[發明專利]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

有效

• 申請號: 201210392668.6
• 申請日: 2012-10-16
• 公開（公告）號: CN102945561A
• 公開（公告）日: 2013-02-27
• 發明（設計）人: 梁曉輝;王劍;郭承禹
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T13/00
• 分類號: G06T13/00;G06T7/20
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 楊學明;顧煒

技術領域

本發明屬于計算機虛擬現實技術領域，特別是涉及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。

背景技術

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。本發明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。本發明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。

發明內容

本發明的目的：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。

本發明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（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。

進一步的，所述步驟（1）中對運動數據預處理和標注的具體內容如下：

步驟（A1）、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（B1）、根據步驟（1）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（B1）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；