技術(shù)特征：

1.一種用于生成動(dòng)畫數(shù)據(jù)的方法，其特征在于，所述方法包括：

獲取圖片中人物骨骼關(guān)鍵點(diǎn)的位置信息；

將所述位置信息映射為輸入向量；

將所述輸入向量輸入預(yù)先訓(xùn)練的高斯過程隱藏變量模型，其中，所述高斯過程隱藏變量模型是利用動(dòng)畫數(shù)據(jù)訓(xùn)練得到的；

通過所述高斯過程隱藏變量模型輸出與所述圖片中的動(dòng)作相似的動(dòng)畫數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的用于生成動(dòng)畫數(shù)據(jù)的方法，其特征在于，所述方法還包括：

采用反向動(dòng)力學(xué)修正所生成的動(dòng)畫數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的用于生成動(dòng)畫數(shù)據(jù)的方法，其特征在于，所述方法還包括訓(xùn)練高斯過程隱藏變量模型，包括：

獲取與動(dòng)畫中骨骼信息相對(duì)應(yīng)的動(dòng)畫數(shù)據(jù)，并將所述動(dòng)畫數(shù)據(jù)應(yīng)用于骨架，計(jì)算出骨骼關(guān)鍵點(diǎn)的位置信息作為降維空間的變量；

將所述動(dòng)畫數(shù)據(jù)作為樣本訓(xùn)練出高斯過程隱藏變量模型，其中，所述高斯過程隱藏變量模型包括降維矩陣；

初始化所述高斯過程隱藏變量模型的高斯核函數(shù)參數(shù)，并為所述高斯核函數(shù)參數(shù)構(gòu)建徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，其中，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為所述降維空間的大小，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的隱藏層神經(jīng)元個(gè)數(shù)為所述動(dòng)畫數(shù)據(jù)的幀數(shù)，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元個(gè)數(shù)為每幀動(dòng)畫數(shù)據(jù)向量維數(shù)大??；

采用機(jī)器學(xué)習(xí)法優(yōu)化所述高斯核函數(shù)參數(shù)。

4.根據(jù)權(quán)利要求3所述的用于生成動(dòng)畫數(shù)據(jù)的方法，其特征在于，所述機(jī)器學(xué)習(xí)法包括以下算法中的一種：

反向傳播法、偽逆法、牛頓法。

5.根據(jù)權(quán)利要求3所述的用于生成動(dòng)畫數(shù)據(jù)的方法，其特征在于，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸出向量為y，y＝Y(jié)^TK^-1k(x)，其中，x為訓(xùn)練的輸入向量，k(x)表示經(jīng)過隱藏層的高斯核函數(shù)計(jì)算后整個(gè)隱藏層的輸出向量；Y^T是關(guān)鍵幀的動(dòng)畫數(shù)據(jù)矩陣Y的轉(zhuǎn)置矩陣，Y中每一列是關(guān)鍵幀的動(dòng)畫數(shù)據(jù)；K^-1是所述高斯核函數(shù)的矩陣K的逆矩陣。

6.根據(jù)權(quán)利要求5所述的用于生成動(dòng)畫數(shù)據(jù)的方法，其特征在于，所述機(jī)器學(xué)習(xí)法的目標(biāo)函數(shù)為L(zhǎng)，其中，i是自然數(shù)，x_i為關(guān)鍵幀的第i幀動(dòng)畫的輸入向量，k(x_i)是關(guān)鍵幀的第i幀動(dòng)畫經(jīng)隱藏層高斯核函數(shù)計(jì)算后的輸出向量，Y_i是關(guān)鍵幀的第i幀動(dòng)畫的動(dòng)畫數(shù)據(jù)。

7.一種用于生成動(dòng)畫數(shù)據(jù)的裝置，其特征在于，所述裝置包括：

獲取單元，配置用于獲取圖片中人物骨骼關(guān)鍵點(diǎn)的位置信息；

映射單元，配置用于將所述位置信息映射為輸入向量；

輸入單元，配置用于將所述輸入向量輸入預(yù)先訓(xùn)練的高斯過程隱藏變量模型，其中，所述高斯過程隱藏變量模型是利用動(dòng)畫數(shù)據(jù)訓(xùn)練得到的；

輸出單元，配置用于通過所述高斯過程隱藏變量模型輸出與所述圖片中的動(dòng)作相似的動(dòng)畫數(shù)據(jù)。

8.根據(jù)權(quán)利要求7所述的用于生成動(dòng)畫數(shù)據(jù)的裝置，其特征在于，所述裝置還包括：

修正單元，配置用于采用反向動(dòng)力學(xué)修正所生成的動(dòng)畫數(shù)據(jù)。

9.根據(jù)權(quán)利要求7所述的用于生成動(dòng)畫數(shù)據(jù)的裝置，其特征在于，所述裝置還包括預(yù)先訓(xùn)練的高斯過程隱藏變量模型，包括：

降維單元，配置用于獲取與動(dòng)畫中骨骼信息相對(duì)應(yīng)的動(dòng)畫數(shù)據(jù)，并將所述動(dòng)畫數(shù)據(jù)應(yīng)用于骨架，計(jì)算出骨骼關(guān)鍵點(diǎn)的位置信息作為降維空間的變量；

訓(xùn)練單元，配置用于將所述動(dòng)畫數(shù)據(jù)作為樣本訓(xùn)練出高斯過程隱藏變量模型，其中，所述高斯過程隱藏變量模型包括降維矩陣；

構(gòu)建單元，配置用于初始化所述高斯過程隱藏變量模型的高斯核函數(shù)參數(shù)，并為所述高斯核函數(shù)參數(shù)構(gòu)建徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，其中，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為所述降維空間的大小，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的隱藏層神經(jīng)元個(gè)數(shù)為所述動(dòng)畫數(shù)據(jù)的幀數(shù)，所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元個(gè)數(shù)為每幀動(dòng)畫數(shù)據(jù)向量維數(shù)大?。?/p>

優(yōu)化單元，配置用于采用機(jī)器學(xué)習(xí)法優(yōu)化所述高斯核函數(shù)參數(shù)。

10.根據(jù)權(quán)利要求9所述的用于生成動(dòng)畫數(shù)據(jù)的裝置，其特征在于，所述機(jī)器學(xué)習(xí)法包括以下算法中的一種：

反向傳播法、偽逆法、牛頓法。