CN115909413A - 用于控制虚拟形象的方法、装置、设备及介质 - Google Patents

Abstract

本公开提供了一种用于控制虚拟形象的方法、装置、设备及介质，涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、虚拟数字人等场景。实现方案为：获取针对用户拍摄的连续多帧图像；针对多帧图像中的每帧图像，执行下述操作：识别该图像中用户的多个人体关键点；以及基于多个人体关键点之间的位置关系，确定用户执行第一体态或第二体态；以及响应于在多帧图像中检测到第一体态和第二体态之间的切换，控制用户的虚拟形象在虚拟场景中执行第一动作。

Description

用于控制虚拟形象的方法、装置、设备及介质

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、增强现实、虚拟现实、深度学习等技术领域，可应用于元宇宙、虚拟数字人等场景，具体涉及一种用于控制虚拟形象的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

元宇宙是人类运用数字技术构建的，由现实世界映射或超越现实世界，可与现实世界交互的虚拟世界，具备新型社会体系的数字生活空间。随着人们生活内容逐渐数字化和虚拟化，以及数字世界和数字孪生等概念的深入人心，元宇宙已成为互联网的行业新热点。人们可以在元宇宙空间中实现开会、看演出、社交、玩游戏等多元化活动。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于控制虚拟形象的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于控制虚拟形象的方法，包括：获取针对用户拍摄的连续多帧图像；针对多帧图像中的每帧图像，执行下述操作：识别该图像中用户的多个人体关键点；以及基于多个人体关键点之间的位置关系，确定用户执行第一体态或第二体态；以及响应于在多帧图像中检测到第一体态和第二体态之间的切换，控制用户的虚拟形象在虚拟场景中执行第一动作，其中，虚拟形象通过识别用户的骨骼关键点并基于骨骼关键点生成。

根据本公开的另一方面，提供了一种用于控制虚拟形象的装置，包括：第一获取单元，被配置为获取针对用户拍摄的连续多帧图像；执行单元，被配置为针对多帧图像中的每帧图像，执行下述子单元的操作，执行单元包括：识别子单元，被配置为识别该图像中用户的多个人体关键点；以及确定子单元，被配置为基于多个人体关键点之间的位置关系，确定用户执行第一体态或第二体态；以及第一控制单元，被配置为响应于在多帧图像中检测到第一体态和第二体态之间的切换，控制用户的虚拟形象在虚拟场景中执行第一动作，其中，虚拟形象通过识别用户的骨骼关键点并基于骨骼关键点生成。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述用于控制虚拟形象的方法。

根据本公开的另一方面，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，计算机指令用于使计算机执行上述用于控制虚拟形象的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述用于控制虚拟形象的方法。

根据本公开的一个或多个实施例，能够仅通过识别用户肢体动作，无需用户真实走动，即可使用户对应的虚拟形象在虚拟场景中行走或跑动，从而简化用户操作，提升用户的沉浸体验。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的用于控制虚拟形象的方法的流程图；

图3示出了示例性的三维人体关键点分布图；

图4示出了根据本公开的实施例的用于控制虚拟形象的装置的结构框图；

图5示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行上述用于控制虚拟形象的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来上传针对用户拍摄的图像。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的实施例，如图2所示，提供了一种用于控制虚拟形象的方法200，包括：步骤S201、获取针对用户拍摄的连续多帧图像；针对多帧图像中的每帧图像，执行下述操作：步骤S202、识别该图像中用户的多个人体关键点；以及步骤S203、基于多个人体关键点之间的位置关系，确定用户执行第一体态或第二体态；以及步骤S204、响应于在多帧图像中检测到第一体态和第二体态之间的切换，控制用户的虚拟形象在虚拟场景中执行第一动作，其中，虚拟形象通过识别用户的骨骼关键点并基于骨骼关键点生成。

在一些实施例中，第一动作可以为行走动作，也可以为跑步动作。可理解的，第一动作也可以响应于虚拟场景中的改变而切换为其他动作，例如当用户的虚拟形象处于冰场场景中时，第一动作也可以为滑冰动作，在此不做限制。以下以行走动作为例进行详述。

根据本公开的实施例，通过连续采集用户的多帧图像，并对每帧图像进行人体关键点识别，从而基于人体关键点之间的位置关系，确定用户是否执行第一体态或第二体态，并且当在一定数量的多帧图像中检测到两个体态之间的一次切换，则在虚拟场景中使虚拟形象行走一步。由此，能够仅通过识别用户肢体动作，无需用户真实走动，即可使用户对应的虚拟形象在虚拟场景中行走，从而简化用户操作，提升用户的沉浸体验。

在一些实施例中，可以针对用户的全身或部分躯体进行拍摄，获取连续多帧图像。对于每帧图像，可以首先对其中的人体区域进行识别，并针对检测到的人体区域进一步识别人体关键点(例如骨骼关键点)，进而基于人体关键点生成该用户在虚拟场景中的虚拟形象。同时，可以进一步求解每个人体关键点的骨骼驱动系数，从而控制虚拟形象中的各部位出现形变，从而控制虚拟形象在虚拟场景中的行动。

在一些实施例中，可以应用一台摄像设备对用户进行拍摄。

在一些实施例中，也可以应用多台摄像设备从不同视角对用户进行连续拍摄，每个时刻可以同时获取来自不同视角的多帧图像。

在一些实施例中，上述用于控制虚拟形象的方法还可以包括：基于不同方向的多个摄像设备对用户拍摄，以获取多个摄像设备中每个摄像设备的连续多帧图像；并且其中，用户的人体关键点的识别可以包括：针对分别来自多个摄像设备的同一时刻拍摄的多个第一图像中的每个第一图像，识别该第一图像中用户的第一人体关键点，其中，第一人体关键点为二维人体关键点；以及确定多个第一图像分别相应的多个第一人体关键点的极线交汇处，以确定用户的人体关键点，其中，人体关键点为三维人体关键点。

由此，通过多个摄像设备对人体进行多角度拍摄，获取相应的多角度图像中的对应的多个二维人体关键点，并获取对应的二维人体关键点的极线交汇处，从而获取三维人体关键点，提升三维人体关键点的识别准确率。

在一些实施例中，为避免沉重的头部显示仪影响用户的沉浸式体验，可以在用户周围设置环形显示屏。

在一些示例中，环形显示屏可以为纯圆弧显示屏，半径例如可以为3米，显示屏高度例如可以为2米。圆弧显示屏的张角可以为330°，以预留30°供用户出入。

在一些实施例中，多个摄像设备可以设置在环形显示屏的顶端。在一些示例中，可以每隔55°设置一个RGB摄像头，共计7个摄像头。

在一些实施例中，也可以设置多个摄像和收音一体的摄像设备，并通过类似的方法进行布置，由此，能够通过对用户的语音进行收集，从而使用户的虚拟形象在虚拟场景中进行对话。在一些实施例中，可以通过对收集到的音频和图像数据添加时间戳，从而使得在虚拟场景中实现音画同步，进一步提升用户的沉浸式体验。

在一些实施例中，对于由多个摄像设备在同一时刻拍摄的多个第一图像，可以首先对每个第一图像中的人体区域进行识别，进而分别获取每个第一图像中的多个二维人体关键点。随后可以通过对分别来自多个第一图像中的多个相应的二维人体关键点的极线交汇处进行估算，从而获取相应的三维人体关键点，并将其作为人体关键点，以进行后续人体形态的检测。

在一些实施例中，可以通过判断所识别到的人体关键点中的多个关键点之间的位置关系，确定用户正在执行的人体形态是否为第一体态或第二体态。

在一些实施例中，第一体态可以为用户的第一手部在用户的躯体所在平面的前侧并且用户的第二手部在平面的后侧，第二体态可以为第一手部在平面的后侧并且第二手部在平面的前侧。

由此，通过将第一体态和第二体态定义为用户摆臂的这一肢体动作，从而简化用户操作的同时，提升用户的沉浸体验。

在一些实施例中，多个人体关键点中可以包括第一手部关键点、第二手部关键点和至少三个躯体关键点，基于多个人体关键点之间的位置关系，确定用户执行第一体态或第二体态可以包括：基于至少三个躯体关键点，确定用户的躯体所在的平面以及平面的法向量；确定第一手部关键点指向平面的第一向量和第二手部关键点指向平面的第二向量，其中，第一向量和第二向量均垂直于平面；以及基于第一向量的长度和方向以及第二向量的长度和方向，确定用户是否执行第一体态和第二体态，其中，在第一体态和第二体态中第一向量的长度和第二向量的长度大于第一阈值，第一体态中第一向量与法向量的方向相反，并且第二向量与法向量的方向相同，第二体态中第一向量与法向量的方向相同，并且第二向量与法向量的方向相反。

由此，通过几个人体关键点的几何位置关系的判断，判断人体体态，从而在保证精确性的同时，简化体态判断过程，提升虚拟形象的控制和响应速度。

图3示出了示例性的三维人体关键点分布图。

在一些实施例中，可以首先通过至少三个躯体关键点确定用户的躯体所在平面。例如，可以基于图3所示的躯体关键点301、躯体关键点302和躯体关键点303这三个关键点，确定一个平面，并将该平面的法向量确定为人体所面向的方向。

在一些实施例中，可以进一步确定第一手部关键点和第二手部关键点的位置，并基于上述两个关键点分别与上述平面的位置关系，确定用户是否执行第一体态或第二体态。例如，可以将图3所示的腕部关键点304确定为第一手部关键点，将腕部关键点306确定为第二手部关键点，并分别将第一手部关键点和第二手部关键点向上述平面进行投影，以分别获得第一手部关键点指向上述平面的第一向量和第二手部关键点指向上述平面的第二向量。

在一些实施例中，可以通过判断第一向量和第二向量的长度以及方向，从而确定用户的相应手部是处于躯体前侧还是躯体后侧。在一些示例中，响应于向量的长度大于第一阈值并且其方向与平面法向量相同，则判断该向量相应的用户手部位于躯体后侧；响应于向量的长度大于第一阈值并且其方向与平面法向量相反，则判断该向量相应的用户手部位于躯体前侧。

在一些实施例中，上述第一阈值例如可以设置为腕部关键点304与手部关键点305连线长度的两倍，由此，能够进一步提升体态判断的准确性。

在一些实施例中，可以将用户的第一手部在躯体前侧并且第二手部在躯体后侧确定为用户的第一体态，将用户的第二手部在躯体前侧并且第一手部在躯体后侧确定为用户的第二体态。

在一些实施例中，当在一定数量的多帧图像中，检测到了上述第一体态和第二体态之间的切换，则可以生成相应的骨骼驱动系数，从而控制用户的虚拟形象在虚拟场景中执行行走动作。

在一些实施例中，可以响应于在一定数量的多帧图像中检测到第一体态和第二体态之间的一次切换，控制用户的虚拟形象按照用户所面向的方向行走一步。

在一些实施例中，上述用于控制虚拟形象的方法还可以包括：检测第一体态和第二体态的切换速率；以及基于切换速率，控制虚拟形象执行第一动作的速率。

由此，能够通过体态切换速度来控制虚拟形象的行走速度，从而进一步提升用户的沉浸体验。

在一些实施例中，可以进一步检测第一体态和第二体态的切换速率，从而基于切换速率，控制虚拟形象按照相应的行走速率执行行走动作。

在一些实施例中，可以通过检测预设数量的连续多帧图像中，上述切换被执行的次数，来确定第一体态和第二体态的切换速率，并且基于不同的切换速率，生成不同的骨骼驱动系数，从而控制虚拟形象相关部位发生形变的幅度，进而使虚拟形象执行相应速率的行走动作。

由此，能够让用户仅通过调整肢体方位和手部动作，即可在虚拟场景中实现漫游，极大提升沉浸体验感和流畅交互感。

在一些实施例中，可以进一步通过对多帧图像中的用户人脸关键点进行识别，以控制虚拟形象的表情。

在一些实施例中，上述多个第一图像中的每个第一图像可以包括人脸图像，上述用于控制虚拟形象的方法还可以包括：基于多个第一图像中的每个第一图像，获取该第一图像中的第一人脸驱动系数；基于多个第一图像中的每个第一图像对应的摄像设备位置，确定该第一图像对应的权重；以及基于多个第一图像中每个第一图像对应的权重和第一人脸驱动系数，获得第二人脸驱动系数，以基于第二人脸驱动系数控制虚拟形象的表情。

由此，通过多目摄像头对人脸进行多角度拍摄，并通过每个角度的图像均获取人脸驱动系数，并基于摄像设备的角度，对人脸驱动系数进行加权，从而提升人脸驱动系数的准确率，进而使虚拟形象的表情更加接近用户的真实表情。

在一些实施例中，对于由多个摄像设备在同一时刻拍摄的多个第一图像，可以首先对每个第一图像中的人脸区域进行识别，进而分别获取每个第一图像中的多个人脸关键点的位姿，随后可以基于透视n点(Perspective-n-Point，PnP)算法，估算各个人脸关键点对应的第一人脸驱动系数(Blendshape系数)。

随后，可以通过对同一时刻的多个第一图像中相应位置的人脸关键点的第一人脸驱动系数进行加权求和，从而获得用于控制虚拟形象表情的第二人脸驱动系数。

在一些实施例中，每个第一人脸驱动系数的权重可以基于相应摄像设备的位置来确定。

在一些实施例中，基于多个第一图像中的每个第一图像对应的摄像设备位置，确定该第一图像对应的权重可以包括：针对多个第一图像中的每个第一图像，基于该第一图像对应的摄像设备与用户之间的连线和用户的人脸方向的夹角，确定该第一图像对应的权重。

由此，通过计算人脸朝向和摄像设备所在方向的夹角，从而为不同角度的人脸驱动系数设置不同的权重，使加权后的人脸驱动系数更加精准，进而使虚拟形象的表情更加接近用户的真实表情。

在一些实施例中，可以首先确定每个第一图像对应的摄像设备与用户之间的连线和用户的人脸方向的夹角，随后计算该夹角的余弦值的平方，从而获取该第一图像对应的权重。

在一些实施例中，如图4所示，提供了一种用于控制虚拟形象的装置400，包括：第一获取单元410，被配置为获取针对用户拍摄的连续多帧图像；执行单元420，被配置为针对多帧图像中的每帧图像，执行下述子单元的操作，执行单元420包括：识别子单元421，被配置为识别该图像中用户的多个人体关键点；以及确定子单元422，被配置为基于多个人体关键点之间的位置关系，确定用户执行第一体态或第二体态；以及第一控制单元430，被配置为响应于在多帧图像中检测到第一体态和第二体态之间的切换，控制用户的虚拟形象在虚拟场景中执行第一动作，其中，虚拟形象通过识别用户的骨骼关键点并基于骨骼关键点生成。

其中，用于控制虚拟形象的装置400中的单元410-单元430以及子单元421和子单元422所执行的操作与上述用于控制虚拟形象的方法200中的步骤S201-步骤S204的操作类似，在此不做赘述。

在一些实施例中，第一体态可以为用户的第一手部在用户的躯体所在平面的前侧并且用户的第二手部在平面的后侧，第二体态可以为第一手部在平面的后侧并且第二手部在平面的前侧。

在一些实施例中，多个人体关键点中可以包括第一手部关键点、第二手部关键点和至少三个躯体关键点，确定子单元可以包括：第一确定模块，被配置为基于至少三个躯体关键点，确定用户的躯体所在的平面以及平面的法向量；第二确定模块，被配置为确定第一手部关键点指向平面的第一向量和第二手部关键点指向平面的第二向量，其中，第一向量和第二向量均垂直于平面；以及第三确定模块，被配置为基于第一向量的长度和方向以及第二向量的长度和方向，确定用户是否执行第一体态和第二体态，其中，在第一体态和第二体态中第一向量的长度和第二向量的长度大于第一阈值，第一体态中第一向量与法向量的方向相反，并且第二向量与法向量的方向相同，第二体态中第一向量与法向量的方向相同，并且第二向量与法向量的方向相反。

在一些实施例中，上述用于控制虚拟形象的装置还可以包括：检测单元，被配置为检测第一体态和第二体态的切换速率；以及第二控制单元，被配置为基于切换速率，控制虚拟形象执行第一动作的速率。

在一些实施例中，上述用于控制虚拟形象的装置还可以包括：第二获取单元，被配置为基于不同方向的多个摄像设备对用户拍摄，以获取多个摄像设备中每个摄像设备的连续多帧图像；并且其中，识别子单元可以包括：识别模块，被配置为针对分别来自多个摄像设备的同一时刻拍摄的多个第一图像中的每个第一图像，识别该第一图像中用户的第一人体关键点，其中，第一人体关键点为二维人体关键点；以及第四确定模块，被配置为确定多个第一图像分别相应的多个第一人体关键点的极线交汇处，以确定用户的人体关键点，其中，人体关键点为三维人体关键点。

在一些实施例中，多个第一图像中的每个第一图像可以包括人脸图像，上述用于控制虚拟形象的装置还可以包括：第三获取单元，被配置为基于多个第一图像中的每个第一图像，获取该第一图像中的第一人脸驱动系数；确定单元，被配置为基于多个第一图像中的每个第一图像对应的摄像设备位置，确定该第一图像对应的权重；以及第四获取单元，被配置为基于多个第一图像中每个第一图像对应的权重和第一人脸驱动系数，获得第二人脸驱动系数，以基于第二人脸驱动系数控制虚拟形象的表情。

在一些实施例中，确定单元还可以被配置为：针对多个第一图像中的每个第一图像，基于该第一图像对应的摄像设备与用户之间的连线和用户的人脸方向的夹角，确定该第一图像对应的权重。

在一些实施例中，第一动作可以包括行走动作或跑步动作。

根据本公开的实施例，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。

参考图5，现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储电子设备500操作所需的各种程序和数据。计算单元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。

电子设备500中的多个部件连接至I/O接口505，包括：输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向电子设备500输入信息的任何类型的设备，输入单元506可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许电子设备500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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元501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501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501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

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)、复杂可编程逻辑设备(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)和互联网。

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，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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种用于控制虚拟形象的方法，所述方法包括：

获取针对用户拍摄的连续多帧图像；

针对所述多帧图像中的每帧图像，执行下述操作：

识别该图像中所述用户的多个人体关键点；以及

基于所述多个人体关键点之间的位置关系，确定所述用户执行第一体态或第二体态；以及

响应于在所述多帧图像中检测到所述第一体态和所述第二体态之间的切换，控制所述用户的虚拟形象在虚拟场景中执行第一动作，其中，所述虚拟形象通过识别所述用户的骨骼关键点并基于所述骨骼关键点生成。

2.根据权利要求1所述的方法，其中，所述第一体态为所述用户的第一手部在所述用户的躯体所在平面的前侧并且所述用户的第二手部在所述平面的后侧，所述第二体态为所述第一手部在所述平面的后侧并且所述第二手部在所述平面的前侧。

3.根据权利要求1或2所述的方法，其中，所述多个人体关键点中包括第一手部关键点、第二手部关键点和至少三个躯体关键点，所述基于所述多个人体关键点之间的位置关系，确定所述用户执行第一体态或第二体态包括：

基于所述至少三个躯体关键点，确定所述用户的躯体所在的所述平面以及所述平面的法向量；

确定所述第一手部关键点指向所述平面的第一向量和所述第二手部关键点指向所述平面的第二向量，其中，所述第一向量和所述第二向量均垂直于所述平面；以及

基于所述第一向量的长度和方向以及所述第二向量的长度和方向，确定所述用户是否执行所述第一体态和所述第二体态，其中，在所述第一体态和所述第二体态中所述第一向量的长度和所述第二向量的长度大于第一阈值，所述第一体态中所述第一向量与所述法向量的方向相反，并且所述第二向量与所述法向量的方向相同，所述第二体态中所述第一向量与所述法向量的方向相同，并且所述第二向量与所述法向量的方向相反。

4.根据权利要求1至3中任一项所述的方法，还包括：

检测所述第一体态和第二体态的切换速率；以及

基于所述切换速率，控制所述虚拟形象执行所述第一动作的速率。

5.根据权利要求1至4中任一项所述的方法，还包括：

基于不同方向的多个摄像设备对所述用户拍摄，以获取所述多个摄像设备中每个摄像设备的连续多帧图像；并且其中，

所述用户的人体关键点的识别包括：

针对分别来自所述多个摄像设备的同一时刻拍摄的多个第一图像中的每个第一图像，识别该第一图像中所述用户的第一人体关键点，其中，所述第一人体关键点为二维人体关键点；以及

确定所述多个第一图像分别相应的多个第一人体关键点的极线交汇处，以确定所述用户的人体关键点，其中，所述人体关键点为三维人体关键点。

6.根据权利要求5所述的方法，所述多个第一图像中的每个第一图像包括人脸图像，所述方法还包括：

基于所述多个第一图像中的每个第一图像，获取该第一图像中的第一人脸驱动系数；

基于所述多个第一图像中的每个第一图像对应的摄像设备位置，确定该第一图像对应的权重；以及

基于所述多个第一图像中每个第一图像对应的权重和第一人脸驱动系数，获得第二人脸驱动系数，以基于所述第二人脸驱动系数控制所述虚拟形象的表情。

7.根据权利要求6所述的方法，其中，所述基于所述多个第一图像中的每个第一图像对应的摄像设备位置，确定该第一图像对应的权重包括：

针对所述多个第一图像中的每个第一图像，基于该第一图像对应的摄像设备与所述用户之间的连线和所述用户的人脸方向的夹角，确定该第一图像对应的权重。

8.根据权利要求1至7中任一项所述的方法，所述第一动作包括行走动作或跑步动作。

9.一种用于控制虚拟形象的装置，所述装置包括：

第一获取单元，被配置为获取针对用户拍摄的连续多帧图像；

执行单元，被配置为针对所述多帧图像中的每帧图像，执行下述子单元的操作，所述执行单元包括：

识别子单元，被配置为识别该图像中所述用户的多个人体关键点；以及

确定子单元，被配置为基于所述多个人体关键点之间的位置关系，确定所述用户执行第一体态或第二体态；以及

第一控制单元，被配置为响应于在所述多帧图像中检测到所述第一体态和所述第二体态之间的切换，控制所述用户的虚拟形象在虚拟场景中执行第一动作，其中，所述虚拟形象通过识别所述用户的骨骼关键点并基于所述骨骼关键点生成。

10.根据权利要求9所述的装置，其中，所述第一体态为所述用户的第一手部在所述用户的躯体所在平面的前侧并且所述用户的第二手部在所述平面的后侧，所述第二体态为所述第一手部在所述平面的后侧并且所述第二手部在所述平面的前侧。

11.根据权利要求9或10所述的装置，其中，所述多个人体关键点中包括第一手部关键点、第二手部关键点和至少三个躯体关键点，所述确定子单元包括：

第一确定模块，被配置为基于所述至少三个躯体关键点，确定所述用户的躯体所在的所述平面以及所述平面的法向量；

第二确定模块，被配置为确定所述第一手部关键点指向所述平面的第一向量和所述第二手部关键点指向所述平面的第二向量，其中，所述第一向量和所述第二向量均垂直于所述平面；以及

第三确定模块，被配置为基于所述第一向量的长度和方向以及所述第二向量的长度和方向，确定所述用户是否执行所述第一体态和所述第二体态，其中，在所述第一体态和所述第二体态中所述第一向量的长度和所述第二向量的长度大于第一阈值，所述第一体态中所述第一向量与所述法向量的方向相反，并且所述第二向量与所述法向量的方向相同，所述第二体态中所述第一向量与所述法向量的方向相同，并且所述第二向量与所述法向量的方向相反。

12.根据权利要求9至11中任一项所述的装置，还包括：

检测单元，被配置为检测所述第一体态和第二体态的切换速率；以及

第二控制单元，被配置为基于所述切换速率，控制所述虚拟形象执行第一动作的速率。

13.根据权利要求9至12中任一项所述的装置，还包括：

第二获取单元，被配置为基于不同方向的多个摄像设备对所述用户拍摄，以获取所述多个摄像设备中每个摄像设备的连续多帧图像；并且其中，

所述识别子单元包括：

识别模块，被配置为针对分别来自所述多个摄像设备的同一时刻拍摄的多个第一图像中的每个第一图像，识别该第一图像中所述用户的第一人体关键点，其中，所述第一人体关键点为二维人体关键点；以及

第四确定模块，被配置为确定所述多个第一图像分别相应的多个第一人体关键点的极线交汇处，以确定所述用户的人体关键点，其中，所述人体关键点为三维人体关键点。

14.根据权利要求13所述的装置，所述多个第一图像中的每个第一图像包括人脸图像，所述装置还包括：

第三获取单元，被配置为基于所述多个第一图像中的每个第一图像，获取该第一图像中的第一人脸驱动系数；

确定单元，被配置为基于所述多个第一图像中的每个第一图像对应的摄像设备位置，确定该第一图像对应的权重；以及

第四获取单元，被配置为基于所述多个第一图像中每个第一图像对应的权重和第一人脸驱动系数，获得第二人脸驱动系数，以基于所述第二人脸驱动系数控制所述虚拟形象的表情。

15.根据权利要求14所述的装置，其中，所述确定单元还被配置为：

针对所述多个第一图像中的每个第一图像，基于该第一图像对应的摄像设备与所述用户之间的连线和所述用户的人脸方向的夹角，确定该第一图像对应的权重。

16.根据权利要求9至15中任一项所述的装置，所述第一动作包括行走动作或跑步动作。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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1-8中任一项所述的方法。

19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。

Images