[发明专利]基于神经网络的游戏人物动作识别生成方法

说明书

本发明公开了一种基于神经网络的游戏人物动作识别生成方法，包括以下步骤：采集人体运动视频，并按帧率切分为连续帧的图像；采用人体关键点神经网络逐一检测提取任一序列帧的图像中的人体关键点2D坐标数据；将任一序列帧人体关键点2D坐标数据输入至姿态预测神经网络得到对应3D姿态数据；将3D姿态数据绑定到动画骨骼上，以得到游戏人物动作数据。通过上述方案，本发明逻辑简单、识别准确、识别效果高、计算工作量少等优点，在计算机视觉技术领域具有很高的实用价值和推广价值。

技术领域

本发明涉及计算机视觉技术领域，尤其是基于神经网络的游戏人物动作识别生成方法。

背景技术

近年来随着计算机技术与AI人工智能的发展和应用，基于计算机视觉的人体动作重建技术迅速兴起并得到了广泛的关注。当前基于计算机视觉的人体动作重建仍是计算机视觉中一个极具挑战性的课题，其涉及图像处理、模式识别、人工智能等多个学科，在数字电影、动漫制作、游戏开发等领域有着广泛的应用前景。

本文主要是应用到游戏动作制作，其中，传统的游戏动作制作技术主要有如下三种：

第一种，光学动作捕捉生成动作技术；这种技术需要专门的环境，要求周围无明显干扰，需要专门演员穿戴光学动捕设备捕捉动作。虽然光学动作捕捉技术的捕捉结果精度高，但需要有场地、设备和人员的要求，使用成本高。如专利申请号为“201910846952.8”、名称为“一种基于三维姿态识别的舞谱记录与演示方法”的中国发明专利。

第二种，惯性动作捕捉生成动作技术；这种技术需要专业表演者穿戴各种动作捕捉设备，由于这些动作捕捉设备绑在人体关键点上，能够采样人体运动的速度和加速度，以此推断出人体关节的位置和动作。但这种技术因设备的精度问题，捕捉效果比光学动作捕捉技术差，且无法解决虚拟角色脚跟紧贴地面的问题。同样，惯性动作捕捉技术也需要有设备和人员的要求。如专利申请号为“201910304590.X”、名称为“-一种基于深度学习的人体动作捕捉与虚拟动画生成方法”的中国发明专利。

第三种，专业人员手工制作；这种方式需要专业的动作师一帧一帧手动制作相应的动作，耗时长效率低，高质量的动作对制作人员要求高。

另外，现有技术中早期方法简单地执行最近邻搜索在3D姿势可用的大量2D关键点上的预测的2D关键点集合，然后简单地输出相应的3D姿势。有一些方法是利用图像特征和2D地面实况，或通过简单地预测其深度来从一组给定的2D关键点预测3D姿势；传统的视频姿势估计大多数在单帧数据中工作，这样就导致帧与帧之间的数据是独立不连续的。

因此，急需要提出一种逻辑简单、识别准确的基于神经网络的游戏人物动作识别生成方法。

发明内容

针对上述问题，本发明的目的在于提供一种基于神经网络的游戏人物动作识别生成方法，本发明采用的技术方案如下：

基于神经网络的游戏人物动作识别生成方法，包括以下步骤：

采集人体运动视频，并按帧率切分为连续帧的图像；

采用人体关键点神经网络逐一检测提取任一序列帧的图像中的人体关键点2D坐标数据；

将任一序列帧人体关键点2D坐标数据输入至姿态预测神经网络得到对应3D姿态数据；

将3D姿态数据绑定到动画骨骼上，以得到游戏人物动作数据。

进一步地，所述姿态预测神经网络包括依次连接的9个神经单元，以及设置在第九个神经单元后的1卷积层；任一神经单元包括从前至后依次连接并封装成型的卷积层、批标准化层、线性修正单元和随机失活层。

优选地，所述卷积层含有42个输入通道、且1024个输出通道；所述卷积层的过滤器大小为3。

优选地，所述随机失活层的丢失率p为0.25。