[发明专利]动作数据的修正方法、装置及电子设备

说明书

本发明提供了一种动作数据的修正方法、装置及电子设备，涉及计算机技术领域，该方法包括通过预先布设的动作捕捉设备获取原始动作数据；原始动作数据包括携带有捕捉时间的多帧动作数据；将原始动作数据中的每帧动作数据分别转换为四元数，得到原始动作数据对应的四元数数组；将四元数数组输入预先训练好的神经网络模型进行修正，得到初始修正动作数据；其中，神经网络模型为基于已标注的动作样本数据训练得到的；对初始修正动作数据进行平滑滤波，得到最终修正动作数据。本发明能够简化修正数据的操作方式，有效提升数据修正的效率。

技术领域

本发明涉及计算机技术领域，尤其是涉及一种动作数据的修正方法、装置及电子设备。

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，先采集相关动作的原始数据，而原始数据中通常存在部分遮挡、错误标记或高频噪声等错误，需要技术人员对原始数据进行手工修正，然后才可以将修正后的数据进一步应用于动画制作。但是这种手工修正数据的方式操作复杂且修正效率低，极大地限制了动画制作的效率。

发明内容

本发明的目的在于提供一种动作数据的修正方法、装置及电子设备，能够简化修正数据的操作方式，有效提升数据修正的效率。

第一方面，本发明实施例提供了一种动作数据的修正方法，包括：通过预先布设的动作捕捉设备获取原始动作数据；所述原始动作数据包括携带有捕捉时间的多帧动作数据；将所述原始动作数据中的每帧动作数据分别转换为四元数，得到所述原始动作数据对应的四元数数组；将所述四元数数组输入预先训练好的神经网络模型进行修正，得到初始修正动作数据；其中，所述神经网络模型为基于已标注的动作样本数据训练得到的；对所述初始修正动作数据进行平滑滤波，得到最终修正动作数据。

在本发明较佳的实施例中，将所述四元数数组输入预先训练好的神经网络模型进行修正，得到初始修正动作数据的步骤，包括：将所述四元数数组输入预先训练好的神经网络模型；通过所述神经网络模型获取所述四元数数组携带的时间参数，所述时间参数包括各所述四元数对应的捕捉时间；对所述四元数数组进行采样，得到捕捉时间相邻的多帧四元数样本；按照所述捕捉时间的顺序对多帧所述四元数样本进行堆叠，得到四元数数组样本，将堆叠次序为预设值的四元数样本确定为目标四元数；基于所述四元数数组样本对所述目标四元数进行修正，得到初始修正动作数据。

在本发明较佳的实施例中，所述神经网络模型的训练过程包括：基于深度学习训练框架生成待训练的神经网络模型；其中，深度学习训练框架包括以下中的一种：PyTorch、Caffe和TensorFlow；将标注有基准修正动作结果的动作样本数据输入所述待训练的神经网络模型进行修正，得到预测修正动作结果；基于所述预测修正动作结果和所述基准修正动作结果，计算损失函数值；根据所述损失函数值，通过反向传播算法对所述待训练的神经网络模型的权重进行调整，并重复上述训练过程，直至所述损失函数值收敛至预设值时结束训练。

在本发明较佳的实施例中，基于所述预测修正动作结果和所述基准修正动作结果，计算损失函数值的步骤，包括：基于所述预测修正动作结果和所述基准修正动作结果，计算动作准确度误差和平滑误差；根据所述动作准确度误差和平滑误差计算损失函数值。

在本发明较佳的实施例中，基于所述预测修正动作结果和所述基准修正动作结果，计算动作准确度误差的步骤，包括：计算动作准确度误差：

其中，loss_mse为动作准确度误差，为第m帧动作样本数据中第i个骨骼关键点的预测动作修正结果，为第m帧动作样本数据中第i个骨骼关键点的基准修正动作结果，K为骨骼关键点的总数。

在本发明较佳的实施例中，基于所述预测修正动作结果和所述基准修正动作结果，计算平滑误差的步骤，包括：计算平滑误差：