[发明专利]数据处理的方法、动捕去噪模型的训练方法及装置

说明书

本申请公开了一种数据处理的方法，该处理方法应用于人工智能领域，具体包括：获取目标动捕关键帧；根据目标动捕关键帧获取待处理动捕数据；基于待处理动捕数据，通过动捕去噪模型所包括的时序网络获取目标动捕关键帧所对应的噪声偏移向量；根据目标噪声特征向量以及噪声偏移向量，确定目标动捕关键帧所对应的关节去噪结果。本申请还公开了一种动捕去噪模型的训练方法及装置，本申请通过动捕去噪模型能够预测目标动捕关键帧在动画曲线上的噪声偏移向量，不仅能够保留动作细节原有的趋势，还可以节省动画制作的时间成本和人力成本。

技术领域

本申请涉及人工智能领域，尤其涉及数据处理的方法、动捕去噪模型的训练方法及装置。

背景技术

动作捕捉(motion capture)又称为动态捕捉，简称动捕，是指记录并处理人或其他物体动作的技术。业界常用基于光学动捕的方式，光学动作需要在表演者身上贴若干标识点，由多个摄影机捕捉这些标识点的位置，再将这些标识点位置还原并渲染至相应的虚拟形象身上，最终实现真实演员动作表演到骨骼动画的映射。

在动捕数据采集过程中，由于动捕设备存在精度和软件计算的误差，无法避免噪声。目前，针对骨骼动画去噪，业务大部分还是由动画师人工修补动画噪声，动画师精修的骨骼动画更贴近需求，而且动作精准度更高。

然而，虽然动画师人工修补动画噪声的效果较好，但是成本较高，而且处理周期也偏长。根据动捕噪声大小的不同，一般熟练的动画师处理一组动捕数据，少则几十秒，多则几十分钟，导致动画制作的时间成本和人力成本过高。

发明内容

本申请实施例提供了一种数据处理的方法、动捕去噪模型的训练方法及装置，通过动捕去噪模型能够预测目标动捕关键帧在动画曲线上的噪声偏移向量，不仅能够保留动作细节原有的趋势，还可以节省动画制作的时间成本和人力成本。

有鉴于此，本申请一方面提供一种数据处理的方法，包括：

获取目标动捕关键帧，其中，目标动捕关键帧对应于目标噪声特征向量，目标噪声特征向量包括M个关节所对应的噪声数据，M为大于或等于1的整数；

根据目标动捕关键帧获取待处理动捕数据，其中，待处理动捕数据表示连续N个动捕关键帧所对应的噪声特征向量集合，连续N个动捕关键帧包括目标动捕关键帧，噪声特征向量集合包括目标噪声特征向量，N为大于1的整数；

基于待处理动捕数据，通过动捕去噪模型所包括的时序网络获取目标动捕关键帧所对应的噪声偏移向量，其中，噪声偏移向量包括M个关节的偏移数据；

根据目标噪声特征向量以及噪声偏移向量，确定目标动捕关键帧所对应的关节去噪结果，其中，关节去噪结果包括M个关节的去噪数据。

本申请另一方面提供一种动捕去噪模型的训练方法，包括：

获取动捕样本关键帧所对应的动捕无噪数据，其中，动捕无噪数据包括连续N个动捕关键帧的原始特征向量集合，连续N个动捕关键帧包括动捕样本关键帧，原始特征向量集合包括动捕样本关键帧所对应的第一特征向量，第一特征向量包括M个关节所对应的标签数据，N为大于1的整数，M为大于或等于1的整数；

根据动捕无噪数据获取动捕噪声数据，其中，动捕噪声数据包括连续N个动捕关键帧所对应的噪声特征向量集合，噪声特征向量集合包括动捕样本关键帧所对应的第二特征向量，第二特征向量包括M个关节所对应的噪声数据；

基于动捕噪声数据，通过待训练动捕去噪模型所包括的时序网络获取动捕样本关键帧所对应的噪声偏移向量，其中，噪声偏移向量包括M个关节的偏移数据；

根据第一特征向量、第二特征向量以及噪声偏移向量，对待训练动捕去噪模型的模型参数进行更新，直至满足模型训练条件时，输出动捕去噪模型。

本申请一方面提供一种数据处理装置，包括：