基于GPU的虚拟经络系统构建的研究

在GPU渲染及虚拟人理论基础上建立一个包含人体脏腑结构、骨骼和穴位的虚拟经络的研究系统.分析系统的整体结构,并阐述系统各模块的具体实现,内容包括模型获取、模型操作、穴位拾取算法和GPU渲染,最后通过GPU渲染与传统方式渲染的比较,给出实验结果.     

VR全景视频传输研究进展

VR全景视频作为一种沉浸式虚拟现实技术,其高分辨率及低延迟的严格要求为视频传输带来了严峻挑战。全景视频传输在全景视频的系统构建中起到了关键作用,并与其他重要技术紧密衔接。为了分析全景视频传输的研究现状和发展趋势,首先对映射格式、视频编码、质量评估等全景视频传输相关技术进行阐述,从不同视角对相关研究领域和方法进行分类归纳。而后详细探讨了全景视频传输技术的传输协议、三类主要传输方法及视口预测,并对各部分梳理了一些比较具有代表性的研究方法。最后就关键性技术对全景视频传输的未来研究进行展望,旨在为研究人员快速全面了解该领域提供帮助。     

基于粒子系统的林火实时绘制研究及实现

为了满足林火图像实时绘制的需求,在总结近几年国内外对粒子系统的研究及对林火的认识的基础上,提出了一种适合大场景林火实时绘制的新型粒子系统模型。该模型对传统粒子的属性定义、基本粒子的运动及基本粒子的绘制等方面均做了补充和改进,并且采用硬件加速纹理技术提高了绘制的效果和效率,应用结果表明,该模型可以实时绘制出效果逼真的火焰图像,此模型所采用的技术也适用于其他不规则物体(如:烟、云等)的绘制。     

亲缘关系约束下的青少年人脸年龄合成研究

年龄合成生成逼真的人脸图像可以有效地提高跨年龄人脸验证准确率,对寻找走失人口有着重要的意义,但是青少年颅骨复合体未发育完全,使得面向青少年的年龄合成十分困难。因此提出了一种面向青少年的端到端的年龄合成模型。通过StyleGAN保留人脸的语义信息,在人脸编码特征上添加年龄通道实现年龄的转化,引入亲缘特征匹配模块引导青少年的面部老化,将亲缘特征匹配率加入损失函数参与训练。该算法模型可以在保持个体身份信息的同时,实现平滑的年龄合成,生成逼真的人脸图像。该模型不仅提升了视觉效果,并且实验表明该模型跨年龄人脸验证准确率达到95.3%,身份召回率达到92.7%,年龄合成平均年龄误差减少4年,较现有算法有较好的提升。     

计算机三维人体经络模型构建研究

将传统和现代的经络研究成果与先进的图形学技术相结合,使用三维制作软件Maya和微软的DirectX软件开发工具包(SDK),构建了一个可在VC系统平台上动态演示的科学、逼真的三维虚拟人体经络模型.该模型信息量丰富并具有良好的视觉效果及扩展性,为经络和针灸知识的临床和教学演示打下良好基础.     

人体经脉循行路线曲线拟合算法研究

经络的研究已经证实了循经感传现象的存在,为有效地解决循经感传现象的计算机实时仿真问题,在计算机图形学中的几何曲线构造方法的基础上,提出了以Catmull-Rom三次样条曲线的插值方程来拟合经脉循行路线的算法。该算法结合数据库技术,利用已知的穴位点作为经脉循行路线的控制点,通过优化的Catmull-Rom插值点的生成算法,计算得到整条循行路线的插值点并连接即生成3维空间曲线。实验结果表明,该算法能够快速地用计算机重构出经脉循行路线,保持了中医理论中经脉循行路线的形态特征。     

基于人体特征三维人体模型的骨架提取算法

实现骨骼动画的一个前提是获取人体模型的骨架,现有的骨架提取算法不是计算复杂度高,就是提取准确度不高,或者需要手工干预.提出一种基于人体特点和黄金比例律的人体模型骨架提取算法,首先对模型进行精简,然后根据人体的特点与黄金比例律确定模型关节点的大概位置,在此基础上对模型进行分割.由于人体存在个体差异且姿势也可能不一致,采用测地距离方法对关节点的位置进行修正,确定其位置.与现有的算法相比,本方法效率高,同时实验显示本算法具有更好的骨架提取效果.     

三维人体姿态估计研究综述

三维人体姿态估计在本质上是一个分类问题和回归问题,主要通过图像估计人体的三维姿态。基于传统方法和深度学习方法的三维人体姿态估计是当前研究的主流方法。按照传统方法到深度学习方法的顺序对近年来三维人体姿态估计方法进行系统介绍,从而了解传统方法通过生成和判别等方法得到人体姿态的众多要素完成三维人体姿态的估计。基于深度学习的三维人体姿态估计方法主要通过构建神经网络,从图像特征中回归出人体姿态信息,大致可以分为基于直接回归方法、基于2D信息方法和基于混合方法的三维人体姿态估计这三类。最后对当前三维人体姿态估计研究所面临的困难与挑战进行阐述,并对未来的研究趋势做出展望。     

基于机器学习的头发自动分割研究进展

头发分割是图像分割领域的一大挑战,头发的自动分割对辅助性别分类、身份识别、医疗影像分析以及头部重构、AR染发等都有着重要的意义.基于机器学习方法对头发进行自动化分割是该领域的常用方法,具有效率高性能好的优点.文章梳理了基于早期机器学习的传统头发自动分割方法与基于深度学习的头发自动分割方法的发展历程,重点分析了贝叶斯网络图模型、区域生长算法、聚类算法、图割算法等传统分割方法以及全连接神经网络、全卷积神经网络、U-Net、MobileNet等基于深度学习的分割方法,并归纳对比各方法的分割效果、优缺点和发展方向.基于深度学习的头发分割方法需要使用大体量的数据集对网络进行训练,文章整理了头发分割常用公开数据集的各项属性,并对各方法使用不同数据集的各项分割性能进行对比.在此基础上,对基于机器学习的头发自动分割所面临的困难和挑战进行梳理和分析,针对存在的问题提出解决思路,对该领域的发展前景加以展望.