CN111862277A - 用于生成动画的方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了用于生成动画的方法、装置、设备以及存储介质，涉及增强现实技术、动画和深度学习领域。具体实现方案为：获取人脸图像集合以及与人脸图像集合匹配的音频；对人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息；根据预先训练的嘴部信息确定模型以及音频，确定人脸对象的嘴部信息，其中，嘴部信息确定模型用于表征音频与嘴部信息的对应关系；融合第一表情信息以及嘴部信息，确定第二表情信息；基于头部姿态信息以及第二表情信息，生成动画。本实现方式可以使得得到的动画更加逼真流畅，提高了嘴部遮挡情况下的稳定性。

Description

用于生成动画的方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及增强现实技术、动画和深度学习领域，尤其涉及用于生成动画的方法、装置、设备以及存储介质。

背景技术

人脸动画在多模态人机交互、电影制作、电脑游戏、视频会议、虚拟主持人等方面得到了越来越多的应用。人脸动画需要实时通过人脸表情信息来驱动人脸混合形状变形。人脸表情信息的提取人脸动画驱动技术的关键环节，只有准确捕捉人脸表情才能使人脸混合形状驱动的人脸模型更加生动逼真。

目前的人脸通过驱动方法是以图像为输入，在提取人脸稀疏关键点的基础上，通过求解预定的各个表情的全局最佳匹配来获取人脸表情信息。由于个体人脸差异导致全局最佳匹配难以达到，导致人脸稀疏关键点的提取存在误差。

发明内容

提供了一种用于生成动画的方法、装置、设备以及存储介质。

根据第一方面，提供了一种用于生成动画的方法，包括：获取人脸图像集合以及与人脸图像集合匹配的音频；对人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息；根据预先训练的嘴部信息确定模型以及音频，确定人脸对象的嘴部信息，其中，嘴部信息确定模型用于表征音频与嘴部信息的对应关系；融合第一表情信息以及嘴部信息，确定第二表情信息；基于头部姿态信息以及第二表情信息，生成动画。

根据第二方面，提供了一种用于生成动画的装置，包括：获取单元，被配置成获取人脸图像集合以及与人脸图像集合匹配的音频；第一确定单元，被配置成对人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息；第二确定单元，被配置成根据预先训练的嘴部信息确定模型以及音频，确定人脸对象的嘴部信息，其中，嘴部信息确定模型用于表征音频与嘴部信息的对应关系；融合单元，被配置成融合第一表情信息以及嘴部信息，确定第二表情信息；生成单元，被配置成基于头部姿态信息以及第二表情信息，生成动画。

根据第三方面，提供了一种用于生成动画的电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法。

根据本申请的技术解决了现有的人脸表情信息不准确的问题，通过利用人脸图像和与人脸图像匹配的音频，分别提取人脸的表情信息和嘴部信息，并融合表情信息和嘴部信息，使得得到的动画更加逼真流畅，提高了嘴部遮挡情况下的稳定性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请的一个实施例可以应用于其中的示例性***架构图；

图2是根据本申请的用于生成动画的方法的一个实施例的流程图；

图3是根据本申请的用于生成动画的方法的一个应用场景的示意图；

图4是根据本申请的用于生成动画的方法的另一个实施例的流程图；

图5是根据本申请的用于生成动画的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于生成动画的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成动画的方法或用于生成动画的装置的实施例的示例性***架构100。

如图1所示，***架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如动画播放类应用、视频播放类应用、图像浏览类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上提供的图像和音频进行处理的后台服务器。后台服务器可以图像和音频进行处理，生成动画，并将动画反馈给终端设备101、102、103。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成动画的方法可以由终端设备101、102、103来执行，也可以由服务器105执行。相应地，用于生成动画的装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于生成动画的方法的一个实施例的流程200。本实施例的用于生成动画的方法，包括以下步骤：

步骤201，获取人脸图像集合以及与人脸图像集合匹配的音频。

本实施例中，用于生成动画的方法的执行主体(例如图1所示的终端设备101、102、103或服务器105)可以获取人脸图像集合以及与人脸图像集合匹配的音频。这里，人脸图像集合可以包括同一人脸对象的多张图像。音频可以是与人脸图像集合中的各人脸图像匹配的音频。所谓匹配，是指音频中的各因素对应的嘴部动作与人脸图像中的嘴部图像匹配。在一些应用场景中，上述人脸图像集合和音频来自于同一视频。

步骤202，对人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息。

执行主体在获取到人脸图像集合后，可以对人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息。这里，执行主体可以分别提取人脸图像集合中各人脸图像的特征信息，或者执行主体可以对人脸图像进行语义分割等处理。通过以上处理，执行主体可以从分析结果中得到人脸对象的头部姿态信息以及第一表情信息。例如，执行主体可以将提取的特征信息输入预先训练的头部姿态信息确定模型，来确定头部姿态信息。或者，执行主体可以根据语义分割的结果，来确定头部轮廓，根据轮廓来确定头部姿态信息。这里，头部姿态信息用于表示人脸对象的头部与相机坐标系的相对位置。同样的，执行主体还可以通过分析结果得到人脸对象的第一表情信息。例如，执行主体可以将提取的特征信息输入预先训练的表情信息确定模型，来确定第一表情信息。这里，第一表情信息中可以包括多个参数值，每个参数用于描述人脸的不同部位的状态。例如，第一表情信息可以包括用于描述嘴部开合程度的参数，该参数可以取0～1之间的值，值越大表示嘴部的开合程度越大，值越小表示嘴部的开合程度越小。或者，第一表情信息还可以包括用于描述眼睛开合程度的参数，该参数也可以取0～1之间的值，值越大表示眼睛的开合程度越大，值越小表示眼睛的开合程度越小。

步骤203，根据预先训练的嘴部信息确定模型以及音频，确定人脸对象的嘴部信息。

执行主体也可以对获取的音频进行处理，例如将音频输入预先训练的嘴部信息确定模型中，可以得到人脸对象的嘴部信息。这里，嘴部信息确定模型可以用于表征音频与嘴部信息的对应关系。可以理解的是，嘴部信息也可以是包括用于描述唇形变化情况的参数，这些参数对应一个取值范围，不同的参数值用于表示不同的唇形。在一些应用中，执行主体在将音频输入嘴部信息确定模型之前，还可以对音频进行预处理。上述预处理包括去除音频中的噪声、对音频进行频谱分析等。

步骤204，融合第一表情信息以及嘴部信息，确定第二表情信息。

执行主体在得到第一表情信息以及嘴部信息后，可以将二者融合，得到第二表情信息。具体的，执行主体可以将嘴部信息与第一表情信息中用于描述嘴部的信息进行合并，得到第二表情信息。

步骤205，基于头部姿态信息以及第二表情信息，生成动画。

执行主体在得到第二表情信息后，可以基于头部姿态信息以及第二表情信息，生成动画。具体的中，执行主体可以根据头部姿态信息来决定人脸素材的位置，根据第二表情信息决定基础混合形状(Blendshapes)的加权系数，从而驱动动画。在动画领域，可以通过内容创建软件Maya导入上述第二表情系数和头部姿态信息，创建软件Maya系数作为参数传给虚拟脸部用于制作脸部动画。

继续参见图3，其示出了根据本申请的用于生成动画的方法的一个应用场景的示意图。在图3的应用场景中，用户将演讲视频中的人脸图像和音频输入到终端301中，终端301对上述人脸图像和音频进行步骤202～205的处理后，得到动画。

本申请的上述实施例提供的用于生成动画的方法，通过利用人脸图像和与人脸图像匹配的音频，分别提取人脸的表情信息和嘴部信息，并融合表情信息和嘴部信息，使得得到的动画更加逼真流畅，提高了嘴部遮挡情况下的稳定性。

继续参见图4，其示出了根据本申请的用于生成动画的方法的另一个实施例的流程400。如图4所示，本实施例的用于生成动画的方法，可以包括如下步骤：

步骤401，获取人脸图像集合以及与人脸图像集合匹配的音频。

步骤402，提取人脸图像集合中人脸图像的特征信息。

本实施例中，执行主体可以对人脸图像集合中人脸图像进行特征提取，得到各人脸图像的特征信息。具体的，执行主体利用级联的HourGlass进行特征提取。HourGlass于欧洲计算机视觉国际会议ECCV2016由密歇根大学的研究团队提出。其在人体姿态估计方面又很好的效果。

步骤403，根据特征信息以及预先训练的头部姿态信息确定模型，确定人脸对象的头部姿态信息。

执行主体可以将得到的特征信息输入预先训练的头部姿态信息确定模型，得到人脸对象的头部姿态信息。这里，头部姿态信息确定模型用于表征特征信息与头部姿态信息的对应关系。头部姿态信息确定模型可以包括多个卷积层以及一个全连接层。卷积层用于继续提取特征信息的特征，全连接层用于对提取得到的特征信息进行分类，得到人脸对象的头部姿态信息。

步骤404，根据特征信息以及预先训练的表情信息确定模型，确定人脸对象的第一表情信息。

执行主体还可以将步骤401中得到的特征信息输入预先训练的表情信息确定模型，得到人脸对象的第一表情信息。这里，表情信息确定模型用于表征特征信息与表情信息的对应关系。表情信息确定模型可以包括多个子模型，每个子模型用于提取人脸不同部位的特征信息。例如，一个子模型用于提取眼部的特征信息，另一个子模型用于提取嘴部的特征信息，还有一个子模型用于提取眉毛的特征信息。表情信息确定模型还可以包括全连接层，用于将各子模型提取的特征信息进行拼接，得到第一表情信息。

步骤405，根据预先训练的嘴部信息确定模型以及音频，确定人脸对象的嘴部信息。

在本实施例的一些可选的实现方式中，上述嘴部信息确定模型可以通过图4中未示出的以下步骤得到：获取训练样本集合，训练样本包括音频以及与音频中各音素对应的标注嘴部信息；将训练样本集合中训练样本的音频作为输入，将与所输入的音频中各音素对应的标注嘴部信息作为期望输出，训练得到嘴部信息确定模型。

本实现方式中，执行主体可以首先获取训练样本集合。训练样本可以包括音频以及与音频中各音素对应的标注嘴部信息。这里，技术人员可以根据获取的包括人脸图像的视频，对视频中人脸对象的嘴部进行标注，例如可以根据人脸对象的嘴部的开合程度，标注一个值。然后，执行主体可以将训练样本集合中训练样本的音频作为输入，将与所输入的音频中各音素对应的标注嘴部信息作为期望输出，训练得到嘴部信息确定模型。

需要说明的是，嘴部信息确定模型的训练可以由本实施例的执行主体来执行，也可以由执行主体之外的其它电子设备来执行。当由其它电子设备来执行时，其它电子设备可以将训练得到的嘴部信息确定模型发送给本实施例的执行主体。

步骤406，确定第一表情信息对应的第一权重和嘴部信息对应的第二权重。

执行主体在融合第一表情信息和嘴部信息时，可以为二者分别设置权重。具体的，执行主体可以根据人脸图像集合中各人脸图像的清晰度或者人脸图像与正面人脸图像的比值确定第一权重。执行主体也可以根据音频中包括的噪音程度来确定第二权重。

步骤407，根据第一表情信息、第一权重、嘴部信息和第二权重，确定第二表情信息。

在确定第一权重和第二权重后，执行主体可以根据第一表情信息、第一权重、嘴部信息和第二权重，确定第二表情信息。具体的，执行主体可以分别计算第一表情信息与第一权重的积以及嘴部信息和第二权重的积，然后将两个积相加，得到第二表情信息。

步骤408，输出第二表情信息；接收针对第二表情信息的修改信息。

本实施例中，执行主体还可以直接将第二表情信息输出，以供用户查看或调整。在一些应用中，用户需要生成的人脸动画与实际的人脸相比更夸张一些，则可以手动调整上述第二表情信息。

如果用户需要调整第二表情信息，执行主体可以接收针对第二表情信息的修改信息。上述修改信息可以包括调整后各参数的值。

步骤409，基于头部姿态信息以及修改信息，生成动画。

执行主体可以基于头部姿态信息以及修改信息，生成动画。这样生成的动画，更符合用户的要求。

本申请的上述实施例提供的用于生成动画的方法，可以根据人脸图像的质量和音频的质量动态的调整第一表情信息和嘴部信息的权重，尽可能提供人脸表情刻画的准确性；可以与用户交互，允许用户对表情信息进行调整，提高用户体验。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成动画的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成动画装置500包括：获取单元501、第一确定单元502、第二确定单元503、融合单元504和生成单元505。

获取单元501，被配置成获取人脸图像集合以及与人脸图像集合匹配的音频。

第一确定单元502，被配置成对人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息。

第二确定单元503，被配置成根据预先训练的嘴部信息确定模型以及音频，确定人脸对象的嘴部信息。其中，嘴部信息确定模型用于表征音频与嘴部信息的对应关系。

融合单元504，被配置成融合第一表情信息以及嘴部信息，确定第二表情信息。

生成单元505，被配置成基于头部姿态信息以及第二表情信息，生成动画。

在本实施例的一些可选的实现方式中，融合单元504可以进一步被配置成：确定第一表情信息对应的第一权重和嘴部信息对应的第二权重；根据第一表情信息、第一权重、嘴部信息和第二权重，确定第二表情信息。

在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的接收单元，被配置成：输出第二表情信息；接收针对第二表情信息的修改信息。

在本实施例的一些可选的实现方式中，生成单元505可以进一步被配置成：基于头部姿态信息以及修改信息，生成动画。

在本实施例的一些可选的实现方式中，第一确定单元502可以进一步被配置成：提取人脸图像集合中人脸图像的特征信息；根据特征信息以及预先训练的头部姿态信息确定模型，确定人脸对象的头部姿态信息，其中，头部姿态信息确定模型用于表征特征信息与头部姿态信息的对应关系；根据特征信息以及预先训练的表情信息确定模型，确定人脸对象的第一表情信息，其中，表情信息确定模型用于表征特征信息与表情信息的对应关系。

在本实施例的一些可选的实现方式中，装置500还可以进一步包括图5中未示出的训练单元，被配置成：获取训练样本集合，训练样本包括音频以及与音频中各音素对应的标注嘴部信息；将训练样本集合中训练样本的音频作为输入，将与所输入的音频中各音素对应的标注嘴部信息作为期望输出，训练得到嘴部信息确定模型。

应当理解，用于生成动画的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于生成动画的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的执行用于生成动画的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的执行用于生成动画的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的执行用于生成动画的方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的执行用于生成动画的方法对应的程序指令/模块(例如，附图5所示的获取单元501、第一确定单元502、第二确定单元503、融合单元504和生成单元505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的执行用于生成动画的方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据执行用于生成动画的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至执行用于生成动画的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

执行用于生成动画的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与执行用于生成动画的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请实施例的技术方案，通过利用人脸图像和与人脸图像匹配的音频，分别提取人脸的表情信息和嘴部信息，并融合表情信息和嘴部信息，使得得到的动画更加逼真流畅，提高了嘴部遮挡情况下的稳定性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种用于生成动画的方法，包括：

获取人脸图像集合以及与所述人脸图像集合匹配的音频；

对所述人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息；

根据预先训练的嘴部信息确定模型以及所述音频，确定所述人脸对象的嘴部信息，其中，所述嘴部信息确定模型用于表征音频与嘴部信息的对应关系；

融合所述第一表情信息以及所述嘴部信息，确定第二表情信息；

基于所述头部姿态信息以及所述第二表情信息，生成动画。

2.根据权利要求1所述的方法，其中，所述融合所述第一表情信息以及所述嘴部信息，确定第二表情信息，包括：

确定所述第一表情信息对应的第一权重和所述嘴部信息对应的第二权重；

根据所述第一表情信息、所述第一权重、所述嘴部信息和所述第二权重，确定所述第二表情信息。

3.根据权利要求1所述的方法，其中，所述方法还包括：

输出所述第二表情信息；

接收针对所述第二表情信息的修改信息。

4.根据权利要求3所述的方法，其中，所述基于所述头部姿态信息以及所述第二表情信息，生成动画，包括：

基于所述头部姿态信息以及所述修改信息，生成动画。

5.根据权利要求1所述的方法，其中，所述对所述人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息，包括：

提取所述人脸图像集合中人脸图像的特征信息；

根据所述特征信息以及预先训练的头部姿态信息确定模型，确定所述人脸对象的头部姿态信息，其中，所述头部姿态信息确定模型用于表征特征信息与头部姿态信息的对应关系；

根据所述特征信息以及预先训练的表情信息确定模型，确定所述人脸对象的第一表情信息，其中，所述表情信息确定模型用于表征特征信息与表情信息的对应关系。

6.根据权利要求1所述的方法，其中，所述嘴部信息确定模型通过以下步骤训练得到：

获取训练样本集合，所述训练样本包括音频以及与音频中各音素对应的标注嘴部信息；

将所述训练样本集合中训练样本的音频作为输入，将与所输入的音频中各音素对应的标注嘴部信息作为期望输出，训练得到所述嘴部信息确定模型。

7.一种用于生成动画的装置，包括：

获取单元，被配置成获取人脸图像集合以及与所述人脸图像集合匹配的音频；

第一确定单元，被配置成对所述人脸图像集合中的人脸图像进行分析，确定人脸对象的头部姿态信息以及第一表情信息；

第二确定单元，被配置成根据预先训练的嘴部信息确定模型以及所述音频，确定所述人脸对象的嘴部信息，其中，所述嘴部信息确定模型用于表征音频与嘴部信息的对应关系；

融合单元，被配置成融合所述第一表情信息以及所述嘴部信息，确定第二表情信息；

生成单元，被配置成基于所述头部姿态信息以及所述第二表情信息，生成动画。

8.根据权利要求7所述的装置，其中，所述融合单元进一步被配置成：

确定所述第一表情信息对应的第一权重和所述嘴部信息对应的第二权重；

根据所述第一表情信息、所述第一权重、所述嘴部信息和所述第二权重，确定所述第二表情信息。

9.根据权利要求7所述的装置，其中，所述装置还包括接收单元，被配置成：

输出所述第二表情信息；

接收针对所述第二表情信息的修改信息。

10.根据权利要求9所述的装置，其中，所述生成单元进一步被配置成：

基于所述头部姿态信息以及所述修改信息，生成动画。

11.根据权利要求7所述的装置，其中，所述第一确定单元进一步被配置成：

提取所述人脸图像集合中人脸图像的特征信息；

根据所述特征信息以及预先训练的头部姿态信息确定模型，确定所述人脸对象的头部姿态信息，其中，所述头部姿态信息确定模型用于表征特征信息与头部姿态信息的对应关系；

根据所述特征信息以及预先训练的表情信息确定模型，确定所述人脸对象的第一表情信息，其中，所述表情信息确定模型用于表征特征信息与表情信息的对应关系。

12.根据权利要求7所述的装置，其中，所述装置还包括训练单元，被配置成：

获取训练样本集合，所述训练样本包括音频以及与音频中各音素对应的标注嘴部信息；

将所述训练样本集合中训练样本的音频作为输入，将与所输入的音频中各音素对应的标注嘴部信息作为期望输出，训练得到所述嘴部信息确定模型。

13.一种用于生成动画的电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。

Images