基于3D人眼模型的视线跟踪技术综述

针对基于3D人眼模型的视线跟踪技术进行了综述.首先对视线跟踪技术及其常见应用进行了概述;然后简单阐述了现有视线跟踪方法及其分类;重点分析基于3D人眼模型的视线跟踪方法,并根据硬件配置的不同,将基于3D人眼模型的方法分为单摄像头无光源、单摄像头单光源、单摄像头多光源、多摄像头多红外光源及基于RGB-D摄像机5类进行概述,对比分析了现有的基于3D人眼模型的视线跟踪技术;最后对基于3D人眼模型的视线跟踪技术的难点及发展趋势进行了简单的分析与总结.     

面向普通用户的3D虚拟人脸动画

为合成真实感人脸动画,提出一种实时的基于单摄像头的3D虚拟人脸动画方法.首先根据用户的单张正面人脸图像重建用户的3D人脸模型,并基于该人脸模型合成姿态、光照和表情变化的人脸图像,利用这些图像训练特定用户的局部纹理模型;然后使用摄像头拍摄人脸视频,利用特定用户的局部纹理模型跟踪人脸特征点;最后由跟踪结果和3D关键形状估计Blendshape系数,通过Blendshape模型合成的人脸动画.实验结果表明,该方法能实时合成真实感3D人脸动画,且只需要一个普通的摄像头,非常适合普通用户使用.     

Kinect与Unity3D数据整合技术在体感游戏中的应用研究

通过分析Kinect与Unity3D数据整合关键技术,从WPF与Unity 3D内部调用方式展开系统设计。设计分为Unity3D场景展示模块、Unity3D的接口模块和Kinect的数据获取三模块。其中Unity3D接口模块实现了的场景设置,骨骼绑定、镜像运动、近景模式、平滑处理功能;Kinect数据获取模块通过代码实现设备控制、骨骼绑定算法、设备图像获取。测试证明,通过C#对非托管的dll的管理方式,导入Kinect硬件的驱动程序,调用自定义的数据结构和算法,实现在unity 3D场景中,使用Kinect体感镜头控制场景中的人物模型运动,提高了体感游戏的开发效率,在体感游戏的开发和应用中有一定的社会推广价值。     

游戏开发中基于Direct3D之3D模型运用

通过实例详细研究并阐述在3D游戏开发中,3DSMAX、MAYA制作完成的人物和场景被Direct3D调用的方法,即如何通过D3D来运用3D作品。     

一种非重叠多摄像头的实时监控系统

大范围场景的监控需要使用多个摄像头。论文利用运动目标的颜色信息和路径特征,设计了一种非重叠多摄像头的实时监控系统。系统采用分布式多层次结构,在进行单摄像头层的处理时,根据像素点亮度变化检测和跟踪运动目标,同时获取运动目标的外形信息和路径特征;在进行多摄像头层的处理时,使用估计目标外形变化和建立路径模型方法融合多个摄像头信息,实现目标在非重叠多摄像头的跟踪。该系统不要求校准摄像头,也不要求建立完整的场景模型,即便在有亮度变化的环境中,仍能立即准确跟踪目标。实验证明提出的方法有好的跟踪效果。     

首部资料片“八戒娶亲”玩法揭秘

《西游记》是蓝港在线历时3年精心打造的2D网游大作，将经典原著中的故事、人物、场景、法宝等悉数融合，让玩家在奇幻的神话世界中时刻感受斩妖除魔的畅快。游戏中“飞行空战”、“大闹天宫”、“七十二变”等创新的玩法，开创了2D网游全新的PK时代。     

基于非重叠多摄像头的实时监控系统

针对室内外环境的动态特点,描述了一个可扩展的多摄像头实时监控系统,提出了新的基于非重叠多摄像头的运动目标跟踪方法.该方法利用亮度信息在单摄像头内检测和跟踪目标,结合运动目标的亮度特征和路径特征,在多摄像头内估计运动目标外形变化,并建立运动目标路径模型,使用融合算法实现基于非重叠多摄像头的目标跟踪.与其他监控系统相比,该系统不要求摄像头校准,在有亮度变化的非重叠多摄像头场景中能立即准确跟踪目标.实验证明,提出的方法有好的跟踪效果.     

从3ds Max导出数据方法比较

在游戏开发过程中需要大量的模型数据来描述人物、建筑、场景，如果单纯开发一个编辑器来编辑网格、顶点、材质等信息，代价太大，因此往往利用一些现成的3D建模软件来代替。     

高速公路资产可视化管理研究

针对高速公路资产精细化管理需要，文章基于地理信息系统（Geographic Information System,GIS）、高精度地图、3D模型等可视化技术，对桥隧、路面路基、设备及土地房屋等资产进行单体构件拆分和3D建模，通过资产编码赋予每个构件唯一身份标识号（Identity Document,ID）身份，并将高精地图场景、3D模型与构件ID等数据信息有效融合，实现资产的动态关联可视化管理。     

基于视频深度学习的时空双流人物动作识别模型

深度学习在人物动作识别方面已取得较好的成效,但当前仍然需要充分利用视频中人物的外形信息和运动信息。为利用视频中的空间信息和时间信息来识别人物行为动作,提出一种时空双流视频人物动作识别模型。该模型首先利用两个卷积神经网络分别抽取视频动作片段空间和时间特征,接着融合这两个卷积神经网络并提取中层时空特征,最后将提取的中层特征输入到3D卷积神经网络来完成视频中人物动作的识别。在数据集UCF101和HMDB51上,进行视频人物动作识别实验。实验结果表明,所提出的基于时空双流的3D卷积神经网络模型能够有效地识别视频人物动作。