素材数据,在这些对象的数据库之间共享;分别确定对象A的浏览记录与对象B的浏览记录之间的相关度、对象A的浏览记录与对象C的浏览记录之间的相关度、对象B的浏览记录与对象C的浏览记录之间的相关度;如果对象A的浏览记录与对象B的浏览记录之间的相关度大于预设的阈值,那么表明对象A与对象B个人偏好以及个性风格具有较大的相似性,这样,用于对人工智能模型中对象A和对象B对应神经元进行训练的素材数据,以及用于供人工智能模型进行处理从而输出虚拟仿真人的素材数据可以是相同的,因此,将对象A的浏览记录所对应的素材数据复制到对象B的数据库,将对象B的浏览记录所对应的素材数据复制到对象A的数据库,从而实现素材数据的共享。通过共享素材数据,可以扩展数据库中素材数据的数量和多样性,同时保持所生成的虚拟仿真人所反映出的个人偏好以及个性风格稳定。
本实施例中,虚拟仿真人的生成系统由第一模块、第二模块、第三模块和第四模块组成,其中:
第一模块用于获取对象发出的生成请求;
第二模块用于从所述对象相应的数据库中获取素材数据;所述数据库中的素材数据从互联网上爬取得到;
第三模块用于将所述素材数据输入到经过训练的人工智能模型中;
第四模块用于获取所述人工智能模型输出的虚拟仿真人。
所述第一模块、第二模块、第三模块和第四模块可以是具有相应功能的软件模块、硬件模块或者软件模块和硬件模块的组合。
本实施例中,一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中所述的虚拟仿真人的生成方法,实现与实施例中所述的相同的技术效果。
本实施例中,一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行实施例中所述的虚拟仿真人的生成方法,实现与实施例中所述的相同的技术效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种虚拟仿真人的生成方法,其特征在于,包括以下步骤:
获取对象发出的生成请求;
从所述对象相应的数据库中获取素材数据;所述数据库中的素材数据从互联网上爬取得到;
将所述素材数据输入到经过训练的人工智能模型中;
获取所述人工智能模型输出的虚拟仿真人。
2.根据权利要求1所述的方法,其特征在于,所述素材数据的更新过程包括:
获取对象的浏览记录;
在预设的相关度范围内,确定与所述浏览记录相关的搜索参数;
根据所述搜索参数,在互联网上进行搜索和爬取;
对爬取得到的数据进行筛选,获得素材数据;
将所述素材数据存储到与所述对象相应的数据库中。
3.根据权利要求2所述的方法,其特征在于,所述素材数据的更新过程还包括:
获取对象的多个浏览记录;
确定各所述浏览记录之间的相关度变化趋势;
当所述相关度变化趋势超出预设的阈值,将靠前的浏览记录所对应的素材数据从该对象的数据库中删除。
4.根据权利要求1所述的方法,其特征在于,还包括以下步骤:
获取多个对象的浏览记录;
当存在至少两个对象的浏览记录之间的相关度超过预设的阈值,将这些浏览记录所对应的素材数据,在这些对象的数据库之间共享。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述人工智能模型的训练过程包括:从所有对象的数据库中获取素材数据;
确定素材数据的标签;所述标签与预先建好的三维模型模板和调整参数有对应关系,所述调整参数用于指示对相应的三维模型模板进行调整;
将所述素材数据用作所述人工智能模型的输入,将相应所述标签用作所述人工智能模型的预期输出,对所述人工智能模型的参数进行调整;
当所述人工智能模型的参数收敛时结束训练过程。
6.根据权利要求5所述的方法,其特征在于,所述人工智能模型采用神经网络训练。
7.根据权利要求6所述的方法,其特征在于,所述人工智能模型各层上的神经元分别与各数据库对应;所述将所述素材数据用作所述人工智能模型的输入,将相应所述标签用作所述人工智能模型的预期输出,对所述人工智能模型的参数进行调整这一步骤,具体包括:
确定输入到所述人工智能模型的素材数据所来自的数据库;
根据所确定的数据库,确定人工智能模型各层上对应的神经元,对其他神经元的输入和/或输出进行锁定;
将所述素材数据用作神经元的输入,将相应所述标签用作神经元的预期输出,对所述神经元的参数进行调整,使得所述神经元的实际输出趋近于预期输出。
8.一种虚拟仿真人的生成系统,其特征在于,包括:
第一模块,用于获取对象发出的生成请求;
第二模块,用于从所述对象相应的数据库中获取素材数据;所述数据库中的素材数据从互联网上爬取得到;
第三模块,用于将所述素材数据输入到经过训练的人工智能模型中;
第四模块,用于获取所述人工智能模型输出的虚拟仿真人。
9.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-7任一项所述方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371709.8A CN111696180A (zh) | 2020-05-06 | 2020-05-06 | 一种虚拟仿真人的生成方法、系统、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010371709.8A CN111696180A (zh) | 2020-05-06 | 2020-05-06 | 一种虚拟仿真人的生成方法、系统、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111696180A true CN111696180A (zh) | 2020-09-22 |
Family
ID=72476945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010371709.8A Pending CN111696180A (zh) | 2020-05-06 | 2020-05-06 | 一种虚拟仿真人的生成方法、系统、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696180A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456529A (zh) * | 2022-09-13 | 2022-12-09 | 上海数禾信息科技有限公司 | 素材库存预警方法、系统和计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510437A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、设备以及可读存储介质 |
US20190122093A1 (en) * | 2016-06-16 | 2019-04-25 | Alt Inc. | Artificial intelligence system for supporting communication |
CN110245638A (zh) * | 2019-06-20 | 2019-09-17 | 北京百度网讯科技有限公司 | 视频生成方法和装置 |
CN110362666A (zh) * | 2019-07-09 | 2019-10-22 | 邬欣霖 | 应用虚拟人物的交互处理方法、装置、存储介质和设备 |
CN110674398A (zh) * | 2019-09-05 | 2020-01-10 | 深圳追一科技有限公司 | 虚拟人物形象交互方法、装置、终端设备及存储介质 |
-
2020
- 2020-05-06 CN CN202010371709.8A patent/CN111696180A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190122093A1 (en) * | 2016-06-16 | 2019-04-25 | Alt Inc. | Artificial intelligence system for supporting communication |
CN108510437A (zh) * | 2018-04-04 | 2018-09-07 | 科大讯飞股份有限公司 | 一种虚拟形象生成方法、装置、设备以及可读存储介质 |
CN110245638A (zh) * | 2019-06-20 | 2019-09-17 | 北京百度网讯科技有限公司 | 视频生成方法和装置 |
CN110362666A (zh) * | 2019-07-09 | 2019-10-22 | 邬欣霖 | 应用虚拟人物的交互处理方法、装置、存储介质和设备 |
CN110674398A (zh) * | 2019-09-05 | 2020-01-10 | 深圳追一科技有限公司 | 虚拟人物形象交互方法、装置、终端设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456529A (zh) * | 2022-09-13 | 2022-12-09 | 上海数禾信息科技有限公司 | 素材库存预警方法、系统和计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11210111B2 (en) | Automatic user interface architecture | |
US10761818B2 (en) | Automatic identification of types of user interface components | |
US10928982B2 (en) | Automatic grouping of user interface elements into components | |
US10949174B2 (en) | Automatic classification of user interface elements | |
US20200134310A1 (en) | Duplicate User Interface Design Identification | |
CN114936301B (zh) | 智能家居建材数据的管理方法、装置、设备及存储介质 | |
CN109272003A (zh) | 一种消除深度学习模型中未知错误的方法与装置 | |
JP2019082874A (ja) | 設計支援装置及び設計支援システム | |
WO2022076797A1 (en) | Computer architecture for generating footwear digital asset | |
CN112116589A (zh) | 虚拟形象的评测方法、装置、设备及计算机可读存储介质 | |
CN113434722B (zh) | 图像分类方法、装置、设备及计算机可读存储介质 | |
CN111696180A (zh) | 一种虚拟仿真人的生成方法、系统、装置和存储介质 | |
CN116610304B (zh) | 页面代码生成方法、装置、设备和存储介质 | |
EP4064038B1 (en) | Automated generation and integration of an optimized regular expression | |
CN114491093B (zh) | 多媒体资源推荐、对象表征网络的生成方法及装置 | |
CN115033700A (zh) | 基于相互学习网络的跨领域情感分析方法、装置以及设备 | |
RU2718362C1 (ru) | Система автоматизированного виртуального проектирования изделия одежды для пользователей и способ ее осуществления | |
US11429662B2 (en) | Material search system for visual, structural, and semantic search using machine learning | |
CN114581177A (zh) | 产品推荐方法、装置、设备及存储介质 | |
CN113506099A (zh) | 申报业务的配置系统、方法、计算机设备和存储介质 | |
CN112102304A (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN111696179A (zh) | 卡通三维模型和虚拟仿真人的生成方法、装置和存储介质 | |
US20220180153A1 (en) | Method and device for generating a computer-readable model for a technical system | |
US20240193918A1 (en) | Techniques for automated component classification | |
KR20240053911A (ko) | 소스코드 자동 생성 시스템 기반의 인공지능 협업 시스템 및 서비스 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200922 |