[发明专利]一种基于神经网络的面部动画绑定加速方法

权利要求书

1.一种基于神经网络的面部动画绑定加速方法，其特征在于：包括以下步骤：

S1.训练数据生成，以原始绑定文件中的基本面部表情库为基础随机生成训练数据，训练数据包括多组控制器的值和与之对应的Mesh顶点的值；

S2.神经网络搭建，神经网络包括多层依次连接的全连接层和PCA层，PCA层用于计算训练数据的主成分值，得到多个混合变形器，多个全连接层输入为控制器的值，输出为多个混合变形器的系数组成的多维向量；

S3.训练网络模型，用于通过建立回归任务，采用代价函数进行误差计算，得到损失最小化时的神经网络模型，所述代价函数采用均方误差；

S4.通过动画软件编写插件，将所述插件与原始绑定文件中的控制器相结合，并利用训练好的网络模型，组合形成新的绑定文件；

步骤S2中，PCA层具体包括以下步骤：

S211.计算整个数据集控制器值的平均值，数据集中每个控制器的值减去平均值得到数据差值；

S212.采用步骤S211中数据差值进行主成分分析，并获取主成分的特征值和特征向量，提取前n个特征值对应的特征向量作为n个混合变形器，则新的Mesh表示为：，其中，为每个混合变形器的系数，即全连接层的输出，j为大于0的整数，n为提取的排序靠前的特征值的数量；

步骤S2中，多个全连接层用于获取混合变形器的系数，计算预测出的Mesh顶点坐标值，第一层全连接层的输入是一组控制器的值，输出隐含层的特征，第二至第M层全连接层的输入是第一层全连接层的隐含层的特征，输出是多个混合变形器的系数组成的向量，其中，M为全连接层的层数，M为大于0的整数。

2.根据权利要求1所述的基于神经网络的面部动画绑定加速方法，其特征在于：步骤S1中，训练数据生成方法具体包括以下步骤：

S11.以基本面部表情库为基础，获取面部控制器列表；

S12.获取各个控制器的值和取值范围；

S13.在控制器的取值范围内，随机改变k个控制器的值并重复n次，生成n组新的控制器组合；

S14.令k = k + 1，n = n - i，重复步骤S13，直至k与控制器的数量相等；

S15.随机改变后生成的所有控制器组合导入动画软件中，并获取对应的Mesh顶点坐标，即每组控制器的值和Mesh顶点的值一一对应；

其中，k、n和i均为大于0的整数。

3.根据权利要求1所述的基于神经网络的面部动画绑定加速方法，其特征在于：步骤S3中，控制器的值作为输入，Mesh顶点坐标作为标签，建立回归任务，代价函数采用均方误差，使Mesh顶点坐标的值与网络预测结果的误差最小化，保存训练过程中损失最低的模型参数，并使用adam算法进行优化。

4.根据权利要求1所述的基于神经网络的面部动画绑定加速方法，其特征在于：步骤S4中，组合绑定文件方法具体包括以下步骤：

S41.训练pytorch框架，且使用libtorch库做前向运算，并将libtorch与动画软件的接口结合，编写插件，所述插件用于输入控制器的值，输出对应Mesh顶点的坐标值；

S42.保留原始绑定文件的控制器，将其与步骤S41中的插件组合形成新的绑定文件，完成绑定文件的加速替换。

5.根据权利要求4所述的基于神经网络的面部动画绑定加速方法，其特征在于：所述动画软件包括maya和UE。

6.根据权利要求5所述的基于神经网络的面部动画绑定加速方法，其特征在于：动画软件采用UE编写插件的方法包括以下步骤：

Q1.训练使用pytorch框架，预测使用pytorch提供的libtorch接口；

Q2.将libtorch集成到UE中，插件运行具体步骤如下：

Q21.在UE中导入自然状态下的mesh顶点坐标值，即无表情状态下的mesh顶点坐标值；

Q22.采用UE的livelink接收控制器的数据；

Q23.数据输入到libtorch库中得到mesh顶点的坐标；

Q24.得到的坐标值减去自然状态下的坐标得到每个顶点的位移；

Q25.根据每个顶点的位移在UE中实现形变。