基于FASGPLVM的人体运动生成

为解决传统逆向运动学算法计算繁琐、效果不逼真的问题,提出一种快速自适应比例高斯过程隐变量模型(FASGPLVM),并基于该模型实现人体运动生成。实验结果表明,FASGPLVM模型具有较快的收敛速度和收敛精度,能自适应运动编辑的方向,扩大运动捕获数据的可编辑幅度。     

基于非线性流形学习的3维人体运动合成

为了实现3维人体运动的有效合成,提出了一种基于非线性流形学习的3维人体运动合成框架及算法,并可应用于方便、快捷、用户可控的3维人体运动合成。该合成算法框架先采用非线性流形降维方法将高维运动样本映射到低维流形上,同时求解其本征运动语义参数空间的表达,然后将用户在低维运动语义参数空间中交互生成的样本通过逆向映射重建得到具有新运动语义特征的3维运动序列。实验结果表明该方法不仅能够对运动物理参数（如特定关节的运动位置、物理运动特征）进行较为精确的控制,还可用于合成具有高层运动语义（运动风格）的新运动数据。与现有运动合成方法比较,该方法具有用户可控、交互性强等优点,能够应用于常见3维人体运动数据的高效生成。     

基于隐空间的运动捕获数据自动分割*

提出一种运动捕获数据自动分割方法。利用高斯过程隐变量模型对运动捕获数据进行降维,将其从高维观察空间映射到低维隐空间;在隐空间中构造运动特征函数,该函数具有结构简单、对所有关节敏感等优点,通过分析运动特征函数几何特征的变化,探测运动捕获数据的分割点,实现运动自动分割。实验结果表明,该方法具有较高的准确度和较好的普适性。     

基于时空约束的运动编辑和运动重定向

近年来兴起的运动捕获已成为人体动画中最有应用前景的技术之一，目前运动捕获手段很多，但是通常成本高，而且捕获到的运动类型比较单一，为了提高运动捕获数据的重用性，生成与复杂场景协调的多样的动画，必须对捕获的运动数据进行编辑和重定向处理，介绍了一种基于时空约束的运动编辑和运动重定向方法，通过规定一组时空约束条件，建立相应的目标函数，采用逆向运动学和数值优化方法求解出满足约束条件的运动姿势，实验结果表明，该方法可以生成多种满足不同场景婪泊逼真运动，提出了数据的重用性。     

虚拟人手臂避障抓取运动规划

针对强干涉环境下虚拟人手臂无碰撞抓取物体动作规划问题,提出一种逆向运动学与运动规划相结合的求解方法.首先在现有FABRIK逆向运动学算法的基础上提出避障FABRIK算法,用于实现手臂无碰撞抓取姿态设计,作为最终抓取姿态;然后采用Bi-RRT算法,综合考虑7维角度域约束和对非光滑路径的简化问题对手臂进行无碰撞运动规划,产生从给定初始姿态到最终抓取状态之间的中间姿态.仿真实验结果表明,该方法速度快,产生的路径能有效地避开障碍;可用于强干涉环境下的虚拟人动作设计.     

基于可变形运动模型的多角色语义化运动合成

对于一个完整的虚拟环境而言,智能的人群运动会使其更为生动、逼真。针对人群运动数据存在维度高、可控性差的问题,提出一种多角色可变形运动模型,其将人体运动分解为几何与时间变化两部分,并使用PCA算法进行有效降维,构建可变形运动模型的低维语义空间。实验结果表明,提出的方法能根据语义需求调节语义参数,实现多角色的语义化运动分析与合成。     

结合低维运动模型和逆运动学的风格化人体运动合成

如何得到满足用户指定约束的风格化运动是近年来计算机动画领域的研究难点,针对这个问题,提出一个基于独立特征子空间的低维运动模型,该模型可以较好地参数化运动风格,并在此基础上提出了一种合成满足约束的风格化人体运动的算法.该算法在低维空间中求解反向运动学问题,并在风格子空间中响应用户输入的风格参数,使用户可以在指定关键帧末端约束的同时对风格进行编辑.实验结果表明:文中算法效率高,具有良好的交互性,能够用于动画的交互式编辑和与合成.     

人体运动建模的实时逆运动学算法

人体运动的虚拟仿真及建模是当今计算机图形学研究的一个热点,而逆向运动学方法则是求解人体运动的一项关键技术.为了实现人体运动建模,提出一种新颖的基于人体关节约束的实时逆向运动学算法.首先基于骨骼长度改进了传统的循环坐标下降(CCD)算法,使其生成的运动效果更加流畅自然;然后引入生物分子运动模拟中的SHAKE算法,使短距离运动建模效果更加高效、鲁棒.在此基础上,提出了模拟多个节点同时运动的解析算法,以获得在多个关节点共同作用下的人体运动仿真效果.同运动捕捉的实测数据相比,采用文中算法所得的结果与在视觉效果上非常接近,并通过实验证实了其应用价值.     

基于运动序列分割的运动捕获数据关键帧提取

采用线性时不变系统把高维运动数据映射到低维状态空间;在低维状态空间中,定义了姿态之间的相似性度量;并采用误差平方和准则对时序的低维数据点集进行运动分割,分割点上的运动姿态被定义为关键帧．实验结果表明：该算法能够较好地提取出运动序列中的关键帧,并且这些关键帧能够很好地概括原始运动序列的内容．     

结合模型匹配与特征跟踪的人体上半身三维运动姿态恢复方法

人体姿态空间的高维性及单目视频深度信息丢失,导致从单目视频恢复人体三维运动姿态非常困难,为此,利用特征跟踪的快速性及模型匹配的鲁棒性,提出一种无标记人体上半身三维运动跟踪方法.该方法利用匹配SIFT特征,并根据长度不变性约束建立优化目标函数,再采用迭代优化算法得到全局运动位姿;其他关节的姿态先根据逆运动学计算初始估计值,并通过模型匹配验证其可信度,当初始姿态估计错误时,则使用局部搜索获得关节姿态.实验结果表明,文中方法可以准确地恢复单目视频中人体上半身三维运动姿态.     

运动串:一种用于行为分割的运动捕获数据表示方法

运动数据的行为分割是运动捕获过程中非常重要的一环.针对现有分割方法的不足,提出了一种可用于行为分割的运动数据表示方法,并基于该表示实现了数据的行为分割.运动数据经过谱聚类(spectral clustering)、时序恢复和最大值滤波法(max filtering)后生成一个字符串,该字符串称为运动串,然后采用后缀树(suffix tree)分析运动串,提取出所有静态子串和周期子串,对这些子串进行行为标注,从而实现运动数据的行为分割.实验表明,基于运动串的分割具有较好的鲁棒性和分割效果.     

Gaussian process dynamical models for human motion

We introduce Gaussian process dynamical models (GPDM) for nonlinear time series analysis, with applications to learning models of human pose and motion from high-dimensionalmotion capture data. A GPDM is a latent variable model. It comprises a low-dimensional latent space with associated dynamics, and a map from the latent space to an observation space. We marginalize out the model parameters in closed-form, using Gaussian process priors for both the dynamics and the observation mappings. This results in a non-parametric model for dynamical systems that accounts for uncertainty in the model. We demonstrate the approach, and compare four learning algorithms on human motion capture data in which each pose is 50-dimensional. Despite the use of small data sets, the GPDM learns an effective representation of the nonlinear dynamics in these spaces.     

Data‐Driven Reconstruction of Human Locomotion Using a Single Smartphone

Generating a visually appealing human motion sequence using low‐dimensional control signals is a major line of study in the motion research area in computer graphics. We propose a novel approach that allows us to reconstruct full body human locomotion using a single inertial sensing device, a smartphone. Smartphones are among the most widely used devices and incorporate inertial sensors such as an accelerometer and a gyroscope. To find a mapping between a full body pose and smartphone sensor data, we perform low dimensional embedding of full body motion capture data, based on a Gaussian Process Latent Variable Model. Our system ensures temporal coherence between the reconstructed poses by using a state decomposition model for automatic phase segmentation. Finally, application of the proposed nonlinear regression algorithm finds a proper mapping between the latent space and the sensor data. Our framework effectively reconstructs plausible 3D locomotion sequences. We compare the generated animation to ground truth data obtained using a commercial motion capture system.     

基于惯性动作捕捉的人体运动姿态模拟

针对人体运动姿态编辑的自由性,提出一种人体运动姿态模拟方法。该方法采用贝塞尔曲线和数值数据编辑人体运动姿态。根据人体运动的特点,在VC++中运用OpenGL构建虚拟人体模型,利用动作捕捉技术设计人体运动姿态的模拟程序。结合人体关节正常活动范围,对主要关节点的运动姿态进行分析,结果表明,该方法能有效利用人体运动数据,驱动虚拟人体模型。     

基于三维环境模型的启发式路径规划算法

针对多自由度机器人手臂在未知环境中实时避障的问题,提出了一种基于环境信息的连杆机器人实时路径规划方法。采用笛卡尔空间内的障碍物检测信息建立了障碍物的空间模型,并依据该模型设计一种基于启发式规则的机器人路径规划算法。该算法不断猜测和修正路径,通过模糊推理得到下一位姿点,通过曲线拟合得到到达该位姿点的路径。在Matlab下利用机器人工具箱建立了PUMA560型机器人的运动学模型,并在运动空间设置障碍物,对该算法进行仿真分析,分析结果说明所提出的路径规划算法可以在较短时间内完成避障运动,具有较好的实时性,同时运动关节的角度变化曲线比较平滑,运动中冲击力较小,这些特点使其便于在实际工程中使用。     

利用共享动态隐变量模型估计三维人体运动

可视媒体中的基于学习的三维人体运动分析是计算机视觉领域中非常有挑战性的课题.本文在Gauss动态隐变量模型与共享隐结构的基础上,给出一种新的共享动态隐变量模型用于三维人体运动跟踪.该模型针对高维非线性动态系统,可以计算出高维状态向量和高维观测向量的共享动态低维隐变量,同时也能计算出隐变量对高维状态向量、高维观测向量的双向映射、以及隐变量自身的动态关系.使用该模型可以将传统的高维人体运动估计分层为先估计低维隐变量状态,再重建高维人体运动.在实验结果中,用仿真图像序列与真实图像序列证明了方法的有效性.     

基于高斯过程动态模型的人体节奏运动合成

提出一种新的基于高斯过程动态模型的节奏转移方法。该方法能够准确、有效地将现有运动中的节奏信息转移到新的运动中去,适用于各种不同类型的运动。首先,使用短时（short term）PCA计算源运动的节奏点,组合3种重要的运动特征求解目标运动的特征点;然后,使用动态规划算法来找到两者之间的最佳匹配,最大化减少计算时间及对目标运动的修改;最后,使用高斯过程动态模型对目标运动进行学习,并在隐空间进行节奏化插值,最终合成新的节奏化运动。     

基于PCA的坐姿行为识别*

为了对坐姿下的几种行为进行识别,在分析常有坐姿的基础上,提出了通过PCA对八种不同姿势进行分类识别的方法。结合背景帧信息通过背景轮廓消减法提取运动目标区域,利用肤色在YCbCr空间聚集在一片固定区域且在CbCr平面上投影为一个近似椭圆的特性,在运动目标区域提取肤色区域,并对检测出的肤色灰度图进行PCA运算,实现了姿势识别。实验结果表明,所提出的利用PCA进行姿势识别的方法正确率达到84.92%,能够准确地识别坐姿行为,并且对运动阴影、光线变化具有良好的鲁棒性。