CN113593047B - 动作序列迁移的方法、装置及电子设备 - Google Patents
动作序列迁移的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113593047B CN113593047B CN202110719744.9A CN202110719744A CN113593047B CN 113593047 B CN113593047 B CN 113593047B CN 202110719744 A CN202110719744 A CN 202110719744A CN 113593047 B CN113593047 B CN 113593047B
- Authority
- CN
- China
- Prior art keywords
- action sequence
- skeleton
- model
- target
- fully
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开公开了一种动作序列迁移的方法、装置及电子设备,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,具体可用于虚拟人和3D视觉场景下。具体实现方案为:根据源骨架获取第一模型,并根据目标骨架获取第二模型;将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列;根据所述源骨架动作序列、所述第一模型、所述目标骨架动作序列和所述第二模型训练所述全连接网络,获取优化全连接网络。本公开实施例可以根据源骨架的源骨架动作序列获取目标骨架对应的动作序列。本公开实施例可以实现动作序列的迁移,提高了骨架的利用率,增加了动作序列数据的利用价值。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉和深度学习技术,具体可用于虚拟人和3D视觉场景下,尤其涉及一种动作序列迁移的方法、装置及电子设备。
背景技术
随着虚拟现实(Virtual Reality,VR)技术的发展,通过三维建模并驱动模型来拍摄影像的技术得到广泛应用。驱动一个绑定好的三维人体模型,需要相对应骨架的动作序列。所述动作序列通常包含所述骨架中每个骨骼关节点的旋转角。动作序列通常由设计师手动设计,或者通过动作捕捉设备获取。这样做成本较高,且耗费大量时间,效率较低。
目前缺乏用其他骨架驱动三维模型重现现有骨架的动作序列对应动作的技术。
发明内容
本公开提供了一种动作序列迁移的方法、装置、电子设备以及存储介质。
根据本公开的第一方面,提供了一种动作序列迁移的方法,包括:
根据源骨架获取第一模型,并根据目标骨架获取第二模型;
将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列;
根据所述源骨架动作序列、所述第一模型、所述目标骨架动作序列和所述第二模型训练所述全连接网络,获取优化全连接网络。
可选地,所述根据源骨架获取第一模型,并根据目标骨架获取第二模型,包括:
将所述源骨架与目标模型绑定,以获取所述第一模型;
将所述目标骨架与所述目标模型绑定,以获取所述第二模型。
可选地,所述动作序列中包含所述骨架中各关节点的旋转角。
可选地,所述将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,包括:
根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
可选地,所述根据所述源骨架动作序列、所述第一模型、所述目标骨架动作序列和所述第二模型训练所述全连接网络,包括:
根据所述源骨架动作序列获取第一模型的网格表面;
根据目标骨架的动作序列获取第二模型的网格表面;
根据所述第一模型网格表面和所述第二模型的网格表面训练所述全连接网络。
可选地,所述根据所述第一模型网格表面和所述第二模型的网格表面训练所述全连接网络,包括:
计算各个所述第二模型网格表面与对应的所述第一模型网格表面之间的倒角距离;
以所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
根据本公开的第二方面,提供了一种动作序列迁移的方法,包括:
获取如第一方面所述的优化全连接网络;
将源骨架动作序列输入所述全连接网络,获取目标骨架动作序列。
根据本公开的第三方面,提供了一种动作序列迁移的装置,包括:
嵌合模块,用于根据源骨架获取第一模型,并根据目标骨架获取第二模型;
动作序列迁移模块,用于将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列;
网络优化模块,用于根据所述源骨架动作序列、所述第一模型、所述目标骨架动作序列和所述第二模型训练所述全连接网络,获取优化全连接网络。
可选地,所述嵌合模块,包括:
源骨架嵌合子模块,用于将所述源骨架与目标模型绑定,以获取所述第一模型;
目标骨架嵌合子模块,用于将所述目标骨架与所述目标模型绑定,以获取所述第二模型。
可选地,所述动作序列中包含所述骨架中各关节点的旋转角。
可选地,所述动作序列迁移模块,包括:
动作序列迁移子模块,用于根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
可选地,所述网络优化模块,包括:
第一网格表面获取子模块,用于根据所述源骨架动作序列获取第一模型的网格表面;
第二网格表面获取子模块,用于根据目标骨架的动作序列获取第二模型的网格表面;
网络训练子模块,用于根据所述第一模型网格表面和所述第二模型的网格表面训练所述全连接网络。
可选地,所述网络训练子模块,包括:
距离计算单元,用于计算各个所述第二模型网格表面与对应的所述第一模型网格表面之间的倒角距离;
网络优化单元,用于以所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
根据本公开的第四方面,提供了一种动作序列迁移的装置,包括:
网络获取模块,用于获取如第三方面所述的优化全连接网络;
动作序列迁移模块,用于将源骨架动作序列输入所述全连接网络,获取目标骨架动作序列。
根据本公开的第五方面,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所述第一方面中任一项所述的方法。
根据本公开的第六方面,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所述第二方面中任一项所述的方法。
根据本公开的第七方面,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所述第一方面中任一项所述的方法。
根据本公开的第八方面,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所述第二方面中任一项所述的方法。
根据本公开的第九方面,提供了计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据所述第一方面中任一项所述的方法。
根据本公开的第十方面,提供了计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据所述第二方面中任一项所述的方法。
本公开具有以下有益效果:
通过源骨架的动作序列训练所述全连接网络,利用所述优化全连接网络可以将源骨架的动作序列迁移到所述目标骨架上,提高了骨架的利用率,增加了动作序列数据的利用价值。
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提供的一种动作序列迁移方法的流程示意图;
图2是根据本公开实施例提供的一种动作序列迁移方法的流程示意图;
图3是根据本公开实施例提供的一种动作序列迁移方法的流程示意图;
图4是根据本公开实施例提供的一种动作序列迁移方法的流程示意图;
图5是根据本公开实施例提供的一种动作序列迁移方法的流程示意图;
图6是根据本公开实施例提供的一种动作序列迁移装置的结构示意图;
图7是根据本公开实施例提供的一种动作序列迁移装置的结构示意图;
图8是根据本公开实施例提供的一种动作序列迁移装置的结构示意图;
图9是根据本公开实施例提供的一种动作序列迁移装置的结构示意图;
图10是根据本公开实施例提供的一种动作序列迁移装置的结构示意图;
图11是根据本公开实施例提供的一种动作序列迁移装置的结构示意图;
图12是用来实现本公开实施例的动作序列迁移的方法的电子设备的框图。
图13是所述倒角距离的计算公式。
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。
随着虚拟现实(Virtual Reality,VR)技术的发展,通过三维建模并驱动模型来拍摄影像的技术得到广泛应用。驱动一个绑定好的三维人体模型,需要相对应骨架的动作序列。所述动作序列通常包含所述骨架中每个骨骼关节点的旋转角。动作序列通常由设计师手动设计,或者通过动作捕捉设备获取。这样做成本较高,且耗费大量时间,效率较低。目前缺乏用其他骨架驱动三维模型重现现有骨架的动作序列对应动作的技术。
驱动一个绑定好的3D人体模型,需要相对应的动作序列。动作序列通常是每个骨骼关节点的旋转角。动作序列通常由艺术家们手动设计,或者通过动作捕捉设备获取。不同形式的人体骨架有不同的骨骼数目和位置定义,所述人体骨架对应有不同的动作序列。从网上得到的人体动作序列通常是根据一种特定的人体骨架而设计,无法被直接应用到另一种骨架形式上。
本公开提出一种算法,可用于自动将输入的人体动作序列迁移到不同定义的人体骨架上。该方法可以将获得的人体动作序列应用到含有不同定义的骨骼的人体模型中。该发明可用于虚拟人,人体驱动,增强现实,混合现实等场景。
假设一动作序列是为了源人体骨架A设计的,即该动作序列含有骨架A上每个关节点的旋转角,现在想把该动作序列应用到目标骨架B上。
一类方法是先找出骨架A和骨架B中语义相似的关节点的,然后直接将骨架A上这些关节点的旋转角的值赋到骨架B相对应的关节点上。显然这种方法得到的动作序列驱动三维模型做出的动作和骨架A动作序列驱动做出的动作差别很大。
另一类方法是寻找从骨架A关节点旋转角到骨架B关节点旋转角的映射关系。之前的方法通常需要骨架A和骨架B的多组动作序列用于估计该映射关系,耗费时间较长、且得出的映射关系效果较差。
本共开只需要骨架A的动作序列,不需要目标骨架B的动作序列,就可以估计出从A到B的映射关系。
图1是根据本公开实施例提供的一种动作序列迁移方法的流程示意图,所述动作序列迁移方法具体可用于虚拟人和3D视觉场景下,如图1所示,所述动作序列迁移方法包括:
步骤101,根据源骨架获取第一模型,并根据目标骨架获取第二模型;
所述源骨架包含若干个骨骼和关节点,所述骨骼由所述关节点连接,由于所述源骨架为三维立体的,所以要想确定骨骼的姿态需要获取各个骨骼的关节点对应3个旋转角,所述旋转角为所述骨骼与三维直角坐标系的三个坐标轴之间的夹角。
根据骨架驱动三维模型需要将所述骨架与所述三维模型绑定,所述绑定方法是公知且多样的,本公开不对绑定方法进行限制。将源骨架与三维模型绑定即可获取第一模型,将目标骨架与三维模型绑定即可获取第二模型。
步骤102,将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列;
所述动作序列中包含多组所述源骨架的旋转角,每一组旋转角中包含所述源骨架中所有关节点对应的旋转角,一组旋转角对应一帧中的动作。由于所述源骨架的定义和所述目标骨架的定义不同,所以所述源骨架动作序列不适于驱动所述目标骨架。本公开利用全连接网络获取源骨架动作序列与目标骨架动作序列之间的关系,并根据所述源骨架动作序列获取所述目标骨架动作序列。
步骤103,根据所述源骨架动作序列、所述第一模型、所述目标骨架动作序列和所述第二模型训练所述全连接网络,获取优化全连接网络。
本公开利用全连接网络获取源骨架动作序列与目标骨架动作序列之间的关系,并根据所述源骨架动作序列获取所述目标骨架动作序列。具体来说是根据全连接网络各神经元之间的权值来获取所述目标骨架动作序列,在构建所述全连接网络时,存在初始权值,为了让全连接网络满足我们的需求,需要根据数据训练所述全连接网络,也即训练所述权值。
图2是根据本公开实施例提供的一种动作序列迁移方法的流程示意图,所述动作序列迁移方法具体可用于虚拟人和3D视觉场景下。如图2所示,所述动作序列迁移方法包括:
步骤201,将所述源骨架与目标模型绑定,以获取所述第一模型;
本步骤实现将源骨架与目标模型绑定,获取的第一模型用于后续全连接网络的训练。所述目标模型为三维模型。
步骤202,将所述目标骨架与所述目标模型绑定,以获取所述第二模型。
本步骤实现将目标骨架与目标模型绑定,获取的第二模型用于后续全连接网络的训练。所述目标模型为三维模型。
可选地,所述动作序列中包含所述骨架中各关节点的旋转角。
由于所述源骨架为三维立体的,所以要想确定骨骼的姿态需要获取各个骨骼的关节点对应3个旋转角,所述旋转角为所述骨骼与三维直角坐标系的三个坐标轴之间的夹角。
可选地,所述将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,包括:
根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
全连接网络包括输入层、输出层和隐含层。所述输入层、输出层和隐含层均包含一定数量的神经元,可以调整所述全连接网络中各层的神经元数量,来适应不同的任务。
在一种可能的实施方式中,所述源骨架动作序列中每个组中包含16×3个旋转角,即所述源骨架包含16个关节点;所述目标骨架包含17个关节点,即所述目标骨架动作序列中每个组包含17×3个旋转角。则所述全连接网络的输入层有16×3个输入端,所述全连接网络的输出层有17×3个输出端。
图3是根据本公开实施例提供的一种动作序列迁移方法的流程示意图,所述动作序列迁移方法具体可用于虚拟人和3D视觉场景下。如图3所示,所述动作序列迁移方法包括:
步骤301,根据所述源骨架动作序列获取第一模型的网格表面;
所述目标模型、第一模型、第二模型的体表呈网格状,为了训练所述全连接网络神经元之间的连接权重,本公开需要获取所述网格表面的位置。
步骤302,根据目标骨架的动作序列获取第二模型的网格表面;
步骤303,根据所述第一模型网格表面和所述第二模型的网格表面训练所述全连接网络。
为了使所述第二模型在目标骨架动作序列驱动下做的动作与所述第一模型在所述源骨架动作序列的驱动下做的动作较为接近,本公开设计了利用所述网格表面来训练所述全连接网络的方法。所述第一模型与所述第二模型网格表面是一一对应的,对应的网格表面之间的倒角距离越小,那么久说明第二模型做的动作就与所述第一模型做的动作越接近。3D空间的倒角距离主要用于点云重建或者3D重建工作。其计算公式如图13。式中,所述S1、S2分别为所述第一模型网格表面和所述第二模型中对应网格表面的点云,x为所述S1中的点,y为所述S2中的点。位于等号右边、加号左边的项表示所述第一模型网格表面中任意一点x到所述第二模型网格表面上点的最小距离之和,加号右边的项表示所述第二模型网格表面中任意一点y到所述第一模型网格表面上点的最小距离之和。dCD(S1,S2)为所述倒角距离。
图4是根据本公开实施例提供的一种动作序列迁移方法的流程示意图,所述动作序列迁移方法具体可用于虚拟人和3D视觉场景下,如图4所示,所述动作序列迁移方法包括:
步骤401,计算各个所述第二模型网格表面与对应的所述第一模型网格表面之间的倒角距离;
3D空间的倒角距离主要用于点云重建或者3D重建工作,所述倒角距离的计算公式如图13,式中,所述S1、S2分别为所述第一模型网格表面和所述第二模型网格表面的点云,等号右边中,加号左边的项表示所述第一模型网格表面中任意一点x到所述第二模型网格表面上点的最小距离之和,加号右边的项表示所述第二模型网格表面中任意一点y到所述第一模型网格表面上点的最小距离之和。dCD(S1,S2)为所述倒角距离。
步骤402,以所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
本公开以所述倒角距离之和最小为目标,利用算法调整所述全连接网络中神经元之间连接的权重,经一段时间的训练后可以获得优化全连接接网络。这时我们得到的全连接网络是最符合我们需求的全连接网络,即所述第二模型网格表面与对应的所述第一模型网格表面之间的倒角距离最小。
图5是根据本公开实施例提供的一种动作序列迁移方法的流程示意图,所述动作序列迁移方法具体可用于虚拟人和3D视觉场景下。如图5所示,所述动作序列迁移方法包括:
步骤501,获取优化全连接网络;
根据所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
步骤502,将源骨架动作序列输入所述全连接网络,获取目标骨架动作序列。
本公开训练获取所述优化全连接网络后,实际应用中不需要所述目标模型,直接将所述源骨架动作序列输入所述优化全连接网络,通过网络的计算即可得到所述目标骨架的动作序列。实现动作序列从源骨架到所述目标骨架的迁移。
图6是根据本公开实施例提供的一种动作序列迁移装置的结构示意图,所述动作序列迁移装置具体可用于虚拟人和3D视觉场景下。如图6所示,所述动作序列迁移装置600包括:
嵌合模块610,用于根据源骨架获取第一模型,并根据目标骨架获取第二模型;
所述源骨架包含若干个骨骼和关节点,所述骨骼由所述关节点连接,由于所述源骨架为三维立体的,所以要想确定骨骼的姿态需要获取各个骨骼的关节点对应3个旋转角,所述旋转角为所述骨骼与三维直角坐标系的三个坐标轴之间的夹角。
根据骨架驱动三维模型需要将所述骨架与所述三维模型绑定,所述绑定方法是公知且多样的,本公开不对绑定方法进行限制。将源骨架与三维模型绑定即可获取第一模型,将目标骨架与三维模型绑定即可获取第二模型。
动作序列迁移模块620,用于将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列;
所述动作序列中包含多组所述源骨架的旋转角,每一组旋转角中包含所述源骨架中所有关节点对应的旋转角,一组旋转角对应一帧中的动作。由于所述源骨架的定义和所述目标骨架的定义不同,所以所述源骨架动作序列不适于驱动所述目标骨架。本公开利用全连接网络获取源骨架动作序列与目标骨架动作序列之间的关系,并根据所述源骨架动作序列获取所述目标骨架动作序列。
网络优化模块630,用于根据所述源骨架动作序列、所述第一模型、所述目标骨架动作序列和所述第二模型训练所述全连接网络,获取优化全连接网络。
本公开利用全连接网络获取源骨架动作序列与目标骨架动作序列之间的关系,并根据所述源骨架动作序列获取所述目标骨架动作序列。具体来说是根据全连接网络各神经元之间的权值来获取所述目标骨架动作序列,在构建所述全连接网络时,存在初始权值,为了让全连接网络满足我们的需求,需要根据数据训练所述全连接网络,也即训练所述权值。
图7是根据本公开实施例提供的一种动作序列迁移装置的结构示意图,所述动作序列迁移装置具体可用于虚拟人和3D视觉场景下。如图7所示,所述动作序列迁移装置700包括:
源骨架嵌合子模块710,用于将所述源骨架与目标模型绑定,以获取所述第一模型;
本模块实现将源骨架与目标模型绑定,获取的第一模型用于后续全连接网络的训练。所述目标模型为三维模型。
目标骨架嵌合子模块720,用于将所述目标骨架与所述目标模型绑定,以获取所述第二模型。
本单元实现将目标骨架与目标模型绑定,获取的第二模型用于后续全连接网络的训练。所述目标模型为三维模型。
可选地,所述动作序列中包含所述骨架中各关节点的旋转角。
可选地,所述动作序列迁移模块,包括:动作序列迁移子模块,用于根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
由于所述源骨架为三维立体的,所以要想确定骨骼的姿态需要获取各个骨骼的关节点对应3个旋转角,所述旋转角为所述骨骼与三维直角坐标系的三个坐标轴之间的夹角。
可选地,所述将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,包括:
根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
全连接网络包括输入层、输出层和隐含层。所述输入层、输出层和隐含层均包含一定数量的神经元,可以调整所述全连接网络中各层的神经元数量,来适应不同的任务。
在一种可能的实施方式中,所述源骨架动作序列中每个组中包含16×3个旋转角,即所述源骨架包含16个关节点;所述目标骨架包含17个关节点,即所述目标骨架动作序列中每个组包含17×3个旋转角。则所述全连接网络的输入层有16×3个输入端,所述全连接网络的输出层有17×3个输出端。
图8是根据本公开实施例提供的一种动作序列迁移装置的结构示意图。如图8所示,所述动作序列迁移装置800包括:
第一网格表面获取子模块810,用于根据所述源骨架动作序列获取第一模型的网格表面;
所述目标模型、第一模型、第二模型的体表呈网格状,为了训练所述全连接网络神经元之间的连接权重,本公开需要获取所述网格表面的位置。
第二网格表面获取子模块820,用于根据目标骨架的动作序列获取第二模型的网格表面;
网络训练子模块830,用于根据所述第一模型网格表面和所述第二模型的网格表面训练所述全连接网络。
为了使所述第二模型在目标骨架动作序列驱动下做的动作与所述第一模型在所述源骨架动作序列的驱动下做的动作较为接近,本公开设计了利用所述网格表面来训练所述全连接网络的方法。所述第一模型与所述第二模型网格表面是一一对应的,对应的网格表面之间的倒角距离越小,那么久说明第二模型做的动作就与所述第一模型做的动作越接近。3D空间的倒角距离主要用于点云重建或者3D重建工作。
图9是根据本公开实施例提供的一种动作序列迁移装置的结构示意图,所述动作序列迁移装置具体可用于虚拟人和3D视觉场景下。如图9所示,所述动作序列迁移装置900包括:
距离计算单元910,用于计算各个所述第二模型网格表面与对应的所述第一模型网格表面之间的倒角距离;
3D空间的倒角距离主要用于点云重建或者3D重建工作,所述倒角距离的计算公式如图13,式中,所述S1、S2分别为所述第一模型网格表面和所述第二模型网格表面的点云,等号右边中,加号左边的项表示所述第一模型网格表面中任意一点x到所述第二模型网格表面上点的最小距离之和,加号右边的项表示所述第二模型网格表面中任意一点y到所述第一模型网格表面上点的最小距离之和。dCD(S1,S2)为所述倒角距离。
网络优化单元920,用于以所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
本公开以所述倒角距离之和最小为目标,利用算法调整所述全连接网络中神经元之间连接的权重,经一段时间的训练后可以获得优化全连接接网络。这时我们得到的全连接网络是最符合我们需求的全连接网络,即所述第二模型网格表面与对应的所述第一模型网格表面之间的倒角距离最小。
图10是根据本公开实施例提供的一种动作序列迁移装置的结构示意图,所述动作序列迁移方法具体可用于虚拟人和3D视觉场景下。如图10所示,所述动作序列迁移装置1000包括:
网络获取模块1010,用于获取上述优化全连接网络;
根据所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
动作序列迁移模块1020,用于将源骨架动作序列输入所述全连接网络,获取目标骨架动作序列。
本公开训练获取所述优化全连接网络后,实际应用中不需要所述目标模型,直接将所述源骨架动作序列输入所述优化全连接网络,通过网络的计算即可得到所述目标骨架的动作序列。实现动作序列从源骨架到所述目标骨架的迁移。
图11是根据本公开实施例提供的一种动作序列迁移方法的流程示意图;
本方法包含以下步骤:将骨架A(源骨架)和骨架B(目标骨架)分别绑定到同一个人体模型上,得到两个绑定好的人体模型OA和OB,也即所述第一模型和所述第二模型。人体模型可以选用任意一个T-pose下的3D人体模型。绑定的方法可以是手动绑定或者是利用已有的自动绑定算法。
其中||W||2是网络权重的正则项,用来约束网络权重的大小。我们使用莱文伯格-马夸特方法(Levenberg-Marquardt algorithm)优化该目标函数。所述莱文伯格-马夸特方法可以非线性最小化(局部最小)的数值解,化后得到的是全连接网络的权重。
测试时,给定一段骨架A的动作序列MA,我们将其逐帧输入到全连接网络里得到骨架B的动作序列MB。这时候MB就可以被用来驱动带骨架B的人体模型。
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。
图12示出了可以用来实施本公开的实施例的示例电子设备1200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,个人数字处理、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12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200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1201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1201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1201执行上文所描述的各个方法和处理,例如动作序列迁移方法。例如,在一些实施例中,动作序列迁移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1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的动作序列迁移方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201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序列迁移方法。
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)、负载可编程逻辑设备(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)、互联网和区块链网络。
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(″VirtualPrivate 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 (10)
1.一种用于动作序列迁移的全连接网络的训练方法,包括:
将源骨架与目标模型绑定,以获取第一模型,所述目标模型为3D人体模型;
将目标骨架与所述目标模型绑定,以获取第二模型;
将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列,所述动作序列中包含所述骨架中各关节点的旋转角;
根据所述源骨架动作序列获取所述第一模型的网格表面;
根据目标骨架的动作序列获取所述第二模型的网格表面;
计算各个所述第二模型的网格表面与对应的所述第一模型网格的表面之间的倒角距离;
以所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
2.根据权利要求1所述的方法,其中,所述将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,包括:
根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
3.一种动作序列迁移的方法,包括:
获取如权利要求1-2任一项所述的优化全连接网络;
将源骨架动作序列输入所述优化全连接网络,获取目标骨架动作序列。
4.一种用于动作序列迁移的全连接网络的训练装置,包括:
嵌合模块,用于将源骨架与目标模型绑定,以获取第一模型,所述目标模型为3D人体模型;将目标骨架与所述目标模型绑定,以获取第二模型;
动作序列迁移模块,用于将源骨架动作序列输入全连接网络,并获取目标骨架动作序列,所述源骨架动作序列为所述源骨架的动作序列,所述动作序列中包含所述骨架中各关节点的旋转角;
网络优化模块,用于根据所述源骨架动作序列获取所述第一模型的网格表面;根据目标骨架的动作序列获取所述第二模型的网格表面;计算各个所述第二模型的网格表面与对应的所述第一模型网格的表面之间的倒角距离;以所述倒角距离之和最小为目标训练所述全连接网络,并获取优化全连接网络。
5.根据权利要求4所述的装置,其中,所述动作序列迁移模块,包括:
动作序列迁移子模块,用于根据所述源骨架动作序列中所述旋转角和初始权重获取所述目标骨架动作序列中的所述旋转角,所述初始权重为所述全连接网络的权重。
6.一种动作序列迁移的装置,包括:
网络获取模块,用于获取如权利要求4-5任一项所述的优化全连接网络;
动作序列迁移模块,用于将源骨架动作序列输入所述优化全连接网络,获取目标骨架动作序列。
7.一种电子设备,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1-2中任一项所述的方法。
8.一种电子设备,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3所述的方法。
9.一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1-2中任一项所述的方法。
10.一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3所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719744.9A CN113593047B (zh) | 2021-06-28 | 2021-06-28 | 动作序列迁移的方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110719744.9A CN113593047B (zh) | 2021-06-28 | 2021-06-28 | 动作序列迁移的方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113593047A CN113593047A (zh) | 2021-11-02 |
CN113593047B true CN113593047B (zh) | 2023-06-23 |
Family
ID=78244926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110719744.9A Active CN113593047B (zh) | 2021-06-28 | 2021-06-28 | 动作序列迁移的方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113593047B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472092A (zh) * | 2018-11-13 | 2019-03-15 | 中国人民解放军国防科技大学 | 基于云计算的科研与工程数值仿真系统及方法 |
CN111862046A (zh) * | 2020-07-21 | 2020-10-30 | 江苏省人民医院(南京医科大学第一附属医院) | 一种心脏冠脉剪影中导管位置判别系统和方法 |
CN112435331A (zh) * | 2020-12-07 | 2021-03-02 | 上海眼控科技股份有限公司 | 模型训练方法、点云生成方法、装置、设备及存储介质 |
CN112861811A (zh) * | 2021-03-24 | 2021-05-28 | 北京百度网讯科技有限公司 | 目标识别方法、装置、设备、存储介质及雷达 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11601453B2 (en) * | 2019-10-31 | 2023-03-07 | Hewlett Packard Enterprise Development Lp | Methods and systems for establishing semantic equivalence in access sequences using sentence embeddings |
-
2021
- 2021-06-28 CN CN202110719744.9A patent/CN113593047B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472092A (zh) * | 2018-11-13 | 2019-03-15 | 中国人民解放军国防科技大学 | 基于云计算的科研与工程数值仿真系统及方法 |
CN111862046A (zh) * | 2020-07-21 | 2020-10-30 | 江苏省人民医院(南京医科大学第一附属医院) | 一种心脏冠脉剪影中导管位置判别系统和方法 |
CN112435331A (zh) * | 2020-12-07 | 2021-03-02 | 上海眼控科技股份有限公司 | 模型训练方法、点云生成方法、装置、设备及存储介质 |
CN112861811A (zh) * | 2021-03-24 | 2021-05-28 | 北京百度网讯科技有限公司 | 目标识别方法、装置、设备、存储介质及雷达 |
Non-Patent Citations (3)
Title |
---|
PointSkelCNN: Deep Learning-Based 3D Human Skeleton Extraction from Point Clouds;Hongxing Qin等;COMPUTER GRAPHICS forum;363-374 * |
基于单目摄像机的人脸表情迁移系统研究与实现;吴艺萌;中国优秀硕士学位论文全文数据库;全文 * |
基于均值骨架的网格变形复制;许秋儿;欧阳毅;张三元;张引;;浙江大学学报(工学版)(第04期);710-721 * |
Also Published As
Publication number | Publication date |
---|---|
CN113593047A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819971B (zh) | 虚拟形象的生成方法、装置、设备和介质 | |
CN113658309B (zh) | 三维重建方法、装置、设备以及存储介质 | |
CN112862933B (zh) | 用于优化模型的方法、装置、设备以及存储介质 | |
CN115049799B (zh) | 3d模型和虚拟形象的生成方法和装置 | |
CN115409933B (zh) | 多风格纹理贴图生成方法及其装置 | |
US10991154B1 (en) | Method for generating model of sculpture of face with high meticulous, computing device, and non-transitory storage medium | |
CN115131476A (zh) | 虚拟对象的骨骼绑定迁移方法、装置、设备及存储介质 | |
CN113870439A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN113409430A (zh) | 可驱动三维人物生成方法、装置、电子设备及存储介质 | |
CN112927328A (zh) | 表情迁移方法、装置、电子设备及存储介质 | |
CN112529097A (zh) | 样本图像生成方法、装置以及电子设备 | |
CN112562043B (zh) | 图像处理方法、装置和电子设备 | |
CN113593047B (zh) | 动作序列迁移的方法、装置及电子设备 | |
CN116342782A (zh) | 生成虚拟形象渲染模型的方法和装置 | |
CN115375847B (zh) | 材质恢复方法、三维模型的生成方法和模型的训练方法 | |
CN115775300A (zh) | 人体模型的重建方法、人体重建模型的训练方法及装置 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113379932B (zh) | 人体三维模型的生成方法和装置 | |
CN114581586A (zh) | 一种模型基底的生成方法、装置、电子设备及存储介质 | |
CN116129087A (zh) | 定位方法、视觉地图的生成方法及其装置 | |
EP4120202A1 (en) | Image processing method and apparatus, and electronic device | |
CN116310000B (zh) | 蒙皮数据生成方法、装置、电子设备及存储介质 | |
CN116524165B (zh) | 三维表情模型的迁移方法、装置、设备和存储介质 | |
CN116229583B (zh) | 驱动信息生成、驱动方法、装置、电子设备以及存储介质 | |
CN113610992B (zh) | 骨骼驱动系数确定方法、装置、电子设备及可读存储介质 |
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 |