人脸关键点信息获取方法、生成人脸动画的方法及装置与流程

1.本公开涉及计算机技术领域，具体地，涉及一种人脸关键点信息获取方法、生成人脸动画的方法及装置。


背景技术：

2.语音识别与文本合成语音技术常应用于音频驱动的虚拟形象人脸动画生成，输入音频生成与音频流相符的目标人脸的人脸动画，从而完成该目标人脸的音频驱动。
3.目前，基于音频生成与音频流相符的目标人脸的人脸动画，需要先根据目标音频通过人脸关键点获取模型得到与目标音频对应的目标人脸的人脸关键点序列，然后根据人脸关键点序列和目标人脸的基准图像，生成目标人脸的动画。
4.进而，如何训练得到人脸关键点模型，成为基于音频生成与音频流相符的目标人脸的人脸动画的关键。


技术实现要素：

5.提供该部分内容以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该部分内容并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
6.第一方面，本公开提供一种人脸关键点信息获取方法，所述方法包括：
7.获取对样本人脸同步录制的样本视频和样本音频；
8.确定所述样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列，其中，所述人脸关键点信息包括不与发声联动的第一人脸关键点的信息；
9.确定所述样本音频的每一音频帧的音频频谱，以得到音频频谱序列；
10.将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，其中，所述关键点标注信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点标注信息，所述人脸关键点标注信息包括所述第一人脸关键点的标注信息和与发声联动的第二人脸关键点的标注信息；
11.利用所述人脸关键点获取模型获取人脸关键点信息。
12.第二方面，本公开提供一种生成人脸动画的方法，所述方法包括：
13.对获取的目标音频进行频谱转换，以得到目标音频频谱序列；
14.将所述目标音频频谱序列输入人脸关键点获取模型，以得到与所述目标音频对应的目标人脸关键点信息序列，其中，所述人脸关键点获取模型是根据如第一方面中任意一项所述的方法得到的；
15.根据所述目标人脸关键点信息序列和目标人脸的基准人脸图像，生成所述目标人脸的动画。
16.第三方面，本公开提供一种人脸关键点信息获取装置，所述装置包括：
17.第一获取模块，用于获取对样本人脸同步录制的样本视频和样本音频；
18.第一确定模块，用于确定所述样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列，其中，所述人脸关键点信息包括不与发声联动的第一人脸关键点的信息；
19.第二确定模块，用于确定所述样本音频的每一音频帧的音频频谱，以得到音频频谱序列；
20.训练模块，用于将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，其中，所述关键点标注信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点标注信息，所述人脸关键点标注信息包括所述第一人脸关键点的标注信息和与发声联动的第二人脸关键点的标注信息；
21.第二获取模块，用于利用所述人脸关键点获取模型获取人脸关键点信息。
22.第四方面，本公开提供一种生成人脸动画的装置，所述装置包括：
23.转换模块，用于对获取的目标音频进行频谱转换，以得到目标音频频谱序列；
24.第三确定模块，用于将所述目标音频频谱序列输入人脸关键点获取模型，以得到与所述目标音频对应的目标人脸关键点信息序列，其中，所述人脸关键点获取模型是根据如第一方面中任意一项所述的方法得到的；
25.驱动模块，用于根据所述目标人脸关键点信息序列和目标人脸的基准人脸图像，生成所述目标人脸的动画。
26.第五方面，本公开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第一方面中或第二方面中任一项所述方法的步骤。
27.第六方面，本公开提供一种电子设备，包括：
28.存储装置，其上存储有至少一个计算机程序；
29.至少一个处理装置，用于执行所述存储器中的所述至少一个计算机程序，以实现第一方面中或第二方面中任一项所述方法的步骤。
30.通过上述技术方案，由于已获授权使用的样本视频的每一视频帧中的人脸关键点信息中包括不与发声联动的第一人脸关键点的信息，进而提取已获授权使用的样本人脸同步录制的已获授权使用的样本视频和已获授权使用的样本音频时，无需已获授权使用的样本视频中已获授权使用的样本人脸始终为正脸视频，即使已获授权使用的样本视频中的已获授权使用的样本人脸存在脸部有大角度的扭动，也能通过第一人脸关键点序列以及音频频谱序列共同驱动对神经网络模型进行训练。并且由于本公开中采集已获授权使用的样本视频和已获授权使用的样本音频的难度更低，获取的已获授权使用的样本视频和已获授权使用的样本音频数量更多，数据更丰富，基于本公开的已获授权使用的样本视频和已获授权使用的样本音频训练得到的人脸关键点获取模型，输出的人脸关键点准确性高、稳定性高。
31.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
32.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及
方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
33.图1是根据一示例性实施例示出的一种人脸关键点信息获取方法的流程图。
34.图2是根据一示例性实施例示出的一种生成人脸动画的方法的流程图。
35.图3是根据一示例性实施例示出的一种人脸关键点信息获取装置的框图。
36.图4是根据一示例性实施例示出的一种生成人脸动画的装置的框图。
37.图5是适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
38.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
39.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
40.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
41.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
42.需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
43.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
44.图1是根据一示例性实施例示出的一种人脸关键点信息获取方法的流程图，如图1所示，人脸关键点信息获取方法，包括以下步骤。
45.在步骤s11中，获取对样本人脸同步录制的样本视频和样本音频。
46.本公开中涉及的样本人脸为已获授权使用的样本人脸。其中，对已获授权使用的样本人脸同步录制的样本视频可以包括已获授权使用的样本人脸的正脸视频也可以包括已获授权使用的样本人脸的侧脸视频。
47.在步骤s12中，确定样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列。
48.其中，例如可将已获授权使用的样本视频输入预先训练的神经网络模型，通过该神经网络模型，通过该神经网络模型输出已获授权使用的样本视频的每一视频帧中的人脸关键点信息。之后，再根据每一视频帧中的人脸关键点信息，筛选得到不与发声联动的第一人脸关键点的信息。
49.其中，第一人脸关键点可以是预先设置的，可以包括鼻梁关键点、脸颊边缘关键
点、耳朵关键点中的至少一种。
50.在步骤s13中，确定样本音频的每一音频帧的音频频谱，以得到音频频谱序列。
51.其中，例如可对已获授权使用的样本音频中的每一音频帧进行频谱转换，得到与每一音频帧对应的音频频谱进而得到音频频谱序列。其中，例如可对已获授权使用的样本音频中的每一音频帧进行梅尔频谱转换，以得到梅尔音频频谱序列。
52.在步骤s14中，将关键点信息序列和音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为神经网络模型的目标输出，对神经网络模型进行训练，以得到人脸关键点获取模型。
53.在步骤s15中，利用人脸关键点获取模型获取人脸关键点信息。
54.通常，训练人脸关键点获取模型时，需要采集已获授权使用的样本人脸始终处于正脸时的已获授权使用的样本视频和已获授权使用的样本音频，以保证训练后人脸关键点获取模型输出人脸关键点的准确性。
55.然而，实际人们在说话时，随着说话语音语调的变化，总会出现人的头部有比较大范围的或者说比较自由的一个转动的情况，如果采集的已获授权使用的样本视频存在已获授权使用的样本人脸扭动或者转动的情况(即包括侧脸的样本人脸)，需要对采集的已获授权使用的样本人脸的已获授权使用的样本视频和已获授权使用的样本音频进行丢弃，重新采集已获授权使用的样本人脸的已获授权使用的样本视频和已获授权使用的样本音频，使得采集已获授权使用的样本人脸始终处于正脸时的已获授权使用的样本视频和已获授权使用的样本音频的难度增大。
56.由此，本公开中，将已获授权使用的样本视频输入预先训练的神经网络模型，通过该神经网络模型输出已获授权使用的样本视频的每一视频帧中的人脸关键点信息后，根据每一视频帧中的人脸关键点信息，筛选得到预设的不与发声联动的第一人脸关键点的信息。
57.在得到包括不与发声联动的第一人脸关键点的人脸关键点信息后，由于第一人脸关键点不与发声联动，也就是第一人脸关键点不会根据语音发生变化，故在本公开中，可根据包括第一人脸关键点(不与发声联动)的关键点信息序列和音频频谱序列作为训练人脸关键点获取模型的输入，通过第一人脸关键点序列以及音频频谱序列共同驱动，得到与发声联动的第二人脸关键点序列。
58.进而，本公开中对已获授权使用的样本人脸同步录制的样本视频和样本音频，无需样本视频中样本人脸始终为正脸视频，即使已获授权使用的样本视频中的已获授权使用的样本人脸存在脸部有大角度的扭动，也能根据包括正脸和侧脸的数据对神经网络进行训练，以得到人脸关键点获取模型。
59.进而，由于本公开中采集已获授权使用的样本视频和已获授权使用的样本音频的难度更低，获取的已获授权使用的样本视频和已获授权使用的样本音频数量更多，数据更丰富，基于本公开的已获授权使用的样本视频和已获授权使用的样本音频训练得到的人脸关键点获取模型，输出的人脸关键点具有高准确性、高稳定性。
60.其中，例如可通过如下方式将关键点信息序列和音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为神经网络模型的目标输出，对神经网络模型进行训练，以得到人脸关键点获取模型：
61.对音频频谱序列进行编码，得到音频频谱特征向量序列，对关键点信息序列进行编码，得到关键点信息特征向量序列。根据音频频谱特征向量序列和关键点信息特征向量序列，获取关键点预测信息序列。
62.其中，关键点预测信息序列包括已获授权使用的样本人脸对应于每一视频帧的人脸关键点预测信息，人脸关键点预测信息包括第一人脸关键点的预测信息和第二人脸关键点的预测信息，根据关键点预测信息序列和关键点标注信息序列之间的差异，对神经网络模型进行训练，以得到人脸关键点获取模型。
63.在得到人脸关键点获取模型之后，可利用人脸关键点获取模型获取人脸关键点信息。即，将音频的音频频谱序列输入人脸关键点获取模型，通过人脸关键点获取模型获取到与该音频对应的人脸关键点信息序列，即获取到与该音频对应的人脸关键点信息。
64.在本公开的示例性实施例中，由于已获授权使用的样本视频的每一视频帧中的人脸关键点信息中包括不与发声联动的第一人脸关键点的信息，进而提取已获授权使用的样本人脸同步录制的已获授权使用的样本视频和已获授权使用的样本音频时，无需已获授权使用的样本视频中已获授权使用的样本人脸始终为正脸视频，即使已获授权使用的样本视频中的已获授权使用的样本人脸存在脸部有大角度的扭动，也能通过第一人脸关键点序列以及音频频谱序列共同驱动对神经网络模型进行训练。并且由于本公开中采集已获授权使用的样本视频和已获授权使用的样本音频的难度更低，获取的已获授权使用的样本视频和已获授权使用的样本音频数量更多，数据更丰富，基于本公开的已获授权使用的样本视频和已获授权使用的样本音频训练得到的人脸关键点获取模型，输出的人脸关键点准确性高、稳定性高。
65.本公开中，通过关键点信息序列和音频频谱序列训练的神经网络模型的结构可以包括音频频谱编码器、人脸关键点编码器和解码器。
66.本公开中，音频频谱编码器可用于对音频频谱序列进行编码，得到音频频谱特征向量序列。
67.例如，对已获授权使用的样本音频的每一音频帧进行梅尔频谱转换，得到梅尔音频频谱(例如是80个维度的梅尔音频频谱)，进一步得到梅尔音频频谱序列后，将梅尔音频频谱序列输入音频频谱编码器，对梅尔音频频谱序列进行建模，得到梅尔音频频谱特征向量序列。该梅尔音频频谱序列例如可以是【批大小
×1×
80
×
帧数】的图像的形式。批大小表示一次参与训练的已获授权使用的样本数，1表示当前的梅尔音频频谱，80表示该梅尔音频频谱的80个维度，帧数表示当前的梅尔音频频谱所对应的帧数。
68.其中，对梅尔音频频谱序列进行建模的过程可以包括：音频频谱编码器可对输入的每一梅尔音频频谱经过二维卷积、批归一化和残差结构和relu激活函数的处理，得到梅尔音频频谱特征向量序列。
69.本公开中，人脸关键点编码器可用于对关键点信息序列进行编码，得到关键点信息特征向量序列。
70.由于人脸关键点可以由坐标(x，y)表示，故，可直接将包括第一人脸关键点的关键点信息序列的坐标作为神经网络模型的输入，通过人脸关键点编码器对包括第一人脸关键点的关键点信息序列进行编码。例如筛选的第一人脸关键点包括4个鼻梁关键点和左右各两个脸颊边缘关键共8个。
71.第一人脸关键点序列的坐标例如可以是【批大小
×
16
×
帧数】的坐标表示形式。批大小表示一次参与训练的已获授权使用的样本数，16表示第一人脸关键点的数量是8个，每个第一人脸关键点是以(x，y)表示的2个坐标(即2
×
8)，帧数表示当前的第一人脸关键点所对应的帧数。
72.将【批大小
×
16
×
帧数】的坐标输入人脸关键点编码器，对第一人脸关键点序列进行建模的过程可以包括：人脸关键点编码器可对输入的每一帧的第一人脸关键点经过一维卷积、批归一化和残差结构和relu激活函数的处理，以得到第一人脸关键点信息特征向量序列。
73.本公开中，解码器可用于根据音频频谱特征向量序列和关键点信息特征向量序列，获取包括不与发声联动的第一人脸关键点的预测信息和与发声联动的第二人脸关键点的标注信息的预测信息。
74.其中，解码器的结构由多层转置卷积组成，根据需要预测的人脸关键点的坐标纬数，可灵活调节转置卷积的上采样的放大系数。可以以输入的第一人脸关键点为基准，获取与第一人脸关键点相邻的、设定倍数数量的人脸关键点预测信息，之后再次根据上一次的人脸关键点预测信息，再次预测其他倍数数量的相邻的人脸关键点，直到得到全部的人脸关键点预测信息。例如需要预测的人脸关键点有75个，则可以采用3、3、5的放大系数。模型最终预测的结果为【批大小
×
帧数
×2×
75】，经过变换后为【批大小
×
帧数
×
150】。进而通过转置卷积的上采样的方式，能够最大程度利用了人脸关键点坐标之间的空间关系。
75.图2是根据一示例性实施例示出的一种生成人脸动画的方法的流程图，如图2所示，生成人脸动画的方法，包括以下步骤。
76.在步骤s21中，对获取的目标音频进行频谱转换，以得到目标音频频谱序列。
77.在步骤s22中，将目标音频频谱序列输入人脸关键点获取模型，以得到与目标音频对应的目标人脸关键点信息序列。
78.其中，人脸关键点获取模型是根据本公开第一实施例或者第二实施例的人脸关键点信息获取方法得到。
79.在步骤s23中，根据目标人脸关键点信息序列和目标人脸的基准人脸图像，生成目标人脸的动画。
80.在本公开的示例性实施例中，通过对获取的目标音频进行频谱转换，以得到目标音频音频频谱序列后，将目标音频音频频谱序列输入根据第一实施例或者第二实施例的人脸关键点信息获取方法得到的人脸关键点获取模型，由于在人脸关键点获取模型的训练过程中，已获授权使用的训练样本数量更多，数据更丰富，基于本公开训练得到的人脸关键点获取模型，输出的人脸关键点准确性高、稳定性高，进而生成所述目标人脸的动画更加真实、准确。
81.图3是根据一示例性实施例示出的一种人脸关键点信息获取装置的框图300。参照图3，人脸关键点信息获取装置包括第一获取模块301、第一确定模块302、第二确定模块303、训练模块304和第二获取模块305。
82.其中，第一获取模块301，用于获取对样本人脸同步录制的样本视频和样本音频；
83.第一确定模块302，用于确定所述样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列，其中，所述人脸关键点信息包括不与发声联动的第一人脸关键点的
信息；
84.第二确定模块303，用于确定所述样本音频的每一音频帧的音频频谱，以得到音频频谱序列；
85.训练模块304，用于将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，其中，所述关键点标注信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点标注信息，所述人脸关键点标注信息包括所述第一人脸关键点的标注信息和与发声联动的第二人脸关键点的标注信息；
86.第二获取模块305，用于利用所述人脸关键点获取模型获取人脸关键点信息。
87.可选地，所述训练模块304采用如下方式将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型：
88.对所述音频频谱序列进行编码，得到音频频谱特征向量序列；
89.对所述关键点信息序列进行编码，得到关键点信息特征向量序列；
90.根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，获取关键点预测信息序列，所述关键点预测信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点预测信息，所述人脸关键点预测信息包括所述第一人脸关键点的预测信息和所述第二人脸关键点的预测信息；
91.根据所述关键点预测信息序列和所述关键点标注信息序列之间的差异，对所述神经网络模型进行训练，以得到所述人脸关键点获取模型。
92.可选地，所述神经网络模型包括音频频谱编码器、人脸关键点编码器和解码器；
93.其中，所述音频频谱编码器用于对所述音频频谱序列进行编码，得到所述音频频谱特征向量序列；
94.所述人脸关键点编码器用于对所述关键点信息序列进行编码，得到所述关键点信息特征向量序列；
95.所述解码器用于根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，获取所述关键点预测信息序列。
96.可选地，所述解码器用于根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，基于转置卷积的上采样方式，获取所述关键点预测信息序列。
97.可选地，所述第一人脸关键点包括鼻梁关键点、脸颊边缘关键点、耳朵关键点中的至少一种。
98.图4是根据一示例性实施例示出的一种生成人脸动画的装置的框图400。参照图4，生成人脸动画的装置包括转换模块401、第三确定模块402和驱动模块403。
99.其中，转换模块401，用于对获取的目标音频进行频谱转换，以得到目标音频频谱序列；
100.第三确定模块402，用于将所述目标音频频谱序列输入人脸关键点获取模型，以得到与所述目标音频对应的目标人脸关键点信息序列，其中，所述人脸关键点获取模型是根据如第一方面中任意一项的方法得到的；
101.驱动模块403，用于根据所述目标人脸关键点信息序列和目标人脸的基准人脸图
像，生成所述目标人脸的动画。
102.下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
103.如图5所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储装置608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
104.通常，以下装置可以连接至i/o接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
105.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从rom 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
106.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
107.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
108.上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
109.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取对样本人脸同步录制的样本视频和样本音频；确定所述样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列，其中，所述人脸关键点信息包括不与发声联动的第一人脸关键点的信息；确定所述样本音频的每一音频帧的音频频谱，以得到音频频谱序列；将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，其中，所述关键点标注信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点标注信息，所述人脸关键点标注信息包括所述第一人脸关键点的标注信息和与发声联动的第二人脸关键点的标注信息；利用所述人脸关键点获取模型获取人脸关键点信息。
110.或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对获取的目标音频进行频谱转换，以得到目标音频频谱序列；将所述目标音频频谱序列输入人脸关键点获取模型，以得到与所述目标音频对应的目标人脸关键点信息序列，其中，所述人脸关键点获取模型是根据如第一方面中任意一项所述的方法得到的；根据所述目标人脸关键点信息序列和目标人脸的基准人脸图像，生成所述目标人脸的动画。
111.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
112.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令
的组合来实现。
113.描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取至少两个网际协议地址的模块”。
114.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
115.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
116.根据本公开的一个或多个实施例，示例1提供了一种人脸关键点信息获取方法，包括：
117.获取对样本人脸同步录制的样本视频和样本音频；
118.确定所述样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列，其中，所述人脸关键点信息包括不与发声联动的第一人脸关键点的信息；
119.确定所述样本音频的每一音频帧的音频频谱，以得到音频频谱序列；
120.将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，其中，所述关键点标注信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点标注信息，所述人脸关键点标注信息包括所述第一人脸关键点的标注信息和与发声联动的第二人脸关键点的标注信息；
121.利用所述人脸关键点获取模型获取人脸关键点信息。
122.根据本公开的一个或多个实施例，示例2提供了示例1的方法，还包括：所述将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，包括：
123.对所述音频频谱序列进行编码，得到音频频谱特征向量序列；
124.对所述关键点信息序列进行编码，得到关键点信息特征向量序列；
125.根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，获取关键点预测信息序列，所述关键点预测信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点预测信息，所述人脸关键点预测信息包括所述第一人脸关键点的预测信息和所述第二人脸关键点的预测信息；
126.根据所述关键点预测信息序列和所述关键点标注信息序列之间的差异，对所述神
经网络模型进行训练，以得到所述人脸关键点获取模型。
127.根据本公开的一个或多个实施例，示例3提供了示例2的方法，还包括：
128.所述神经网络模型包括音频频谱编码器、人脸关键点编码器和解码器；
129.其中，所述音频频谱编码器用于对所述音频频谱序列进行编码，得到所述音频频谱特征向量序列；
130.所述人脸关键点编码器用于对所述关键点信息序列进行编码，得到所述关键点信息特征向量序列；
131.所述解码器用于根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，获取所述关键点预测信息序列。
132.根据本公开的一个或多个实施例，示例4提供了示例3的方法，还包括：
133.所述解码器用于根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，基于转置卷积的上采样方式，获取所述关键点预测信息序列。
134.根据本公开的一个或多个实施例，示例5提供了示例1-4中任一项的方法，还包括：
135.所述第一人脸关键点包括鼻梁关键点、脸颊边缘关键点、耳朵关键点中的至少一种。
136.根据本公开的一个或多个实施例，示例6提供了一种生成人脸动画的方法包括：
137.对获取的目标音频进行频谱转换，以得到目标音频频谱序列；
138.将所述目标音频频谱序列输入人脸关键点获取模型，以得到与所述目标音频对应的目标人脸关键点信息序列，其中，所述人脸关键点获取模型是根据如示例1-5中任意一项所述的方法得到的；
139.根据所述目标人脸关键点信息序列和目标人脸的基准人脸图像，生成所述目标人脸的动画。
140.根据本公开的一个或多个实施例，示例7提供了一种人脸关键点信息获取装置包括：
141.第一获取模块，用于获取对样本人脸同步录制的样本视频和样本音频；
142.第一确定模块，用于确定所述样本视频的每一视频帧中的人脸关键点信息，以得到关键点信息序列，其中，所述人脸关键点信息包括不与发声联动的第一人脸关键点的信息；
143.第二确定模块，用于确定所述样本音频的每一音频帧的音频频谱，以得到音频频谱序列；
144.训练模块，用于将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训练，以得到人脸关键点获取模型，其中，所述关键点标注信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点标注信息，所述人脸关键点标注信息包括所述第一人脸关键点的标注信息和与发声联动的第二人脸关键点的标注信息；
145.第二获取模块，用于利用所述人脸关键点获取模型获取人脸关键点信息。
146.根据本公开的一个或多个实施例，示例8提供了示例7的装置，还包括：所述训练模块采用如下方式将所述关键点信息序列和所述音频频谱序列作为神经网络模型的输入，并将关键点标注信息序列作为所述神经网络模型的目标输出，对所述神经网络模型进行训
练，以得到人脸关键点获取模型：
147.对所述音频频谱序列进行编码，得到音频频谱特征向量序列；
148.对所述关键点信息序列进行编码，得到关键点信息特征向量序列；
149.根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，获取关键点预测信息序列，所述关键点预测信息序列包括所述样本人脸对应于每一所述视频帧的人脸关键点预测信息，所述人脸关键点预测信息包括所述第一人脸关键点的预测信息和所述第二人脸关键点的预测信息；
150.根据所述关键点预测信息序列和所述关键点标注信息序列之间的差异，对所述神经网络模型进行训练，以得到所述人脸关键点获取模型。
151.根据本公开的一个或多个实施例，示例9提供了示例8的装置，还包括：
152.所述神经网络模型包括音频频谱编码器、人脸关键点编码器和解码器；
153.其中，所述音频频谱编码器用于对所述音频频谱序列进行编码，得到所述音频频谱特征向量序列；
154.所述人脸关键点编码器用于对所述关键点信息序列进行编码，得到所述关键点信息特征向量序列；
155.所述解码器用于根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，获取所述关键点预测信息序列。
156.根据本公开的一个或多个实施例，示例10提供了示例9的装置，还包括：
157.所述解码器用于根据所述音频频谱特征向量序列和所述关键点信息特征向量序列，基于转置卷积的上采样方式，获取所述关键点预测信息序列。
158.根据本公开的一个或多个实施例，示例11提供了示例7-10中任一项的装置，还包括：
159.所述第一人脸关键点包括鼻梁关键点、脸颊边缘关键点、耳朵关键点中的至少一种。
160.根据本公开的一个或多个实施例，示例12提供了一种生成人脸动画的装置包括：
161.转换模块，用于对获取的目标音频进行频谱转换，以得到目标音频频谱序列；
162.第三确定模块，用于将所述目标音频频谱序列输入人脸关键点获取模型，以得到与所述目标音频对应的目标人脸关键点信息序列，其中，所述人脸关键点获取模型是根据如示例1-5中任意一项所述的方法得到的；
163.驱动模块，用于根据所述目标人脸关键点信息序列和目标人脸的基准人脸图像，生成所述目标人脸的动画。
164.以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
165.此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公
开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
166.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。