服装动画中人体运动与服装变形的相关性学习

针对服装动画中人体运动与服装变形的关系,首先对服装动画中人体运动特征和服装变形特征进行定义和提取;其次建立多套服装在多种人体运动下的高精度服装动画实例数据,并基于4种机器学习模型从实例中学习二者之间的关系.对不同学习模型进行实验的结果表明,由于服装动画中人体运动与服装变形之间存在较强的相关性,因此利用人体运动可以较为准确地预测服装的变形分布;相比BP神经网络,广义回归神经网络和支持向量机等方法,随机森林模型可以更有效地获取人体运动与服装变形的关系,最终误差可控制在理想范围内.     

基于Kinect的人体姿态估计优化和动画生成

为了生成更准确流畅的虚拟人动画,采用Kinect设备捕获三维人体姿态数据的同时,使用单目人体三维姿态估计算法对Kinect的彩色信息进行骨骼点数据推理,从而实时优化人体姿态估计效果,并驱动虚拟人物模型生成动画。首先,提出了一种时空优化的骨骼点数据处理方法,以提高单目估计人体三维姿态的稳定性;其次,提出了一种Kinect和遮挡鲁棒姿势图（ORPM）算法融合的人体姿态估计方法来解决Kinect的遮挡问题;最后,研制了基于四元数向量插值和逆向运动学约束的虚拟人动画系统,其能够进行运动仿真和实时动画生成。与仅利用Kinect捕获人体运动来生成动画的方法相比,所提方法的人体姿态估计数据鲁棒性更强,具备一定的防遮挡能力,而与基于ORPM算法的动画生成方法相比,所提方法生成的动画在帧率上提高了两倍,效果更真实流畅。     

基于BP回归神经网络的人体角度拟合研究

基于深度学习和深度摄像机的人体动作识别方法,受其应用场景所限,均不能对视频中快变场景和静态图像中的人体动作进行识别.本文中定义了人体肢体角度空间,使用基于深度学习的人体骨骼识别框架的骨骼数据,构建8个4层BP回归神经网络.对人体的骨骼数据提取和预处理后,再对训练数据进行增维处理,通过回归神经网络进行拟合,实验和测试结果表明,该方法可以有效的对人体角度进行回归,为快变场景和静态图像中的人的动作识别提供可靠依据.     

一种人体运动骨骼提取和动画自动生成方法

现有的动画生成方法存在手工操作繁琐、模型姿态受局限等问题.提出了一种新的人体模型动画自动生成方法,首先自动提取和识别位于人体四肢和头顶末端的5个特征点,以特征点为起点,计算模型等测地线的中心线.在中心线上根据人体测量学知识,确定关节点的近似位置,然后根据人体骨骼刚性运动特征和运动数据文件提供的骨骼信息,进行关节点精确定位,再通过热力学扩散方程计算顶点权重最后将提取的骨骼采用局部坐标架对齐的方法实现与运动数据匹配,并以运动数据驱动皮肤产生人体动画实验结果表明,与现有算法相比,具有与模型姿态无关、全自动、产生动画效果好等特点.     

运动学在游戏架构中的物理建模及应用

游戏架构中的三维人体动画制作一直是动画设计领域中一个具有挑战性的课题.针对如何使人体动画更加拟人化的问题,提出了运用正向、反向运动学的基本原理进行物理建模,并将其应用到三维人体动画制作中;利用人体骨骼仿真系统进行了人体行走的模拟实验,实验以捕获的真实人体运动为素材,将其转换成人体骨骼模型的运动;再对人体模型运动进行编辑;然后将其重定向到新的人体角色.实验结果表明:此方法不仅保留了原始运动的运动属性,而且还提高了动画运动的逼真性.     

基于Forge云的艺用人体解剖绘画仿真系统

针对目前人物动画制作以及绘画过程中对人体结构认识不足的问题,以及虚拟现实技术在教育中的优势,提出了一个基于Forge云的艺用人体解剖绘画仿真系统方案.系统按照人体结构比例,采用块面加线的模式完成人物模型的构建及可视化过程,完全遵照动画运动规律,以骨骼动画结合三维动作捕捉的方式实现人体运动仿真.通过Forge云平台和Three.js完成人机交互.最后,将漫画模块和Forge云模块双向通信,完成漫画人物姿态仿真.通过测试证明,该系统的仿真度和易用性较高,为数字化学习和移动学习提供了环境,有助于学习者深入理解人体解剖结构,并正确掌握漫画人物的造型方法.     

融合时空约束的光学动作捕捉标记点实时补全方法

在基于标记点的光学动作捕捉系统中,针对粘贴在用户身上的标记点受遮挡等因素影响丢失跟踪位置后导致人体位姿计算失败的问题,提出一种基于深度学习的标记点序列预测补全方法.该方法中,深度学习网络模型以人体运动的时间反演对称性作为理论依据,使用双向长短期记忆网络作为网络主体架构;在模型训练过程中提出组合损失函数,分别对人体关键运动节点的活动范围、同一段骨骼上标记点之间的刚性结构,以及标记点运动轨迹的时间连续性进行限制,确保补全的标记点序列符合人体运动的时空约束.在HDM05数据集上的实验结果表明,与现有方法相比,在丢失不同数量、不同时间跨度的标记点序列的条件下,所提方法补全标记点位置的平均误差下降超过14%.     

人体运动数据重构方法进展

运动捕捉系统产生的人体运动数据是标记点在运动序列中的位置数据,用于驱动人体模型产生真实感的动画。在对近几年有关人体运动数据重构的文献进行综合和分析的基础上,首先对人体运动数据重构进行了问题描述,并对人体运动数据在重构过程中难以避免的噪声问题和特征点(虚拟空间中的标记点)缺失问题的研究分别进行了总结和分析;然后对人体运动数据获取的光学式原型捕捉系统开发的研究进行了讨论,评述了人体运动数据驱动人体几何模型的相关研究;最后对未来研究提出了一些展望。     

一种具有逼真效果的虚拟人动画生成方法

针对传统的虚拟人动画逼真度低、动画生成复杂、且动画存在飘移现象的问题,提出了一种基于视频关键帧获取运动数据的虚拟人动画生成方法。首先利用线性混合蒙皮算法建立了新的人体几何模型;其次利用正向运动学方法驱动虚拟人的骨骼模型,并利用平移补偿原则消除虚拟人运动中的飘移现象;最终实现了基于双目正交视觉获取关节运动参数的虚拟人动画。实验结果表明,新方法能逼真地模拟真实人体动作,且方法易于实现、实用性强。     

融合生成模型和判别模型的双层RBM运动捕获数据语义识别算法

对人体运动捕获数据底层特征和高层语义之间常常存在语义鸿沟的问题,结合深度学习思想,提出一种融合受限玻尔兹曼机生成模型和判别模型的运动捕获数据语义识别算法.该算法采用双层受限玻尔兹曼机,分别对运动捕获数据进行判别性特征提取(特征提取层)和风格识别(语义判别层),首先考虑到自回归模型对时序信息具有出色的表达能力,构建一种基于单通道三元因子交互的条件限制玻尔兹曼机生成模型,用于提取运动捕捉数据的时空特征信息;然后将提取出的特征与对应的风格标签相耦合,作为语义判别层中受限玻尔兹曼机判别模型的当前帧数据层输入,进行单帧风格识别的训练;最后在获得各帧参数的基础上,在模型顶部加入投票空间实现对运动捕捉序列的风格语义的有效识别.实验结果表明,文中算法具有良好的鲁棒性和可扩展性,能够满足多样化运动序列识别的需求,便于数据的有效重用.     

三维人体骨骼动画自动合成方法研究

传统的人体骨骼动画制作方法是参考真实人体骨骼运动过程中各关节点的坐标位置变化轨迹,确定关键帧与插值帧模型,再进行必要的编辑处理,这需要大量的专业领域知识以及复杂的交互规则,人力物力成本高。为解决上述问题,提出了一种在给定任意两个人体骨骼动作数据作为首尾帧的条件下,自动合成完整三维人体骨骼动画序列的方法。方法由基于卷积自编码网络的骨骼动画特征提取模型和双线性插值与卷积相结合的插值帧自动合成模型两部分组成。随机从Mocap数据库中抽取两帧人体动作数据作为模型的输入,可以自动生成三维人体骨骼动画。文中方法与传统插值帧生成方法相比,具有较好的动作趋势转折信息的预测和还原能力,提升了动画系统的交互效率以及智能水平。     

一种视频驱动的三维虚拟人动画实现方法

研究实现三维人体动画具有广泛的应用前景和实用意义,提出了一种二维视频驱动的三维人体动画实现方法。基于动态帧的关键帧提取算法从二维视频中构建了二维关键帧集合;基于二维关键帧构建二维人体骨骼模型;利用小孔成像原理和勾股定理计算得到关节特征点的深度坐标,从而得到了反映人体动画的三维数据。实验结果表明,该方法生成的三维人体动画形象逼真、成本低、提高了运动生成的实时性,能够应用于虚拟现实、计算机游戏、三维视频游戏制作等领域。     

利用骨架模型和格拉斯曼流形的3D人体动作识别

为了通过几何特征的有效方法描述人体骨骼运动,构建3D人体动作识别系统,提出一种基于3D骨骼关节空间建模方法。首先,使用自回归和移动平均模型（ARMA）描述每个随着时间变化的运动轨迹,成功捕捉了时空动态运动信息。同时,将该模型的观察矩阵生成的子空间作为格拉斯曼流形中一个点;然后,通过学习控制切线（CT）描述每个类的均值,映射学习过程中的观察变量到所有CT形成局部切丛（LTB）,LTB流形数据点可直接在分类器上完成分类;最后,提出的方法使用SVM分类器完成训练和分类。MSR-action 3D、Weizmann和UCF-Kinect三个数据库的实验结果验证了该方法的有效性,与几种基于深度数据的算法相比,该方法获得了最高的识别率,在延迟性方面的性能也表现最优,当帧数为30时,识别率达到97.91%,在延迟较高时,可达到期望识别率。     

一种人体运动展示平台的设计与实现

系统提出了一种基于人体运动捕捉文件的人体运动展示方案,通过进行结构层次化的人体建模,并借助由特种设备“运动捕捉仪”生成的运动数据文件,通过转换算法,生成人体运动所需的运动角,驱动人体模型实现相应动画,同时可以操纵视点的变化,得到了较好的人机交互效果。     

基于学习的群体动画生成技术研究

为了降低群体动画中生成大量自然而又相似的人体运动的难度和复杂性,研究了一种基于学习的群体动画生成技术。该技术首先通过建立基于高斯过程隐变量模型和隐空间动态模型的运动姿势学习模型,将高维运动姿势映射到低维隐空间中,并在低维隐空间对相邻姿势的动态演化进行建模;然后通过对已有运动数据的学习来获得组成该运动的姿势的概率分布,再通过隐空间中的动态预测和Hybrid Monte Carlo采样来得到符合给定概率分布的隐轨迹;最后通过姿势重构来得到与原运动非常相似但又不同的一系列自然的运动,以产生群体动画,从而避开了传统的基于几何和物理约束的逆运动方法固有的困难和复杂性。     

基于球B样条的3D人物角色建模与动画

提出一种新的人物角色的快速建模和动画的方法.通过使用球B样条实现以骨架为基础自动构建角色模型以及数据驱动的角色动画生成方法.给定人物角色骨架后,依据人体测量学根据骨骼长度计算出关节点处的半径.通过插值关节点以及半径生成球B样条曲线曲面表示的角色模型.根据所获取的运动数据(来自运动捕获),通过更新控制顶点来更新角色模型,从而实现角色的实时动画.     

数据驱动的人体动画合成研究综述

系统地阐述了目前数据驱动的人体动画合成研究现状,介绍了国内外运动数据捕捉技术的发展,着重对现有运动捕捉数据的编辑技术及运动合成方法进行了详细的分析和比较,并阐述各种方法的优缺点,最后展望了数据驱动的人体动画合成技术未来研究的重点和难点.     

基于深度学习和表情AU参数的人脸动画方法

为了利用计算机方便快捷地生成表情逼真的动漫人物,提出一种基于深度学习和表情AU参数的人脸动画生成方法.该方法定义了用于描述面部表情的24个面部运动单元参数,即表情AU参数,并利用卷积神经网络和FEAFA数据集构建和训练了相应的参数回归网络模型.在根据视频图像生成人脸动画时,首先从单目摄像头获取视频图像,采用有监督的梯度下降法对视频帧进行人脸检测,进而对得到的人脸表情图像准确地回归出表情AU参数值,将其视为三维人脸表情基系数,并结合虚拟人物相对应的24个基础三维表情形状和中立表情形状,在自然环境下基于表情融合变形模型驱动虚拟人物生成人脸动画.该方法省去了传统方法中的三维重建过程,并且考虑了运动单元参数之间的相互影响,使得生成的人脸动画的表情更加自然、细腻.此外,基于人脸图像比基于特征点回归出的表情系数更加准确.     

Kinect动作捕捉技术在三维动画教学中的应用与实践

针对传统三维角色动画制作成本高、时间长的问题,文章介绍了一种应用Kinect动作捕捉技术实现高效制作三维角色动画的方法。该方法借助Kinect体感摄像机捕捉真人的动作生成骨骼关节的关键帧数据并输出bvh动作路径文件,然后把bvh动作路径数据导入C4D软件中,就可以驱动角色模型完成角色动画的制作。把这种方法运用到三维角色动画教学实践中,有利于提高学生学习的兴趣和效率。     

运动捕捉数据在Jack平台上的重定向技术研究

提出了一种BVH格式运动捕捉数据驱动Jack三维骨架模型产生人体运动效果的方法。将Peabody结构的Jack虚拟人模型简化成能够映射BVH数据的树状骨骼结构,使用欧拉角旋转方程建立运动捕捉数据与Jack角色模型的关节数据映射公式,最后在Jack平台上用Python等脚语言进行了编程实现。为在Jack平台中大规模重用运动捕捉数据提供了条件。