基于动画的动作预测生成方法和装置制造方法及图纸

本发明专利技术提出一种基于动画的动作预测生成方法和装置，其中，方法包括：获取目标角色对应的目标动画的当前动画帧；根据当前动画帧获取目标角色的当前骨骼姿态信息，以及在预设运动轨迹上的运动姿态信息；获取与当前动画帧对应的相似动作和与相似动作对应的相似度；根据相似度和相似动作获取融合动作；获取下一时刻的预测动作；控制目标动画在下一个动画帧中模拟预测动作。本发明专利技术通过对人或动物等具有骨骼结构的行动体在不同运动状态下的运动特征和运动状态之间的变化特征进行网络学习，最终能够很好的表现不同的运动特征，并在不同的运动状态之间变化能够自然的进行融合，进而制作出人或动物的行进动画效果，保证了动画效果的自然效果。

A Method and Device for Generating Action Prediction Based on Animation

【技术实现步骤摘要】
基于动画的动作预测生成方法和装置
本专利技术涉及计算机动画
，尤其涉及一种基于动画的动作预测生成方法和装置。
技术介绍
相关技术中，骨骼动画的多种运动状态之间的融合在动画制作上一直是一个难点，困难在于骨骼所描述的动物运动模态具有多变性，也就是动物在同一运动状态下虽然会保持固有的运动姿态(例如，行走会周期性的进行)，但当切换到另一种运动状态后，则又会以另外一种方式运动。因此，动物的运动周期规律将在两种状态之间进行变化，如果不能将其很好的融合，将会大大降低动画的实际效果。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的第一个目的在于提出一种基于动画的动作预测生成方法，以实现在不同的运动状态之间能够自然的进行融合，进而在给定的路径下制作出骨骼的行进动画效果。本专利技术的第二个目的在于提出一种基于动画的动作预测生成装置。本专利技术的第三个目的在于提出一种计算机设备。本专利技术的第四个目的在于提出一种非临时性计算机可读存储介质。为达上述目的，本专利技术第一方面实施例提出了一种基于动画的动作预测生成方法，包括：获取目标角色对应的目标动画的当前动画帧；根据所述当前动画帧获取所述目标角色的当前骨骼姿态信息，以及在预设运动轨迹上的运动姿态信息；将所述运动姿态信息和所述当前骨骼姿态信息输入预先训练的动作融合网络，获取与所述当前动画帧对应的相似动作和与所述相似动作对应的相似度；根据所述相似度和所述相似动作获取融合动作；将所述融合动作输入预先训练的姿态预测网络，获取下一时刻的预测动作；控制所述目标动画在下一个动画帧中模拟所述预测动作。本专利技术实施例的基于动画的动作预测生成方法，本方法包括一种通用骨骼数据的采集和制作，骨骼运动数据的处理，骨骼运动特征数据的网络学习过程，最后通过动作融合网络和运动姿态预测网络得到人或动物在特定的路径下的动画轨迹。在本专利技术的实施例中，在所述将所述运动姿态信息和所述当前骨骼姿态信息输入预先训练的动作融合网络之前，还包括：获取与所述目标角色的物种类型对应的训练动画帧；获取与所述训练动画帧对应的训练骨骼姿态信息和训练运动姿态信息；将所述训练骨骼姿态信息和所述训练运动姿态信息输入至动作融合网络，获取所述动作融合网络输出的与所述训练动画帧对应的第一动作和与所述第一动作对应的相似度；若所述第一动作和与所述第一动作对应的相似度，与所述训练动画帧对应的实际动作和与所述实际动作对应的相似度不一致，则调整所述动作融合网络，直至所述第一动作和与所述第一动作对应的相似度，与所述训练动画帧对应的实际动作和与所述实际动作对应的相似度一致，则完成对所述动作融合网络的训练。本专利技术的实施例中，所述动作融合网络的第一层和第二层为全连接层，所述全连接层的定义为：其中，M是参数的总数、b是0均值的高斯噪音、ΦM是xM对应的基函数列向量，表示点积，St代表t时刻的方向向量，Et代表t时刻的速度向量，ΦS是St对应的基函数列向量；所述第一层和所述第二层之间连接非线性函数层，其中，所述函数连接层的定义为：ELU(x)＝max(x,0)+exp(min(x,0))-1其中，x是非线性激活函数ELU的输入，在该结构中代表上层神经网络的输出；所述动作融合网络的第三层包含指数函数层，其中，所述指数函数层的公式为：其中，Si为所述第三层中的第i个神经元的输出经动作融合网络后得到的相似度，为第i个神经元的输出值的指数，C为动作融合网络的神经元个数。本专利技术的实施例中，在所述将所述融合动作输入预先训练的姿态预测网络之前，还包括：获取第N-m帧到第N帧的m帧训练帧的训练融合动作，其中，N为大于m的自然数，m为大于1的自然数；将所述m帧训练帧的训练融合动作输入至姿态预测网络，获取所述姿态预测网络输入的第N+1帧的预测动作；判断所述第N+1帧的预测动作与预先获取的第N+1帧的实际动作是否一致，若不一致，则调整所述姿态预测网络的网络参数，直至所述姿态预测网络输出的所述第N+1帧的预测动作与预先获取的第N+1帧的实际动作一致，则完成对所述姿态预测网络的训练。本专利技术的实施例中，在所述将所述融合动作输入预先训练的姿态预测网络之前，还包括：完成对所述动作融合网络和所述姿态预测网络的串行训练。本专利技术的实施例中，所述根据所述相似度和所述相似动作获取融合动作，包括：确定所述相似动作的数量是否为多个；若所述数量不为多个，则确定无需做出融合动作并将所述相似动作作为所述融合动作；若所述数量为多个，则确定需要做出融合动作并计算多个相似动作中每个相似动作对应的相似度，设置所述多个相似动作中每个动作的融合权重，根据所述融合权重融合所述多个相似动作获取所述融合动作。为达上述目的，本专利技术第二方面实施例提出了一种基于动画的动作预测生成装置，包括：第一获取模块，用于获取目标角色对应的目标动画的当前动画帧；第二获取模块，用于根据所述当前动画帧获取所述目标角色的当前骨骼姿态信息，以及在预设运动轨迹上的运动姿态信息；第三获取模块，用于将所述运动姿态信息和所述当前骨骼姿态信息输入预先训练的动作融合网络，获取与所述当前动画帧对应的相似动作和与所述相似动作对应的相似度；生成模块，用于根据所述相似度和所述相似动作获取融合动作；第四获取模块，用于将所述融合动作输入预先训练的姿态预测网络，获取下一时刻的预测动作；更新模块，控制所述目标动画在下一个动画帧中模拟所述预测动作。本专利技术实施例的基于动画的动作预测生成装置，通过第一获取模块、第二获取模块、第三获取模块、生成模块、第四获取模块、更新模块，通过对骨骼在不同运动状态下的运动特征和运动状态之间的变化特征进行网络学习，最终能够很好的表现不同的运动特征，并在不同的运动状态之间能够自然的进行融合，进而在给定的路径下制作出骨骼的行进动画效果。本专利技术的实施例中，在第四获取模块之前，还包括：训练模块，用于完成对所述动作融合网络和所述姿态预测网络的串行训练。为达上述目的，本专利技术第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例第一方面所述的基于动画的动作预测生成方法。为了实现上述目的，本专利技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例第一方面所述的基于动画的动作预测生成方法。本专利技术附加的方面和优点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，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例所提供的一种基于动画的动作预测生成方法的流程示意图；图2为本专利技术实施例提供的一种基于动画的动作预测生成装置的结构示意图；图3为本专利技术实施例提供的另一种基于动画的动作预测生成装置的结构示意图；图4为四足动物在骨骼的驱动下在地面坐下的效果；图5为四足动物在骨骼的驱动下进行行走的效果；图6为四足动物在骨骼的驱动下进行奔跑的效果。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述本文档来自技高网...

【技术保护点】
1.一种基于动画的动作预测生成方法，其特征在于，包括以下步骤：获取目标角色对应的目标动画的当前动画帧；根据所述当前动画帧获取所述目标角色的当前骨骼姿态信息，以及在预设运动轨迹上的运动姿态信息；将所述运动姿态信息和所述当前骨骼姿态信息输入预先训练的动作融合网络，获取与所述当前动画帧对应的相似动作和与所述相似动作对应的相似度；根据所述相似度和所述相似动作获取融合动作；将所述融合动作输入预先训练的姿态预测网络，获取下一时刻的预测动作；控制所述目标动画在下一个动画帧中模拟所述预测动作。

【技术特征摘要】
1.一种基于动画的动作预测生成方法，其特征在于，包括以下步骤：获取目标角色对应的目标动画的当前动画帧；根据所述当前动画帧获取所述目标角色的当前骨骼姿态信息，以及在预设运动轨迹上的运动姿态信息；将所述运动姿态信息和所述当前骨骼姿态信息输入预先训练的动作融合网络，获取与所述当前动画帧对应的相似动作和与所述相似动作对应的相似度；根据所述相似度和所述相似动作获取融合动作；将所述融合动作输入预先训练的姿态预测网络，获取下一时刻的预测动作；控制所述目标动画在下一个动画帧中模拟所述预测动作。2.如权利要求1所述的方法，其特征在于，在所述将所述运动姿态信息和所述当前骨骼姿态信息输入预先训练的动作融合网络之前，还包括：获取与所述目标角色的物种类型对应的训练动画帧；获取与所述训练动画帧对应的训练骨骼姿态信息和训练运动姿态信息；将所述训练骨骼姿态信息和所述训练运动姿态信息输入至动作融合网络，获取所述动作融合网络输出的与所述训练动画帧对应的第一动作和与所述第一动作对应的相似度；若所述第一动作和与所述第一动作对应的相似度，与所述训练动画帧对应的实际动作和与所述实际动作对应的相似度不一致，则调整所述动作融合网络，直至所述第一动作和与所述第一动作对应的相似度，与所述训练动画帧对应的实际动作和与所述实际动作对应的相似度一致，则完成对所述动作融合网络的训练。3.如权利要求2所述的方法，其特征在于，所述动作融合网络的第一层和第二层为全连接层，所述全连接层的定义为：其中，M是参数的总数、b是0均值的高斯噪音、ΦM是xM对应的基函数列向量，表示点积，St代表t时刻的方向向量，Et代表t时刻的速度向量，ΦS是St对应的基函数列向量；所述第一层和所述第二层之间连接非线性函数层，其中，所述函数连接层的定义为：ELU(x)＝max(x,0)+exp(min(x,0))-1其中，x是非线性激活函数ELU的输入，在该结构中代表上层神经网络的输出；所述动作融合网络的第三层包含指数函数层，其中，所述指数函数层的公式为：其中，Si为所述第三层中的第i个神经元的输出经动作融合网络后得到的相似度，为第i个神经元的输出值的指数，C为动作融合网络的神经元个数。4.如权利要求1所述的方法，其特征在于，在所述将所述融合动作输入预先训练的姿态预测网络之前，还包括：获取第N-m帧到第N帧的m帧训练帧的训练融合动作...

【专利技术属性】
技术研发人员：戴琼海，赵天奇，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11