一种网格模型的处理方法、存储介质以及设备与流程

1.本说明书涉及计算机技术领域，尤其涉及一种网格模型的处理方法、存储介质以及设备。


背景技术：

2.三维模型在诸多领域都扮演了十分重要的角色，如游戏领域、直播领域等等。然而，在相关技术中，三维模型的运动，一般由专业技术人员来手动创建三维模型对应的骨骼以及蒙皮来实现，或者使用扫描设备捕获真人演员的动作，并经过算法处理使其应用于三维模型动画。这样，要创造出三维模型动画，往往需要消耗较大的时间成本和人力成本。


技术实现要素：

3.为克服相关技术中存在的问题，本说明书提供了一种网格模型的处理方法、存储介质以及设备。
4.根据本说明书实施例的第一方面，提供一种网格模型的处理方法，包括：
5.获取待处理的目标网格模型；
6.通过关节图神经网络生成所述目标网格模型的关节点，再通过蒙皮图神经网络生成所述目标网格模型的各关节点的蒙皮权重；
7.将所述关节点以及所述蒙皮权重与所述目标网格模型进行绑定，以使绑定后的目标网格模型用于运动控制；
8.其中，所述关节图神经网络和所述蒙皮图神经网络是基于多个预设的三维角色模型训练得到的，所述三维角色模型具有多个顶点，所述关节图神经网络基于所述三维角色模型中已确定的关节点学习得到各顶点的分类，所述蒙皮图神经网络基于所述三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重。
9.在某些例子中，上述多个预设的三维角色模型具有相同的顶点个数。
10.在某些例子中，上述多个预设的三维角色模型通过如下方式处理得到：
11.获取多个初始三维角色模型，所述多个初始三维角色模型不具有相同的顶点个数；
12.针对每个初始三维角色模型，将预设网格模板变形至与所述初始三维角色模型贴合，并利用变形后的预设网格模板作为所述预设的三维角色模型。
13.在某些例子中，上述目标网格模型的关节点基于以下方式得到：
14.将目标网格模型输入所述关节图神经网络，得到每个顶点对应的特征向量，所述特征向量用于表征所述顶点与其他顶点的相关性；
15.将所述特征向量输入全连接网络，得到每个顶点的预测关节位置；
16.对所有顶点的预测关节位置进行聚类，并将每一类的中心点作为所述目标网格模型的关节点。
17.在某些例子中，上述目标网格模型的各顶点和各关节点具有对应的排序编号；
18.所述目标网格模型中，任一顶点对应任一关节点的蒙皮权重是根据所述顶点的排序编号以及所述关节点的排序编号，从所述蒙皮图神经网络输出的权值矩阵中确定得到的。
19.在某些例子中，通过如下方式对绑定后的目标网格模型进行运动控制：
20.获取目标运动参数，基于所述目标运动参数控制所述目标网格模型的关节点进行运动，并基于所述关节点以及蒙皮权重，控制所述目标网格模型的其他顶点进行运动；所述其他顶点是指所述目标网格模型中除所述关节点之外的顶点。
21.在某些例子中，上述方法应用于直播客户端，所述目标运动参数是基于主播用户的手动设置而得到的，或是通过对捕捉到的主播动作进行解析而得到的。
22.在某些例子中，上述方法应用于直播服务端；
23.所述直播服务端将多个预设的三维角色模型按照人群类型进行分组，预先训练多个关节图神经网络和蒙皮图神经网络，并在主播开播后，识别主播指定的目标网格模型所属的人群类型，确定对应所述人群类型的关节图神经网络和蒙皮图神经网络，以使所述主播得到用于运动控制的目标三维模型；
24.或者，所述直播服务端预先处理并存储有对应不同人群类型的目标网格模型，以使主播开播后，识别出主播所属的人群类型，确定与所述主播所属的人群类型匹配的目标网格模型，并将所述目标网格模型发送给所述主播的直播客户端。
25.根据本说明书实施例的第二方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现说明书实施例中任一项方法。
26.根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现说明书实施例中任一项方法。
27.本说明书的实施例提供的技术方案可以包括以下有益效果：
28.本说明书实施例中，公开了一种网格模型的处理方法、存储介质以及设备，该方法中，基于多个预设的三维角色模型分别训练得到关节图神经网络和蒙皮图神经网络，其中，关节图神经网络基于该三维角色模型中已确定的关节点学习得到各顶点的分类，蒙皮图神经网络基于该三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重，进而在应用阶段，通过这两个图神经网络分别生成待处理的目标网格模型的关节点以及蒙皮权重，使得该目标网格模型能够用于运动控制。如此，降低了创建三维角色动画的门槛，缩短了开发三维角色动画的成本和时间。
29.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
30.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
31.图1是本说明书根据一示例性实施例示出的一种网格模型的处理方法的流程图；
32.图2是本说明书根据一示例性实施例示出的网格模型的示意图；
33.图3是本说明书根据一示例性实施例示出的为网格模型生成关节位置的示意图；
34.图4是本说明书根据一示例性实施例示出的为网格模型生成蒙皮的示意图；
35.图5是本说明书根据一示例性实施例示出的目标三维模型产生运动的示意图；
36.图6是本说明书根据一示例性实施例示出的网格模型的处理装置所在计算机设备的一种硬件结构图；
37.图7是本说明书根据一示例性实施例示出的一种网格模型的处理装置的框图。
具体实施方式
38.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
39.在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
40.应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
41.三维模型在诸多领域都扮演了十分重要的角色，如游戏领域、直播领域等等。然而，在相关技术中，三维模型的运动，一般由专业技术人员来手动创建三维模型对应的骨骼以及蒙皮来实现，或者使用扫描设备捕获真人演员的动作，并经过算法处理使其应用于三维模型动画。这样，要创造出三维模型动画，往往需要消耗较大的时间成本和人力成本。基于此，本说明书实施例提供一种网格模型的处理方法，以解决上述问题。
42.接下来对本说明书实施例进行详细说明。
43.如图1所示，图1是本说明书根据一示例性实施例示出的一种网格模型的处理方法的流程图，所述方法包括：
44.在步骤101、获取待处理的目标网格模型；
45.网格模型(mesh model)是采用一系列大小和形状接近的多边形，如三角形、四边形来近似表示三维物体的模型。一个网格模型是由若干个顶点组成的，以三角网格模型为例，每个三角形都有三个顶点，且每个三角形都和其他三角形共享边。网格模型的每个顶点具有对应的坐标，这一坐标是以网格模型的某个点，如人体角色模型的后腰中心点作为原点建立坐标系而得到的。
46.要在视觉上实现构建的网格模型在三维空间中的运动，通常做法是为网格模型创建骨骼以及蒙皮，也就是对于网格模型的顶点，确定每个顶点受到哪些关节点/骨骼影响，并指定影响权值。其中，关节点是指模型中的主要顶点，关节点按照角色身体结构连起来，就形成骨架，两个关节点之间的连线就是骨骼，而蒙皮是指将网格模型中的顶点绑定在骨骼之上，蒙皮权重的形式可以是网格模型的每个顶点受控制的关节点编号，以及其受控制
的关节点影响权重，如一个蒙皮权重可以表示为m(i，j)，其中m表示对应的权值，i表示顶点编号，j表示关节点编号。本实施例旨在提供一种自动为网格模型绑定关节点和蒙皮权重的方式，使处理后的网格模型能够由数据驱动。
47.本实施例中提到的目标网格模型可以是人体网格模型，也可以是其他形象的网格模型，如卡通角色、机器人、动物等等，本说明书对此不作限制。
48.在步骤102、通过关节图神经网络生成所述目标网格模型的关节点，再通过蒙皮图神经网络生成所述目标网格模型的各关节点的蒙皮权重；
49.其中，所述关节图神经网络和所述蒙皮图神经网络分别基于多个预设的三维角色模型训练得到的，所述三维角色模型具有多个顶点，所述关节图神经网络基于所述三维角色模型中已确定的关节点学习得到各顶点的分类，所述蒙皮图神经网络基于所述三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重；
50.在本实施例中，关节图神经网络和蒙皮图神经网络是基于多个预设的三维角色模型训练得到的，其中，每个预设的三维角色模型由多个顶点组成，具有已确定的关节点和已确定的蒙皮权重。所述的三维角色模型是某个角色形象的三维模型，这里的角色形象包括真人、卡通人物、动物等等。
51.为了提升神经网络的收敛速度和效果，在某些例子中，这些预设的三维角色模型可以是具有相同顶点个数的模型。可选的，其可以是通过以下方式处理得到：获取多个初始三维角色模型，所述多个初始三维角色模型不具有相同的顶点个数；针对每个初始三维角色模型，将预设网格模板变形至与所述初始三维角色模型贴合，并利用变形后的预设网格模板作为所述预设的三维角色模型。所述的多个初始三维角色模型可以是从互联网上搜集得到的，也可以是由专业技术人员制作得到的，由于来源不同，这些初始三维角色模型的顶点个数可能不同，而且这些初始三维角色模型的顶点个数一般是很大的数量级，为了使其降到同样的顶点个数，可以对其进行网格规整化操作，具体地，设置一个具有预设顶点个数的预设网格模板，通过三维建模工具(如maya软件)将这个预设网格模板变形，使其和搜集到的初始三维角色模型贴合，进而将变形后的预设网格模板作为前面提到的预设的三维角色模型，即作为训练样本。另外，在实际应用中，为了使神经网络预测的结果更加准确，可以根据待处理的目标网格模型的形象来搜集同一类角色的初始三维角色模型，如待处理的目标网格模型的形象是一个年轻男性的形象，则搜集的初始三维角色模型可以指定为年轻男性角色的三维模型，这样在后续训练神经网络时，可以使得该神经网络更加具有针对性，从而有效提升其准确度。
52.需要说明的是，预设的三维角色模型的顶点个数可以是几千的数量级，在一个可选的实施例中，这里的顶点个数可以是5000。通过实验总结得到，这样的数量级既可以保持良好的精度，又可以有效降低运算量。当然，在其他实施例中，预设的三维角色模型的顶点个数也可以根据具体场景的需要进行设置。另外，在利用关节图神经网络和蒙皮图神经网络分别生成目标网格模型的关节点以及蒙皮权重时，可以对目标网格模型进行相同的网格规整化操作，使其三角形数控制在预设数量级，并且使其顶点分布较为均匀。
53.网格模型是一种图结构数据(graph)，目标网格模型的图结构数据包括：多个顶点，每个顶点具有对应的坐标，每n个顶点之间组成一个n边形，且每个n边形和其他n边形共享边，因此本实施例采用图神经网络(graph neural networks，gnn)来生成目标网格模型
的关节点以及蒙皮权重。图神经网络是一种直接作用于图结构上的神经网络，其基本思想可以认为是通过神经网络来聚合图结构中每个节点及其周围节点的信息。相较于传统神经网络而言，图神经网络在性质预测、分类、回归等任务上，可以取得较好的效果。本实施例将前面提到的多个预设的三维角色模型作为训练样本，训练出两个图神经网络，其中，关节图神经网络是以这些三维角色模型中已确定的关节点作为监督，学习得到各顶点的分类；蒙皮图神经网络是以这些三维角色模型中已确定的蒙皮权重作为监督，学习得到各顶点受各关节点影响的权重。这样，在应用阶段，这两个图神经网络可以利用学习到的知识，根据输入的网格模型得出对应的关节位置以及蒙皮权重。
54.在某些例子中，本步骤中的关节图神经网络和蒙皮图神经网络可以是图注意力网络(graph attention networks，gat)。图注意力网络采用注意力机制，能够放大数据中最重要的部分的影响，图注意力网络可以有效地适用于归纳学习问题(先从训练样本中学习到一定的模式，然后利用其对测试样本进行预测)和转导学习问题(先观察特定的训练样本，然后对特定的测试样本做出预测)。当然，在其他实施例中，关节图神经网络或蒙皮图神经网络也可以采用其他的图神经网络，如图卷积网络(graph convolution networks，gcn)、门控图神经网络(gated graph neural networks，ggnn)等，本说明书对此不作限制。
55.本实施例的关节图神经网络和蒙皮图神经网络的具体训练过程，与相关技术中图神经网络的训练过程是一致的，因此，本说明书对此不再赘述。
56.在应用阶段，将目标网格模型输入训练好的关节图神经网络，每个顶点得到一个对应的特征向量，这个特征向量是对应顶点的表征，用于衡量对应顶点与其他顶点的相关性。之后，关节图神经网络可以使用全连接网络对这些特征向量进行预测，输出每个顶点的预测关节位置，即每个顶点到距离其最近的关节位置。在得到各顶点的预测关节位置后，可以使用聚类算法将所有顶点的预测关节位置进行聚类，每一类的中心作为最后的关节位置。这里的聚类算法可以是k均值聚类算法，指定的k值可以根据具体模型的标准关节点数确定，如某类角色模型有24个标准关节点，则可以使用k值为24的k均值聚类算法进行聚类，这样，能够对关节点数进行约束，以符合标准关节点数。需要说明的是，在其他实施例中，前面提到的全连接网络也可以是一个独立的神经网络，也就是说，仅利用关节图神经网络输出每个顶点的特征向量，再将这些特征向量作为全连接网络的输入，利用全连接网络得到每个顶点的预测关节位置，通过实验总结得到，这样的结构能够进一步提升结果的准确度。
57.将目标网格模型输入训练好的蒙皮图神经网络，得到各关节点的蒙皮权重，这里提到的各关节点的蒙皮权重是指各关节点对目标网格模型的各顶点的影响权重。在某些例子中，蒙皮图神经网络输出的各关节点的蒙皮权重可以是一个表征蒙皮权重的矩阵，该矩阵由每个顶点受每个关节点影响的权重而构成，如，蒙皮图神经网络输出一个n*k的矩阵，其中，n是顶点个数，k是关节点个数，目标网格模型的各顶点和各关节点具有对应的排序编号，第i个顶点受第j个关节点影响的权重就是该矩阵中第i行第j列的数值。蒙皮权重是一个在[0,1]范围内的数值，若第x个顶点是第y个关节点，则第x个顶点受第y个关节点影响的权重为1。
[0058]
在步骤103、将所述关节点以及所述蒙皮权重与所述目标网格模型进行绑定，以使绑定后的目标网格模型用于运动控制。
[0059]
在得到图神经网络输出的关节点和蒙皮权重后，将所述关节点和蒙皮权重与目标
网格模型进行绑定，即形成目标网格模型和各关节点的绑定关系，并且形成每个关节点与目标网格模型的顶点的绑定权值。这样，使得目标网格模型能够自由地运动。
[0060]
在一个可选的实施例中，可以通过以下方式对绑定后的目标网格模型进行运动控制：获取目标运动参数，基于所述目标运动参数控制所述目标网格模型的关节点进行运动，并基于所述关节点以及蒙皮权重，控制所述目标网格模型的其他顶点进行运动；所述其他顶点是指所述目标网格模型中除所述关节点之外的顶点。这里的目标运动参数可以是控制每个关节点运动的参数，如运动时间、位移、速度和/或方向等，根据目标运动参数以及各关节点的初始位置，可以计算得到各关节点在对应方向上的平移量和/或旋转量，即控制各关节点进行运动，当关节点产生运动之后，其它顶点的坐标信息可以根据绑定信息计算得到，进而驱动该网格模型变形。可选的，其它顶点的坐标信息可以是采用线性蒙皮算法计算得到的，例如，针对某个顶点，根据关节点的当前位置相对于静止位置的变换矩阵以及此顶点相对于该关节点的权重，计算出该顶点在该关节点影响下的位置。
[0061]
本说明书实施例，基于多个预设的三维角色模型分别训练得到关节图神经网络和蒙皮图神经网络，其中，关节图神经网络基于该三维角色模型中已确定的关节点学习得到各顶点的分类，蒙皮图神经网络基于该三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重，进而在应用阶段，通过这两个图神经网络分别生成待处理的目标网格模型的关节点以及蒙皮权重，使得该目标网格模型能够用于运动控制。如此，降低了创建三维角色动画的门槛，缩短了开发三维角色动画的成本和时间。
[0062]
本实施例的方案可以应用于直播客户端，前面提到的目标运动参数可以是基于主播用户的手动设置而得到的，或是通过对捕捉到的主播动作进行解析而得到的。例如，主播客户端在利用本实施例的方案，针对目标形象的三维角色模型自动创建出关节点和蒙皮后，可以进一步通过动作捕捉系统识别并解析主播动作，得到目标运动参数，基于该目标运动参数驱动该三维角色模型进行运动，并实时渲染该三维角色模型的画面并展示在直播画面中，这样，丰富了直播内容，而且，该目标形象可以是机器人、动物等，增加了直播的趣味性，有利于提升直播间的观众留存率。
[0063]
为了对本说明书的网格模型的处理方案做更进一步的说明，接下来介绍一具体实施例：
[0064]
本实施例中，网格模型的处理方法应用于直播客户端，该直播客户端的用户是一主播，该主播希望在直播中加入三维虚拟角色，以使直播的内容更加丰富，但是目前该主播只有一个静态的三维角色的网格模型，相关技术中，要让该网格模型能够形成完整的三维角色动画，需要由专业技术人员创建相应的人物骨骼以及蒙皮，但其需要较长时间的制作，而且成本较高。而本实施例提供如下所述的方案，为该网格模型自动创建其骨骼以及蒙皮：
[0065]
s201、从互联网上搜集多个带有蒙皮的初始三维角色模型，这些初始三维角色模型的顶点数大部分不同；
[0066]
s202、通过预设顶点数的预设网格模板，通过maya软件将该预设网格模板进行变形，使其和搜集到的初始三维角色模型贴合，将变形后的预设网格模板作为预设三维角色模型，在本实施例中，预设顶点数为5000，各顶点具有对应的排序编号；
[0067]
s203、基于预设三维角色模型作为训练样本，分别以关节点和蒙皮权重作为监督，训练得到关节图神经网络和蒙皮图神经网络；
[0068]
s204、获取主播用户指定的网格模型，通过s202中使用的预设网格模板对其进行相同的网格规整化操作，以使其三角形数降低至相同数量级，并且顶点分布较为均匀；如图2所示，图2是本实施例示出的网格模型的示意图；
[0069]
s205、将该网格模型输入到训练好的关节图神经网络，每个顶点得到一个对应的特征向量，再将特征向量输入到一个全连接网络中，输出每个顶点到距离其最近的关节位置，即预测关节位置，使用k均值聚类算法将每个顶点的预测关节位置进行聚类，每一类的中心作为最后的关节位置；如图3所示，图3是本实施例示出的为网格模型生成关节位置的示意图，其中，k值为24，各关节点具有对应的排序编号；
[0070]
s206、将该网格模型输入到训练好的蒙皮图神经网络，得到一个表征蒙皮权重的矩阵，该矩阵是一个5000*24的矩阵，第i个顶点受第j个关节点影响的权重为该矩阵中第i行第j列的数值；如图4所示，图4是本实施例示出的是为网格模型生成蒙皮的示意图，其中一个皮肤区域对应一个关节。
[0071]
为了方便说明，将创建好关节点和蒙皮权重的网格模型记为目标三维模型。主播开播后，直播客户端可以通过对捕捉到的主播动作进行解析，得到运动参数，基于该运动参数驱动该目标三维模型的关节点进行运动，该目标三维模型中除关节点以外的顶点根据线性蒙皮算法的计算结果进行运动，该线性蒙皮算法的当前参数是基于将蒙皮图神经网络输出的蒙皮权重输入而得到的。如图5所示，图5是本实施例示出的目标三维模型产生运动的示意图。
[0072]
另外，在一些例子中，本实施例的方案也可以应用于直播服务器中，由直播服务器根据不同人群类型(如，根据性别、年龄、身高、体重等进行分类)，搜集对应角色形象的初始三维角色模型进行训练，以得到对应不同人群类型的所述关节图神经网络和所述蒙皮图神经网络，并且在主播开播后，识别主播指定的网格模型所属的人群类型，选择适当的图神经网络来为其创建骨骼以及蒙皮，从而得到能够用于运动控制的目标三维模型，或者，由直播服务器预先处理并存储有对应不同人群类型的目标网格模型，这样，当主播开播，直播服务器接收直播客户端的请求，可以根据主播的当前直播画面、历史直播画面或主播标识等，识别出主播所属的人群类型，确定与主播所属的人群类型匹配的目标网格模型(已绑定关节点和蒙皮权重)，进而将该目标网格模型发送给直播客户端，或者直接通过解析主播的当前直播画面，识别出主播动作来驱动该目标网格模型产生对应的动作。
[0073]
直播客户端或直播服务器实时渲染该目标三维模型，并将渲染结果展示在直播画面中。这样，增加了直播的趣味性，有效提升了直播间的观众留存率。本实施例的方案降低了创建三维角色动画的门槛，缩短了开发三维角色动画的成本和时间，并且能够满足直播的实时性需求。
[0074]
与前述方法的实施例相对应，本说明书还提供了网格模型的处理装置及其所应用的终端的实施例。
[0075]
本说明书网格模型的处理装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在文件处理的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本说明书实施例网格模型的处理装置所在计算机设备的一种硬件结构图，除了图6所示
的处理器610、内存630、网络接口620、以及非易失性存储器640之外，实施例中装置631所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。
[0076]
相应地，本说明书实施例还提供一种计算机存储介质，所述存储介质中存储有程序，所述程序被处理器执行时实现上述任一实施例中的方法。
[0077]
本说明书实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0078]
如图7所示，图7是本说明书根据一示例性实施例示出的一种网格模型的处理装置的框图，所述装置包括：
[0079]
获取模块71，用于获取待处理的目标网格模型；
[0080]
生成模块72，用于通过关节图神经网络生成所述目标网格模型的关节点，再通过蒙皮图神经网络生成所述目标网格模型的各关节点的蒙皮权重；
[0081]
绑定模块73，用于将所述关节点以及所述蒙皮权重与所述目标网格模型进行绑定，以使绑定后的目标网格模型用于运动控制；
[0082]
其中，所述关节图神经网络和所述蒙皮图神经网络是基于多个预设的三维角色模型训练得到的，所述三维角色模型具有多个顶点，所述关节图神经网络基于所述三维角色模型中已确定的关节点学习得到各顶点的分类，所述蒙皮图神经网络基于所述三维角色模型中已确定的蒙皮权重学习得到各顶点受各关节点影响的权重。
[0083]
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0084]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0085]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0086]
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的
其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
[0087]
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
[0088]
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。