一種計算機骨骼動畫中基于運動捕獲數據的運動合成與編輯方法技術

本發明專利技術是一種計算機骨骼動畫中基于運動捕獲數據的運動合成與編輯方法，該方法首先對給定的運動數據集進行簡單的預處理，標記出構建生成模型所需要的先驗信息；其次根據標注的信息定義多因子高斯隨機過程來對運動數據集進行建模；然后根據構建的模型構造出基于最大后驗估計(MAP)的目標函數并利用SCG最優化算法求解未知函數得到生成模型。最后，通過編輯隱變量因子，利用得到的生成模型實現了各種各樣的運動合成與運動編輯方法，如風格轉移、風格插值、運動重定向等。本發明專利技術的特點是首先通過利用多因子高斯過程對一組少量運動數據建模得到生成模型，然后利用該生成模型實現了一系類交互直觀的運動編輯方法。

【技術實現步驟摘要】

本專利技術屬于計算機虛擬現實
，特別是涉及。
技術介紹
虛擬角色的運動大大增加了虛擬場景的真實感和沉浸感。虛擬角色的運動是虛擬現實和計算機動畫等領域的一個經典研究內容。先后有基于關鍵幀，運動學，動力學等方法用于合成虛擬角色的運動。近年來，隨著運動捕獲設備的不斷成熟和實用化，獲取大量真實感運動數據成為可能。但是，由于人體運動運動的復雜性和多變性，捕獲所有的人體運動是不現實也是不可能的。另外，運動捕獲設備造價昂貴，便攜性差等原因也讓運動捕獲設備的使用受到了限制。如何利用已有運動捕獲數據泛化生成新的運動數據來滿足特定的用戶需求和環境約束成為一個研究熱點和難點。目前，從是否對已有的運動捕獲數據進行修改的角度，可以將利用運動捕獲數據進行運動合成的方法分為運動融合與運動重組兩大類。運動融合通過對兩個或多個運動數據片段進行顯式或隱式的插值實現運動數據的泛化達到運動合成的目的。而運動重組通過排列組合的方式改變運動數據片段的順序來達到合成新的運動的目的。在使用運動融合的技術中，一種非常有吸引力的運動生成方法是通過對已有運動數據集建模，構造一個能夠顯式的將運動數據集參數化為不同因子的生成模型來實現運動數據的泛化，達到運動合成目的。要構建出一個好的生成模型需要解決以下問題一為如何保證在不產生很大重構誤差的前提下重構出訓練數據。二為如何保證生成模型可以靈活的根據訓練數據集和用戶的需求不同而做適應性修改。三為如何能夠讓生成模型能夠適用于多種類型運動上，而不局限于有限種類的運動上面。本專利技術將以這三個問題為基本出發點，通過將多因子高斯過程對運動捕獲建模，提出了一個構建生成模型框架，實現了一系列靈活的運動合成與編輯的方法。對于對運動數據建模構建生成模型這個問題，當前已經有許多很多研究工作。例如，利用雙線性模型對運動捕獲數據建模，實現內容與風格的分離；利用多線性模型對運動捕獲數據進行建模，實現人物和風格的分離等。這些方法針對某一些問題，或在某一些運動數據集上取得很好的結果。但是，這些模型都有著它們自身的局限性。他們要么很難擴展到別的數據集上，要么很難通過對模型進行調整去處理一些類似問題。本專利技術通過將多因子高斯過程應用于運動捕獲數據上，根據訓練數據集的特質以及具體的問題，提出了一個利用運動捕獲數據建模來構建生成模型的方法。由于多因子高斯過程內在的靈活性，表達能力強等性質讓我們的方法客服了上面提到的那些研究工作構造的生成模型的局限性。所以我們的方法的優點可以概括為一、靈活性強。我們可以針對訓練數據集的不同，可以構造出兩個、三個或四個因子等的生成模型；二、表達能力強。核函數的方法可以描述兩個數據空間之間復雜的映射關系。而我們生成模型描述分解出因子與運動數據之間的映射關系是通過核函數實現的所以我們的生成模型可以表達復雜的函數映射關系，具有更強的表達能力。
技術實現思路
本專利技術的目的將多因子高斯過程應用于運動捕獲數據上，構建能夠顯式的將運動捕獲數據參數化為不同因子的生成模型來實現靈活直觀的運動合成與編輯方法。本專利技術提出的計算機骨骼動畫中基于運動捕獲數據的運動合成與編輯方法，其主要步驟如下步驟(I)、對運動數據進行簡單的預處理，標注出構造生成模型所需要的先驗信步驟(2)、根據步驟(I)的標注信息定義隨機過程，根據各個因子的代表的具體意義，為每個因子指定合適的核函數來描述它與運動數據間的映射關系，對運動數據建模；步驟(3)、構造最優化目標函數，利用數值最優化算法求解未知參數構建生成模型；步驟(4)、利用步驟(3)得到的生成模型，通過對分解出的因子進行編輯來實現運動的合成與編輯。進一步的，所述步驟(I)中對運動數據預處理和標注的具體內容如下步驟(Al)、根據運動捕獲數據集計算特征向量。特征向量包括根節點位置偏移、根節點朝向、各個關節點自由度，各個關節的加速度；步驟(A2)、對每個運動片段進行標注，標注內容具體可包括人物、風格、內容、性別、年齡等信息。進一步的，所述步驟(2)構造生成模型的步驟具體如下步驟(BI)、根據步驟(I)中標注的信息，定義一個隨機過程；步驟(B2)、根據每個因子的代表具體意義，為步驟(BI)定義的隨機過程中每個因子指定合適的核函數。核函數可以是RBF函數，線性函數等任意有效的核函數；步驟(B3)、在為每個因子指定核函數后，計算出每個因子的協方差矩陣，然后將各個協方差矩陣連乘得到生成模型的協方差矩陣，然后對運動數據建模就完成了。進一步的，所述步驟(3)中構建目標函數求解未知參數的步驟如下步驟(Cl)、構造條件概率公式，利用最大后驗估計(MAP)構造目標函數；步驟(C2)、利用數值最優化算法SCG求解未知參數得到生成模型。進一步的，所述步驟(4)中利用得到的生成模型實現運動合成與運動編輯的具體內容有內容(D1)、通過指定因子參數，合成新的運動；內容(D2)、通過估計未知運動的參數實現運動的從定向，運動風格的從定向；內容(D3)、通過插值因子參數實現兩種或幾種運動實現運動融合來合成出新的運動。本專利技術與現有技術相比的優勢首先，高斯過程是一個強大的回歸工具。通過設置不同的核函數可是實現對各種線性關系非線性關系的描述。具有很強的關系映射的表達能力。其次，我們在對運動數據建模過程中，為了更加細膩和準確的描述各個運動數據集之間的關系，我們使用了多因子高斯過程模型來對運動數據建模。相對于單個隱變量因子的模型，這種建模方式更加精確魯棒。最后，通過建模結果構造出的生成模型提供過直觀方便的交互手段讓非專業動畫人士也能利用該模型生成高質量的動畫。附圖說明圖I為本專利技術的的整體過程示意圖2為本專利技術的估計未知運動參數，為該未知人物合成其他風格走的示意圖3為本專利技術的通過插值風格參數合成新的風格的運動示意圖4為本專利技術的通過插值內容參數合成不能內容的運動之間平滑過渡的示意圖。具體實施方式下面結合附圖與實例對本專利技術作進一步詳細描述本專利技術實施過程包括四個主要步驟運動數據預處理以及先驗信息標注，定義隨機過程并指定各個因子的核函數，構建目標函數求解未知參數構建生成模型，利用生成模型實現運動的合成與編輯。圖I展示了本專利技術的整體過程示意圖。步驟一運動數據預處理以及先驗信息標注第一階段運動數據預處理運動數據預處理階段主要處理的事情是計算與運動數據每一幀對應的特征向量。 假設，當前給定訓練運動數據集Q= {Qj|j = 1，2，...，j}。其中，J是運動序列的總數。我們要為運動序列中得每一幀t計算一個特征向量Iu to Ju t中的內容包括根節點的朝向、根節點的速度、各個關節點的自由度，各個關鍵的加速度。其中，根節點的朝向和各個關節的自由度用四元素表示，根節點的速度和各個關鍵點得速度由運動數據的當前幀t減去上一幀qpH得到。為了表示方便，計算出所有運動數據的特征向量后，我們將所有的特征向量放入一個矩陣Ynxd = 中，其中N是訓練數據的總的幀數，D是特征向量的維度。第二階段運動數據先驗信息的標注運動數據先驗信息的標注的目的是為了在最優化過程中給未知參數一個好的初始值。運動數據可標注的信息是我們可以從運動數據中得到，且是我們關注的信息。例如， 如果給定的訓練數據集是由一些人做的不同風格的走的運動，并且我們想將運動參數化為人物與風格兩個參數向量來表示，那么，我們需要標注本文檔來自技高網...

【技術保護點】
一種計算機骨骼動畫中基于運動捕獲數據的運動合成與編輯方法，其特征在于該方法步驟如下：步驟（1）、對運動數據進行簡單的預處理，標注出構造生成模型所需要的先驗信息；步驟（2）、根據步驟（1）的標注信息定義隨機過程，根據各個因子的代表的具體意義，為每個因子指定合適的核函數來描述它與運動數據間的映射關系，對運動數據建模；步驟（3）、構造最優化目標函數，利用數值最優化算法求解未知參數構建生成模型；步驟（4）、利用步驟（3）得到的生成模型，通過對分解出的因子進行編輯來實現運動的合成與編輯。

【技術特征摘要】

【專利技術屬性】
技術研發人員：梁曉輝，王劍，郭承禹，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：