【技术实现步骤摘要】
本专利技术涉及动画建模，尤其涉及一种网格模型的骨骼绑定方法、装置、计算机设备和存储介质。
技术介绍
1、近年来，人工智能生成内容（aigc）方面取得了显著进展，输入涉及如文本、图像、视频、音频和3d内容等多种形式，其中3d内容是最接近真实世界3d环境的视觉形式，并蕴含着巨大的知识量。随着 ai 技术的蓬勃发展，3d内容生成在各个领域越来越受到关注，尤其是在游戏、娱乐设计、电影、混合现实以及社交媒体领域被广泛关注。另一方面，用户对多样化、高质量、可动画化的角色和化身的需求正在迅速增长。
2、目前在制作3d动画角色时，通常需要艺术家在3d建模软件中，手动创建角色的物理网格模型形成皮肤，包括角色的身体结构、面部细节等，并在其中创建骨架，也即虚拟的骨骼关节，构成了角色的内部结构，再将骨架与皮肤绑定，使得骨骼的动作能够驱动网格表面的变化，从而使角色“动”起来，来实现3d动画角色的创建与驱动。该动画骨骼绑定技术的出现，为动画设计提供了技术支持，使得动画设计的创意空间拓宽、创作理念不断创新。
3、现有技术中，在创建骨架并与皮肤绑定的过程中，为了达到骨架对网格模型的精细控制，动画师通常采用手工的方式对参数进行调整，即使是一个专业的动画师，要得到一个令人满意的绑定结果也是非常耗时费力的。
4、因此，如何提升3d角色网格模型的骨骼绑定效率，成为本领域亟需解决的技术问题。
技术实现思路
1、本专利技术的目的是提供一种网格模型的骨骼绑定方法、装置、计算机设备和存储介质，
2、一方面，为实现上述目的，本专利技术提供了一种网格模型的骨骼绑定方法。
3、该网格模型的骨骼绑定方法包括：接收目标角色的网格模型；将所述网格模型输入至第一预测网络，其中，所述第一预测网络用于根据所述网格模型预测所述目标角色骨骼关节的关节位置向量，所述关节位置向量包括所述骨骼关节上的点距离所述目标角色皮肤的偏移量；将所述网格模型和所述关节位置向量输入至第二预测网络，其中，所述第二预测网络用于根据所述网格模型和所述关节位置向量输出关节连接概率矩阵，所述关节连接概率矩阵包括所述骨骼关节之间的连接概率；以及利用所述关节位置向量和所述关节连接概率矩阵对所述网格模型进行骨骼绑定。
4、进一步地，在利用所述关节连接概率进行骨骼绑定之前，该方法还包括：将所述关节连接概率矩阵通过权重函数转换为权重矩阵；以所述骨骼关节作为节点，以所述权重矩阵中两个节点对应的权重作为所述两个节点之间边的权重，构建图结构；根据所述权重大小去掉所述图结构中的冗余边，生成骨骼树结构，其中，利用所述骨骼树结构进行骨骼绑定。
5、进一步地，对所述网格模型进行骨骼绑定的步骤包括：显示所述关节位置向量和所述骨骼树结构；接收对所述关节位置向量和/或所述骨骼树结构的调整信息；根据所述调整信息修改所述关节位置向量和/或所述骨骼树结构；利用修改后的所述关节位置向量和所述骨骼树结构对所述网格模型进行骨骼绑定。
6、进一步地，采用以下步骤训练得到所述第一预测网络和所述第二预测网络：获取样本网格模型集，其中，所述样本网格模型集包括多个样本网格模型，每个所述样本网格模型对应一个样本角色；标注所述样本网格模型的关节位置向量得到样本关节位置向量，标注所述样本网格模型的关节连接概率矩阵得到样本关节连接概率矩阵；构建初始第一预测网络和初始第二预测网络；将所述样本网格模型作为所述初始第一预测网络的输入数据，将所述样本关节位置向量作为所述初始第一预测网络的目标数据，将所述样本网格模型和所述初始第一预测网络的输出数据作为所述初始第二预测网络的输入数据，将所述样本关节连接概率矩阵作为所述初始第二预测网络的目标数据，对所述初始第一预测网络和所述初始第二预测网络进行迭代训练，得到所述初始第一预测网络和所述初始第二预测网络。
7、进一步地，对所述初始第一预测网络和所述初始第二预测网络进行迭代训练包括：步骤s1：在所述样本网格模型集中随机获取若干样本网格模型，对所述初始第一预测网络和所述初始第二预测网络进行训练；步骤s2：每次训练后，采用以下公式计算总损失：，其中，为用于控制第一损失和第二损失之间平衡的参数，取值范围为[0, 1]，所述第一损失为所述初始第一预测网络当前训练中的损失，所述第二损失为所述初始第二预测网络当前训练中的损失；步骤s3：判断所述总损失的值是否下降，其中，当所述总损失的值不再下降时，执行步骤s4，当所述总损失的值仍然下降时，返回步骤s1；步骤s4：停止训练，输出所述第一预测网络和所述第二预测网络。
8、进一步地，采用以下公式计算所述第一损失和所述第二损失：
9、
10、
11、
12、
13、其中，s为参与当前训练的样本网格模型的数量，为第一平均绝对误差，为第m个样本网格模型的所述第一平均绝对误差，所述第一平均绝对误差为针对一个样本网格模型，骨骼关节的预测关节位置向量与真实关节位置向量的平均绝对误差，n为所述样本网格模型的骨骼关节的数量，为第二平均绝对误差，为第m个样本网格模型的所述第二平均绝对误差，所述第二平均绝对误差为针对一个所述样本网格模型，两个骨骼关节的预测连接概率与真实连接概率之间的平均绝对误差。
14、进一步地，所述网格模型包括顶点数据和面数据，所述第一预测网络包括堆叠的多层图卷积层、与每个所述图卷积层连接的全局池化层和与各个所述全局池化层分别连接的第一多层感知机，将所述网格模型输入至第一预测网络包括：根据所述顶点数据生成初始顶点特征矩阵；根据所述面数据生成邻接矩阵；将所述初始顶点特征矩阵和所述邻接矩阵输入至第一层图卷积层，后续每一层图卷积层的输入数据包括所述邻接矩阵和前一层图卷积层输出的顶点特征矩阵；将每个所述图卷积层输出的顶点特征矩阵对应输入至所述全局池化层，每个所述全局池化层输出对应一个所述图卷积层的全局特征向量；将各个所述全局特征向量拼接后输入至所述第一多层感知机，其中，所述第一多层感知机用于提取所述全局特征向量的非线性表示，以输出所述关节位置向量。
15、进一步地，所述第二预测网络包括第二多层感知机和输出转换层，将所述网格模型和所述关节位置向量输入至第二预测网络包括：根据所述关节位置向量生成两个骨骼关节的偏移向量；将所述两个骨骼关节的偏移向量和所述网格模型进行拼接，得到拼接特征矩阵；将所述拼接特征矩阵输入至所述第二多层感知机，其中，所述第二多层感知机用于提取所述拼接特征矩阵的非线性特征，以输出连接概率的中间表示；将所述连接概率的中间表示输入至输出转换层，以输出所述关节连接概率矩阵。
16、另一方面，为实现上述目的，本专利技术提供了一种网格模型的骨骼绑定装置。
17、该网格模型的骨骼绑定装置包括：接收模块，用于接收目标角色的网格模型；第一处理模块，用于将所述网格模型输入至第一预测网络，其中，所述第一预测网络用于根据所述网格模型预测所述目标角色骨骼关节的关节位置向量，所述关本文档来自技高网...
【技术保护点】
1.一种网格模型的骨骼绑定方法，其特征在于，包括：
2.根据权利要求1所述的网格模型的骨骼绑定方法，其特征在于，在利用所述关节连接概率进行骨骼绑定之前，所述方法还包括：
3.根据权利要求2所述的网格模型的骨骼绑定方法，其特征在于，对所述网格模型进行骨骼绑定的步骤包括：
4.根据权利要求1所述的网格模型的骨骼绑定方法，其特征在于，采用以下步骤训练得到所述第一预测网络和所述第二预测网络：
5.根据权利要求4所述的网格模型的骨骼绑定方法，其特征在于，对所述初始第一预测网络和所述初始第二预测网络进行迭代训练包括：
6.根据权利要求5所述的网格模型的骨骼绑定方法，其特征在于，
7.根据权利要求4所述的网格模型的骨骼绑定方法，其特征在于，所述网格模型包括顶点数据和面数据，所述第一预测网络包括堆叠的多层图卷积层、与每个所述图卷积层连接的全局池化层和与各个所述全局池化层分别连接的第一多层感知机，将所述网格模型输入至第一预测网络包括：
8.根据权利要求7所述的网格模型的骨骼绑定方法，其特征在于，所述第二预测网络包括
9.一种网格模型的骨骼绑定装置，其特征在于，包括：
10.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
11.种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种网格模型的骨骼绑定方法，其特征在于，包括：
2.根据权利要求1所述的网格模型的骨骼绑定方法，其特征在于，在利用所述关节连接概率进行骨骼绑定之前，所述方法还包括：
3.根据权利要求2所述的网格模型的骨骼绑定方法，其特征在于，对所述网格模型进行骨骼绑定的步骤包括：
4.根据权利要求1所述的网格模型的骨骼绑定方法，其特征在于，采用以下步骤训练得到所述第一预测网络和所述第二预测网络：
5.根据权利要求4所述的网格模型的骨骼绑定方法，其特征在于，对所述初始第一预测网络和所述初始第二预测网络进行迭代训练包括：
6.根据权利要求5所述的网格模型的骨骼绑定方法，其特征在于，
7.根据权利要求4所述的网格模型的骨骼绑定方法，其特征在于，所述网格模型包括顶点数据和面数...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：北京生数科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。