CN114782284A - 动作数据修正方法、装置、设备及存储介质 - Google Patents
动作数据修正方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114782284A CN114782284A CN202210685192.9A CN202210685192A CN114782284A CN 114782284 A CN114782284 A CN 114782284A CN 202210685192 A CN202210685192 A CN 202210685192A CN 114782284 A CN114782284 A CN 114782284A
- Authority
- CN
- China
- Prior art keywords
- data
- current frame
- boundary
- role
- sub
- 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 45
- 238000012937 correction Methods 0.000 title claims abstract description 16
- 230000009471 action Effects 0.000 claims abstract description 47
- 230000000877 morphologic effect Effects 0.000 claims description 30
- 238000002715 modification method Methods 0.000 claims description 10
- 210000000988 bone and bone Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请适用于计算机技术领域,公开了动作数据修正方法、装置、设备及存储介质。本申请根据第一动作数据确定当前帧的角色边界数据,角色边界数据表示当前帧内角色边界的几何信息;在所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧。如此,本申请利用角色边界的几何信息简单方便地实现了动作数据的异常识别,并修正异常数据、保留正常数据,实现了对动作数据的修正。
Description
技术领域
本申请涉及计算机技术领域,具体涉及动作数据修正方法、装置、设备及存储介质。
背景技术
随着计算机软硬件技术的飞速发展和动画制作要求的提高,运动捕捉技术发展成为了一种新兴的动画制作方式。
现有应用运动捕捉技术制作角色动画时,先采集演员动作的原始动作数据,再在原始数据的基础上进行处理,并构建角色3D模型。对3D模型进行后处理优化后,再根据后处理优化后的数据生成驱动模型,并蒙皮操作,从而完成运动捕捉技术的整个流程。
后处理优化步骤中除了对动作数据进行滤波平滑外,还需要进行异常识别等操作,该步骤是影响动画输出是否准确的关键步骤,然而,现有技术中的异常识别操作流程复杂、计算量大。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种动作数据修正方法、装置、设备及存储介质,用于解决动捕技术中动作存在异常、漂移滑步等问题的至少之一。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
一方面,本申请实施例公开一种动作数据修正方法,包括:获取第一动作数据,所述第一动作数据包括骨骼的三维空间位置信息;
根据所述第一动作数据确定当前帧的角色边界数据,所述角色边界数据表示当前帧内角色边界的几何信息;
当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
另外,根据本申请上述实施例的一种动作数据修正方法,还可以具有以下附加的技术特征:
进一步地,所述角色边界数据包括至少一个角色边界子数据,所述预设范围包括至少一个预设子范围,所述角色边界子数据和所述预设子范围一一对应;
所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳,包括:
当所有所述角色边界子数据均在其对应的预设子范围内时,保留当前帧;当任何一个所述角色边界子数据不在其对应的预设子范围时,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的所有角色边界子数据在其对应的预设子范围内且时间戳小于所述当前帧的时间戳。
进一步地,在本申请的一个实施例中,所述角色边界数据包括第一角色边界子数据,所述第一角色边界子数据为第一面积比值,所述预设范围包括第一预设子范围,所述第一预设子范围为大于第一比值阈值,所述第一角色边界子数据与所述第一预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的面积,
计算所述角色边界框的面积和所述当前帧的总图像面积的比值作为第一面积比值。
进一步地,在本申请的一个实施例中,所述角色边界数据包括第二角色边界子数据,所述第二角色边界子数据为第二面积比值,所述预设范围包括第二预设子范围,所述第二预设子范围为大于第二比值阈值且小于第三比值阈值,所述第二角色边界子数据与所述第二预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的面积和当前帧的手边界框的面积,
计算所述手边界框的面积与所述角色边界框的面积的比值作为第二面积比值。
进一步地,在本申请的一个实施例中,所述角色边界数据包括第三角色边界子数据,所述第三角色边界子数据为形态比例,所述包括第三预设子范围,所述第三预设子范围为大于第一形态比例阈值且小于第二形态比例阈值,所述第三角色边界子数据与所述第三预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的第一形态尺寸和第二形态尺寸,
计算所述第一形态尺寸和所述第二形态尺寸的比值作为所述形态比例。
进一步地,在本申请的一个实施例中,所述角色边界数据包括第四角色边界子数据,所述第四角色边界子数据为距离比值,所述预设范围包括第四预设子范围,所述第四预设子范围为小于第一距离比值阈值,所述第四角色边界子数据与所述第四预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的关键点距离角色边界框的最小距离,
计算所述最小距离与所述角色边界框的形态尺寸的比值作为所述距离比值。
进一步地,在本申请的一个实施例中,所述方法还包括:
根据所述第一动作数据确定当前帧的角色的第一关键点位置数据和角色的第二关键点位置数据;
当所述第一关键点位置数据和所述第二关键点位置数据满足预设方位条件,则保留当前帧;当所述第一关键点位置数据和所述第二关键点位置数据不满足所述预设方位条件,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
进一步地,在本申请的一个实施例中,所述方法还包括:
获取所述第一动作数据的场景信息,
根据所述场景信息确定所述预设方位条件。
另一方面,本申请实施例还提供了一种动作数据修正装置,其特征在于,包括:
获取单元,用于获取第一动作数据,所述第一动作数据包括骨骼的三维空间位置信息;
处理单元,用于根据所述第一动作数据确定当前帧的角色边界数据,所述角色边界数据表示当前帧内角色边界的几何信息;当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
另一方面,本申请实施例提供了一种终端设备,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的动作数据修正方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,上述处理器可执行的程序在由处理器执行时用于实现上述的动作数据修正方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请实施例所公开的一种动作数据修正方法,根据第一动作数据确定当前帧的角色边界数据,角色边界数据表示当前帧内角色边界的几何信息;在所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧。如此,该方法利用角色边界的几何信息简单方便地实现了动作数据的异常识别,并修正异常数据、保留正常数据,实现了对动作数据的修正。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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他的附图。
图1为AI动捕技术实施的流程示意图;
图2为本申请实施例中提供的一种动作数据修正方法的流程示意图;
图3为本申请实施例中提供的一种动作数据修正装置的结构示意图;
图4为本申请实施例中提供的一种终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
随着计算机软硬件技术的飞速发展和动画制作要求的提高,运动捕捉技术发展成为了一种新兴的动画制作方式。
现有应用运动捕捉技术制作角色动画时,先采集演员人物相关动作的原始动作数据,再在原始数据的基础上进行处理,并构建人物3D模型。对3D模型进行后处理优化后生成驱动模型,并蒙皮操作,从而完成运动捕捉技术的整个流程。
图1为AI动捕技术实施的流程示意图,AI动捕技术的实现流程包括:
S100,获取目标视频,输入至动捕模型;
S101,对齐视频帧率及转码;
S102,拆解视频,提取目标视频帧,并进行数据增强和归一化等数据预处理操作;
S103,利用深度神经网络等模型,预测人物3D模型的相机外参、形状参数和姿态参数;
S104,建人物3D模型;
S105,获取人物顶点信息和3D关键点信息;
S106,后处理优化;
S107,利用动作驱动模型将关键点空间位置信息转换为旋转信息,生成BVH驱动模型;
S108,将BVH(“Biovision Hierarchy motion file”的缩写,生物视觉层次运动文件)动作模型导出为FBX动作模型(一种动画骨骼模型文件格式),并进一步和人物骨骼进行绑定,导出BIP骨骼模型(一种动画骨骼模型文件格式);
S109,BIP骨骼模型和人物皮肤骨骼模型进行顶点匹配,完成蒙皮操作。
在AI动捕技术中,后处理优化步骤中除了对动作数据进行滤波平滑外,还需要进行异常识别等操作,该步骤是影响动画输出是否准确流程的关键步骤,然而,现有技术中的异常识别操作流程复杂、计算量大。
为解决上述技术问题的至少之一,本申请实施例提出了一种动作数据的修正方法,在本申请实施例中,方法流程的执行主体为终端设备。该终端设备包括但不限于:服务器、云服务器、计算机、智能手机以及平板电脑等能够执行本申请公开的动作数据的修正方法的设备。图2示出了本申请第一实施例公开的修正方法的实现流程图,详述如下:
步骤S210中,获取第一动作数据,所述第一动作数据包括骨骼的三维空间位置信息。
步骤S220,根据所述第一动作数据确定当前帧的角色边界数据,所述角色边界数据表示当前帧内角色边界的几何信息;
步骤S230,当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
步骤S210中,获取了后处理优化步骤中的待修正的视频数据,即本实施例中的第一动作数据,该第一动作数据为骨骼动画数据,包括骨骼的3D空间位置数据。本实施例主要依据该位置数据进行数据修正。
在步骤S220中,几何信息是指体积、面积、尺寸等相关几何数据,以及相关几何数据之间的比值、比例等利用几个数据进行计算而获取的其他信息。
步骤S230描述了利用角色边界数据进行动作数据修正的具体步骤。角色边界数据具有一正常的预设范围,当当前帧角色边界数据位于该预设范围内时,说明动作数据未出现异常,或者说动作数据适合用于生成驱动模型,此时保留当前帧。如果当前帧的角色边界数据超出该预设范围,则说明动作数据出现异常,或者说动作数据不适合用于生成驱动模型,此时删除该当前帧,利用距离该当前帧最近的可靠帧代替当前帧。该实施例中的可靠帧的角色边界数据在预设范围内且时间戳小于当前帧。
可靠帧的查询方式可以采用如下方法:当前帧的角色边界数据超出预设范围,则查找该当前帧的前一帧,判断前一帧的角色边界数据是否在预设范围内。如果该前一帧的角色边界数据在该预设范围内,则利用该前一帧代替当前帧,即该前一帧为可靠帧。如果该前一帧的角色边界数据不在预设范围内,则继续判断该前一帧的前一帧的角色边界数据是否满足预设范围,类似地,直至找到角色边界数据在预设范围内的那一帧作为可靠帧,来代替当前帧。由此可见,可靠帧具有两个特点,一方面,其角色边界数据满足在预设范围内,另一方面,其时间戳信息距离当前帧最近且小于当前帧的时间戳信息。
在一些实施例中,所述角色边界数据包括至少一个角色边界子数据,所述预设范围包括至少一个预设子范围,所述角色边界子数据和所述预设子范围一一对应;
所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳,包括:
当所有所述角色边界子数据均在其对应的预设子范围内时,保留当前帧;当任何一个所述角色边界子数据不在其对应的预设子范围时,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的所有角色边界子数据在其对应的预设子范围内且时间戳小于所述当前帧的时间戳。
也就是说,可以针对多个角色边界子数据进行判断来确定当前帧是否出现异常。多个角色边界子数据及其对应的判断条件(是否在预设范围内)可以任意组合(任意个数组合、任意搭配组合)来构成对当前帧进行判断的总条件。
在一些实施例中,所述角色边界数据包括第一角色边界子数据,所述第一角色边界子数据为第一面积比值,所述预设范围包括第一预设子范围,所述第一预设子范围为大于第一比值阈值,所述第一角色边界子数据与所述第一预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的面积,
计算所述角色边界框的面积和所述当前帧的总图像面积的比值作为第一面积比值。
不考虑其他角色边界子数据和预设子范围的情况下,仅就上述第一角色边界子数据和对应的第一预设子范围来说,所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,包括:
当所述第一面积比值大于第一比值阈值,则保留当前帧;当所述第一面积比值小于等于第一比值阈值,则利用距离所述当前帧最近的可靠帧代替所述当前帧。
在该实施例中,角色边界数据为第一面积比值,该第一面积比值为角色边界框的面积和总图像面积的比值。
角色边界框是指包含完整角色的最小矩形框,比如,该角色为行人,则行人边界框表示包含完整行人的最小矩形框。比如,可采用FasterRCNN检测算法检测得到该最小矩形框,又或者利用从3D关键点坐标中提取的xy平面内的2D坐标的最小值(min)和最大值(max),并外扩20%得到角色边界框(比如,行人边界框)。
当当前帧的第一面积比值大于第一比值阈值,说明角色的尺寸合适,可以用于动作检测,因此可保留该当前帧。当当前帧的第一面积比值小于等于第一比值阈值,则说明角色在该当前帧的图像当中的占比过小,不利于动作检测,因此删除该当前帧,并寻找可靠帧来代替该当前帧。比如,当某一当前帧中的人物面积在整个图像中的占比小于等于1%,则删除该当前帧,需寻找该当前帧的可靠帧来代替该当前帧;当某一当前帧中的人物面积在整个图像中的占比大于1%时,则保留该当前帧。可以理解的是,此处的比值(1%)的具体数值仅为示例,并非限定,具体数值可根据实际应用场景来灵活设置。
在一些实施例中,所述方法还包括:所述角色边界数据包括第二角色边界子数据,所述第二角色边界子数据为第二面积比值,所述预设范围包括第二预设子范围,所述第二预设子范围为大于第二比值阈值且小于第三比值阈值,所述第二角色边界子数据与所述第二预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的面积和当前帧的手边界框的面积,
计算所述手边界框的面积与所述角色边界框的面积的比值作为第二面积比值。
不考虑其他角色边界子数据和预设子范围的情况下,仅就上述第二角色边界子数据和对应的第二预设子范围来说,所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,包括:
当所述第二面积比值大于第二比值阈值且小于第三比值阈值,则保留当前帧;当所述第二面积比值小于等于第二比值阈值或大于等于第三比值阈值,则利用距离所述当前帧最近的可靠帧代替所述当前帧。
在该实施例中,手边界框是指包含完整手部的最小矩形框;比如,可采用FasterRCNN算法检测得到。将手边界框的面积与角色边界框的面积的比值设置为第二面积比值,当当前帧的第二面积比值大于第二比值阈值且小于第三比值阈值,说明该帧数据正常,符合物理先验,可用于准确检测动作,保留当前帧。当当前帧的第二面积比值小于等于第二比值阈值、或大于等于第三比值阈值,则说明该帧数据异常,删除该当前帧,利用距离所述当前帧最近的可靠帧代替所述当前帧。
比如,第二面积比值小于等于0.5%或大于等于10%,则利用距离所述当前帧最近的可靠帧代替所述当前帧。可以理解的是,此处的比值(0.5%、10%)为经验值,其具体数值仅为示例,并非限定,具体数值可根据实际应用场景来灵活设置。
在一些实施例中,所述角色边界数据包括第三角色边界子数据,所述第三角色边界子数据为形态比例,所述包括第三预设子范围,所述第三预设子范围为大于第一形态比例阈值且小于第二形态比例阈值,所述第三角色边界子数据与所述第三预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的第一形态尺寸和第二形态尺寸,
计算所述第一形态尺寸和所述第二形态尺寸的比值作为所述形态比例。
不考虑其他角色边界子数据和预设子范围的情况下,仅就上述第三角色边界子数据和对应的第三预设子范围来说,所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,包括:
当所述形态比例大于第一形态比例阈值且小于第二形态比例阈值,则保留当前帧;当形态比例小于等于第一形态比例阈值或大于等于第二形态比例阈值,则利用距离所述当前帧最近的可靠帧代替所述当前帧。
在该实施例中,形态尺寸可以指角色边界的长、宽、高等一维尺寸。第一形态尺寸和第二形态尺寸为角色边界的不同维度的尺寸。计算第一形态尺寸和第二形态尺寸的比值作为形态比例。当形态比例大于第一形态比例阈值、且小于第二形态比例阈值,则说明当前帧并未出现异常,符合物理先验,保留当前帧。当形态比例小于等于第一形态比例阈值,或者大于等于第二形态比例阈值,则说明当前帧出现异常,删除当前帧,利用距离所述当前帧最近的可靠帧代替所述当前帧。
比如,角色边界框的宽度尺寸作为第一形态尺寸,角色边界框的高度尺寸作为第二形态尺寸,计算宽度尺寸和高度尺寸的比值获得该形态比例。比如,可先获取角色边界框,如前所述,通过采用FasterRCNN检测算法检测得到该最小矩形框,又或者利用从3D关键点坐标中提取的xy平面内的2D坐标的最小值(min)和最大值(max),并外扩20%得到角色边界框;然后该角色边界框(矩形框)的宽就表示角色左右多宽,矩形的高就表示角色上下多高。如果该形态比例大于0.1且小于10,则说明该当前帧未出现异常,保留该当前帧;如果该形态比例小于等于0.1、或者大于等于10,则说明该当前帧出现异常,删除该当前帧,用距离所述当前帧最近的可靠帧代替所述当前帧。可以理解的是,此处的比例阈值(0.1、10)的具体数值仅为示例,并非限定,具体数值可根据实际应用场景来灵活设置。
在一些实施例中,所述角色边界数据包括第四角色边界子数据,所述第四角色边界子数据为距离比值,所述预设范围包括第四预设子范围,所述第四预设子范围为小于第一距离比值阈值,所述第四角色边界子数据与所述第四预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的关键点距离角色边界框的最小距离,
计算所述最小距离与所述角色边界框的形态尺寸的比值作为所述距离比值。
不考虑其他角色边界子数据和预设子范围的情况下,仅就上述第四角色边界子数据和对应的第四预设子范围来说,所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,包括:
当所述距离比值小于第一距离比值阈值,则保留当前帧;当所述距离比值大于等于第一距离比值阈值,则利用距离所述当前帧最近的可靠帧代替所述当前帧。
计算该关键点距离角色边界框内的最小距离,将该最小距离与角色边界框的形态尺寸的比值作为距离比值。本实施例中的最小距离的计算过程可以采用如下过程来计算:获取当前帧内的所有关键点,计算每个关键点和角色边界框四边的距离,获取所有关键点的所有距离中的最小值。本实施例中的角色边界框的形态尺寸指边界框的宽度或者高度。当最小距离是关键点与角色边界框的上下边的距离,则对应的角色边界框的形态尺寸为角色边界框的高度尺寸;当最小距离是关键点与角色边界框的左右边的距离,则对应的角色边界框的形态尺寸为角色边界框的宽度尺寸。也就是说,该实施例中的角色边界框的形态尺寸指的是该角色边界框中与该最小距离平行的边框的尺寸。当距离比值小于第一距离比值阈值,则删说明该当前帧异常,除该当前帧,利用距离所述当前帧最近的可靠帧代替所述当前帧。当距离比值大于等于第一距离比值阈值,则说明该当前帧未出现异常,符合物理先验,保留当前帧。
比如,当距离比值大于等于0.3,则保留当前帧,否则删除当前帧,利用距离所述当前帧最近的可靠帧代替所述当前帧。可以理解的是,此处的比值阈值(0.3)的具体数值仅为示例,并非限定,具体数值可根据实际应用场景来灵活设置。
可选地,可采用FasterRCNN检测算法检测角色矩形框。检测出来的角色矩形框的四条边界距离所有角色关键点的距离的最小值即为最小距离,当该最小距离比角色矩形框的宽和高之和的0.3倍还大,即,最小距离与角色矩形框的比值大于0.3,就说明算法检测结果有较大误差,不符合物理先验,所以用可靠帧代替。
前述的第一至第四角色边界子数据可以自由组合搭配,搭配后形成不同的角色边界数据,比如,角色边界数据仅包括第一、或第二、或第三、或第四角色边界数据,比如,角色边界数据包括第一和第二角色边界数据、第一和第三角色边界数据,等等,再比如,角色边界数据包括第一、第二和第三边界数据,角色边界数据包括第一、第三和第四角色边界数据,等等,再比如,角色边界数据包括第一至第四个边界角色数据。可以理解的是,任何组合形式均可,此处不一一例举。当角色边界数据确定后,则需要其所包含的所有角色边界子数据均满足其对应的预设子范围,才能够保留当前帧,当任意一个不满足时,则需要寻找可靠帧来代替当前帧。可靠帧需要满足的条件为:其所有角色边界子数据在其对应的预设子范围内且时间戳小于所述当前帧的时间戳。
在一些实施例中,所述方法还包括:
根据所述第一动作数据确定当前帧的角色的第一关键点位置数据和角色的第二关键点位置数据;
当所述第一关键点位置数据和所述第二关键点位置数据满足预设方位条件,则保留当前帧;当所述第一关键点位置数据和所述第二关键点位置数据不满足所述预设方位条件,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
在本实施例中利用角色不同关键点的方位关系来进行异常识别。比如,正常角色在画像中应当是头部位于脚部的上方,如果头部位于脚步下方,则说明出现异常,需要删除当前帧,利用该当前帧的可靠帧来代替。如果头部位于脚步的上方,则说明未出现异常,可保留当前帧。
在一些实施例中,所述方法还包括:
获取所述第一动作数据的场景信息,
根据所述场景信息确定所述预设方位条件。
在该实施例中,需要首先做场景分析,获取所述第一动作数据的场景信息。此处的场景信息包括翻跟头、倒立、跑步、行走等体现动作数据中的动作状态的信息。该场景信息可以通过智能识别的方式获取,比如,通过神经网络等之人工智能模型进行识别;也可以简单地直接通过开发人员输入或者选择等操作来获取。比如,当场景信息为倒立时,则不适用头部位于脚部上方的预设方位条件,因此可根据场景信息来合理地设置预设方位条件。
在一些实施例中,所述方法还包括:
获取所述第一动作数据的场景信息,
根据所述场景信息确定所述预设范围。
在本实施例中,可根据特定的场景信息配置不同的预设范围,从而能够更加准确的识别出动作数据中的异常。
参照图3,本申请实施例还公开了一种动作数据修正装置,包括:
获取单元310,用于获取第一动作数据,所述第一动作数据包括骨骼的三维空间位置信息;
处理单元320,用于据所述第一动作数据确定当前帧的角色边界数据,所述角色边界数据表示当前帧内角色边界的几何信息;
当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
参照图4,本申请实施例还公开了一种终端设备,包括:
至少一个处理器410;
至少一个存储器420,用于存储至少一个程序;
当至少一个程序被至少一个处理器410执行,使得至少一个处理器410实现如图2所示的动作数据修正方法实施例。
本申请实施例还公开了一种计算机可读存储介质,其中存储有处理器可执行的程序,处理器可执行的程序在由处理器执行时用于实现如图2所示的动作数据修正方法实施例。
可以理解的是,如图2所示的动作数据修正方法实施例中的内容均适用于本计算机可读存储介质实施例中,本计算机可读存储介质实施例所具体实现的功能与如图2所示的动作数据修正方法实施例相同,并且达到的有益效果与如图2所示的动作数据修正方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备(可以是个人计算机,游戏服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于实施例,熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
在本说明书的描述中,参考术语“一个实施方式”、“另一实施方式”或“某些实施方式”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (11)
1.一种动作数据修正方法,其特征在于,包括:
获取第一动作数据,所述第一动作数据包括骨骼的三维空间位置信息;
根据所述第一动作数据确定当前帧的角色边界数据,所述角色边界数据表示当前帧内角色边界的几何信息;
当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
2.根据权利要求1所述的动作数据修正方法,其特征在于,所述角色边界数据包括至少一个角色边界子数据,所述预设范围包括至少一个预设子范围,所述角色边界子数据和所述预设子范围一一对应;
所述当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳,包括:
当所有所述角色边界子数据均在其对应的预设子范围内时,保留当前帧;当任何一个所述角色边界子数据不在其对应的预设子范围时,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的所有角色边界子数据在其对应的预设子范围内且时间戳小于所述当前帧的时间戳。
3.根据权利要求2所述的动作数据修正方法,其特征在于,所述角色边界数据包括第一角色边界子数据,所述第一角色边界子数据为第一面积比值,所述预设范围包括第一预设子范围,所述第一预设子范围为大于第一比值阈值,所述第一角色边界子数据与所述第一预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的面积,
计算所述角色边界框的面积和所述当前帧的总图像面积的比值作为第一面积比值。
4.根据权利要求2所述的动作数据修正方法,其特征在于,所述角色边界数据包括第二角色边界子数据,所述第二角色边界子数据为第二面积比值,所述预设范围包括第二预设子范围,所述第二预设子范围为大于第二比值阈值且小于第三比值阈值,所述第二角色边界子数据与所述第二预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的面积和当前帧的手边界框的面积,
计算所述手边界框的面积与所述角色边界框的面积的比值作为第二面积比值。
5.根据权利要求2所述的动作数据修正方法,其特征在于,所述角色边界数据包括第三角色边界子数据,所述第三角色边界子数据为形态比例,所述包括第三预设子范围,所述第三预设子范围为大于第一形态比例阈值且小于第二形态比例阈值,所述第三角色边界子数据与所述第三预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的角色边界框的第一形态尺寸和第二形态尺寸,
计算所述第一形态尺寸和所述第二形态尺寸的比值作为所述形态比例。
6.根据权利要求2所述的动作数据修正方法,其特征在于,所述角色边界数据包括第四角色边界子数据,所述第四角色边界子数据为距离比值,所述预设范围包括第四预设子范围,所述第四预设子范围为小于第一距离比值阈值,所述第四角色边界子数据与所述第四预设子范围对应;
所述根据所述第一动作数据确定当前帧的角色边界数据,包括:
根据所述第一动作数据确定当前帧的关键点距离角色边界框的最小距离,
计算所述最小距离与所述角色边界框的形态尺寸的比值作为所述距离比值。
7.根据权利要求1-6任一项所述的动作数据修正方法,其特征在于,所述方法还包括:
根据所述第一动作数据确定当前帧的角色的第一关键点位置数据和角色的第二关键点位置数据;
当所述第一关键点位置数据和所述第二关键点位置数据满足预设方位条件,则保留当前帧;当所述第一关键点位置数据和所述第二关键点位置数据不满足所述预设方位条件,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
8.根据权利要求7所述的动作数据修正方法,其特征在于,所述方法还包括:
获取所述第一动作数据的场景信息,
根据所述场景信息确定所述预设方位条件。
9.一种动作数据修正装置,其特征在于,包括:
获取单元,用于获取第一动作数据,所述第一动作数据包括骨骼的三维空间位置信息;
处理单元,用于根据所述第一动作数据确定当前帧的角色边界数据,所述角色边界数据表示当前帧内角色边界的几何信息;当所述角色边界数据在预设范围内,则保留当前帧;当所述角色边界数据不在所述预设范围内,则利用距离所述当前帧最近的可靠帧代替所述当前帧,所述可靠帧的角色边界数据在预设范围内且时间戳小于所述当前帧的时间戳。
10.一种终端设备,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-8中任一项所述的动作数据修正方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210685192.9A CN114782284B (zh) | 2022-06-17 | 2022-06-17 | 动作数据修正方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210685192.9A CN114782284B (zh) | 2022-06-17 | 2022-06-17 | 动作数据修正方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782284A true CN114782284A (zh) | 2022-07-22 |
CN114782284B CN114782284B (zh) | 2022-09-23 |
Family
ID=82420390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210685192.9A Active CN114782284B (zh) | 2022-06-17 | 2022-06-17 | 动作数据修正方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782284B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104658038A (zh) * | 2015-03-12 | 2015-05-27 | 南京梦宇三维技术有限公司 | 基于动作捕捉的三维数字内容智能制作方法及制作系统 |
CN104978731A (zh) * | 2014-04-10 | 2015-10-14 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105007532A (zh) * | 2015-06-30 | 2015-10-28 | 北京东方艾迪普科技发展有限公司 | 一种动画播放的方法和设备 |
CN106709464A (zh) * | 2016-12-29 | 2017-05-24 | 华中师范大学 | 一种土家织锦技艺肢体与手部动作采集和集成方法 |
CN106709400A (zh) * | 2015-11-12 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种感官张闭状态的识别方法、装置及客户端 |
CN107886560A (zh) * | 2017-11-09 | 2018-04-06 | 网易(杭州)网络有限公司 | 动画资源的处理方法及装置 |
CN111914523A (zh) * | 2020-08-19 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的多媒体处理方法、装置及电子设备 |
CN112637517A (zh) * | 2020-11-16 | 2021-04-09 | 北京字节跳动网络技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
WO2021098657A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 视频检测方法、装置、终端设备及可读存储介质 |
CN113688839A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、电子设备、计算机可读存储介质 |
CN113888598A (zh) * | 2021-10-18 | 2022-01-04 | 深圳追一科技有限公司 | 数字人视频的异常检测方法及相关装置 |
CN114331808A (zh) * | 2021-12-31 | 2022-04-12 | 米哈游科技(上海)有限公司 | 一种动作姿态存储方法、装置、介质及电子设备 |
CN114519804A (zh) * | 2022-02-16 | 2022-05-20 | 奥比中光科技集团股份有限公司 | 一种人体骨架标注方法、装置及电子设备 |
-
2022
- 2022-06-17 CN CN202210685192.9A patent/CN114782284B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978731A (zh) * | 2014-04-10 | 2015-10-14 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN104658038A (zh) * | 2015-03-12 | 2015-05-27 | 南京梦宇三维技术有限公司 | 基于动作捕捉的三维数字内容智能制作方法及制作系统 |
CN105007532A (zh) * | 2015-06-30 | 2015-10-28 | 北京东方艾迪普科技发展有限公司 | 一种动画播放的方法和设备 |
CN106709400A (zh) * | 2015-11-12 | 2017-05-24 | 阿里巴巴集团控股有限公司 | 一种感官张闭状态的识别方法、装置及客户端 |
CN106709464A (zh) * | 2016-12-29 | 2017-05-24 | 华中师范大学 | 一种土家织锦技艺肢体与手部动作采集和集成方法 |
CN107886560A (zh) * | 2017-11-09 | 2018-04-06 | 网易(杭州)网络有限公司 | 动画资源的处理方法及装置 |
WO2021098657A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 视频检测方法、装置、终端设备及可读存储介质 |
CN111914523A (zh) * | 2020-08-19 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 基于人工智能的多媒体处理方法、装置及电子设备 |
CN112637517A (zh) * | 2020-11-16 | 2021-04-09 | 北京字节跳动网络技术有限公司 | 视频处理方法、装置、电子设备及存储介质 |
CN113888598A (zh) * | 2021-10-18 | 2022-01-04 | 深圳追一科技有限公司 | 数字人视频的异常检测方法及相关装置 |
CN113688839A (zh) * | 2021-10-26 | 2021-11-23 | 腾讯科技(深圳)有限公司 | 视频处理方法及装置、电子设备、计算机可读存储介质 |
CN114331808A (zh) * | 2021-12-31 | 2022-04-12 | 米哈游科技(上海)有限公司 | 一种动作姿态存储方法、装置、介质及电子设备 |
CN114519804A (zh) * | 2022-02-16 | 2022-05-20 | 奥比中光科技集团股份有限公司 | 一种人体骨架标注方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114782284B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443210B (zh) | 一种行人跟踪方法、装置以及终端 | |
CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
CN109376256B (zh) | 图像搜索方法及装置 | |
CN110781964A (zh) | 一种基于视频图像的人体目标检测方法及系统 | |
CN112818955A (zh) | 一种图像分割方法、装置、计算机设备以及存储介质 | |
CN112132130B (zh) | 一种面向全场景的实时性车牌检测方法及系统 | |
CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111582032A (zh) | 行人检测方法、装置、终端设备及存储介质 | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
CN113392681A (zh) | 人体跌倒检测方法、装置及终端设备 | |
CN111932545A (zh) | 图像处理方法、目标计数方法及其相关装置 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN110210425B (zh) | 人脸识别方法、装置、电子设备及存储介质 | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN113591858A (zh) | 一种文本识别方法、装置、电子设备和存储介质 | |
CN114782284B (zh) | 动作数据修正方法、装置、设备及存储介质 | |
CN116363628A (zh) | 标志检测方法、装置、非易失性存储介质及计算机设备 | |
CN115271055A (zh) | 一种神经网络软硬件协同检测方法、装置、设备及存储介质 | |
CN114757855A (zh) | 动作数据修正方法、装置、设备及存储介质 | |
CN114298992A (zh) | 一种视频帧去重方法、装置、电子设备及存储介质 | |
CN114463808A (zh) | 人脸识别方法、装置、终端及计算机可读存储介质 | |
CN111967579A (zh) | 使用卷积神经网络对图像进行卷积计算的方法和装置 | |
CN112241994A (zh) | 模型训练方法及渲染方法、装置、电子设备及存储介质 | |
CN114782287B (zh) | 动作数据修正方法、装置、设备及存储介质 |
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 |