【技术实现步骤摘要】
本专利技术涉及3d模型，特别涉及一种个性化3d角色生成方法。
技术介绍
1、随着科技的不断进步，3d建模技术已经成为了一个不可或缺的工具。它广泛应用于游戏开发、动画制作、电影特效等领域，同时也在监控摄像机、机器人视觉和医学成像等领域中发挥了重要作用，3d建模技术的主要任务是从多角度数据中构建出精确的三维模型。通常，3d建模技术可以分为两类:基于传统算法的3d建模技术和基于深度学习的3d建模技术。基于传统算法的3d建模技术包括以特定角度拍摄的相片重建、多角度的测距、点云重建转换为三维建模等方法。这些传统算法在不同的领域中已经有了广泛应用，在游戏开发以及影视作品特效制作过程中需要使用3d建模技术；
2、根据专利公开号为cn 115049799 a的专利技术专利提出的生成3d模型和生成虚拟形象的方法和装置，涉及人工智能
，具体为增强现实ar、虚拟现实、计算机视觉、深度学习等
，可应用于虚拟形象生成、元宇宙等场景。具体实现方案为：获取基础基底和原始标准模型；将所述基础基底和所述原始标准模型进行对齐；将所述原始标准模型的网格顶点的变化量迁移到所述基础基底的网格顶点；基于所述原始标准模型的融合变形系数对所述基础基底进行加权，得到3d模型。该实施方式能够让新拓扑基础基底快速接入虚拟形象自动生成平台，提升基础基底的接入效率，用于生成个性化基础基底的目标对象的虚拟形象；
3、该3d模型生成的方法主要通过在基础模型上进行变化得到新的模型，这种3d模型生成方法限制程度较高，无法根据用户需求定制出具有个性化特征的3d
技术实现思路
1、本专利技术的目的是为了解决现实生活中的不足，故此提出一种个性化3d角色生成方法，以解决上述的问题。
2、具体采用了如下技术方案：
3、生成方法包括如下：
4、s1模型样本储备，建立模型训练数据库，在模型训练数据库内收集并导入基础3d角色模型样本；
5、s2数据准备，对所收集的数据样本进行数据清洗和格式转换，将模型数据库内的3d角色模型转换并统一为相同的格式，同时对模型数据进行重新审查和校验、删除重复信息、纠正存在的错误，处理无效值和缺失值并提供数据一致性；
6、s3模型训练，使用深度学习方法对所收集的数据集进行训练，对数据进行分析和学习，应用机器学习算法构建机器学习模型，并对数据进行预处理、模型选择以及参数优化操作；
7、s4参数命令输入，导入图片数据，并对图像信息进行预处理以及分析优化，对图像进行几何变换、图像增强、图像去噪、图像压缩、图像复原以及图像分割等操作；
8、s5初步模型生成，使用图片转stl技术对优化后的图像进行扫描，同时导入个性化特征参数，并使用3d建模软件生成3d模型；
9、s6模型对比重建，将所生成的模型与所输入的图像进行像素对比，并将相似度不合格的模型进行重新建模。
10、优选的，在步骤s1中，所述模型样本储备操作中，使用大数据技术搜集3d角色模型数据，并建立模型数据库对所搜集的数据进行归纳整合，使用决策树算法对数据集进行分割，构建树状模型，将数据集的各个具体模型数据与决策树的节点进行匹配对应，并对数据进行逐级分类和编号，使其处于待调用状态。
11、优选的，在步骤s2中，所述数据准备操作中，对数据集中缺少数据的样本采取删除，填充，归纳的方式进行缺失值处理，对数据集中明显异常的数据进行删除，替换和统计，对于数据重复的样本进行删除和标记。
12、优选的，在步骤s2中，所述格式转换操作中，将数据集中的非标准格式模型数据转换为正确的数据类型，将数据标准化为具有相同量纲和相对大小关系的数据集，并选择最相关的特征，减少冗余和噪声，对于样本不均衡的数据，采取欠采样、过采样以及合成采样的方法来调整样本比例，使各类别的样本在模型训练中具有相似的重要性。
13、优选的，在步骤s3中，所述模型训练操作中，所使用的深度学习方法为卷积神经网络，使用卷积神经网络的形状分割技术将三维模型分割成多个子模型，再通过神经网络对三维建模的数据结构进行分割，所使用的模型优化方法包括删除模型的隐藏面和重叠面，使用低多边形模型替代高多边形模型，具体采用手工重新拓扑以及使用多边形优化插件的方式来实现，并在模型中使用贴图来替代模型细节。
14、优选的，在步骤s4中，所述参数命令输入操作中，对图像信息进行预处理的方式为采用均值滤波计算图像像素周围一定区域内像素的平均值，并通过中值滤波将像素周围一定区域内的像素值排序，选取其中位数作为该像素的值，以达到去除噪声的效果，进一步利用canny算法突出图像中的边缘特征，在对图像的编辑操作中，使用差值算法对平面图像的像素进行重新安排，并通过直方图均衡化来增强图像对比度。
15、优选的，在步骤s5中，所述初步模型生成操作中，使用图片转stl技术将所录入的2d图像数据中的每个像素点转换为3d空间中的一个点，并根据像素点的颜色值确定该点在3d模型中的高度，并不断重复这一过程，使用bl ender软件基于三维空间中的几何图形，并将几何图形转换成曲面，从而构建复杂的三维模型。
16、优选的，在步骤s6中，所述模型对比重建操作中，使用余弦相似度算法基于向量空间模型将文本表示成向量，然后计算这两个向量之间的夹角，进而得出所生成的模型与所输入的图像之间的相似度，对于相似度不合格的3d角色模型则重新进行扫描数据和导入特征参数。
17、与现有技术相比，本专利技术具备以下有益效果：
18、1.本专利技术通过建立数据库，并将收集来的基础模型数据进行收纳编号，通过决策树对模型数据进行分级编号，当使用者输入预定的3d角色模型特征参数后，可快速识别并调用与之匹配的基础模型，并对所建立的数据集进行训练，优化基础模型数据，以提高模型的调用以及生成效率，同时使用者还可通过导入图像数据，对图像数据进行预处理和扫描分析，对处理完的图像信息再通过图片转stl技术配合3d建模软件生成相应的3d角色模型，对所生成的初步模型通过余弦相似度算法进行相似度判定，由此可判断所生成的3d角色模型与所给的图像之间的相似度，对于相似度不合格的模型则返回重新扫描生成，由此能够提高3d角色建模的还原度。
本文档来自技高网...【技术保护点】
1.一种个性化3D角色生成方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S1中，所述模型样本储备操作中，使用大数据技术搜集3D角色模型数据，并建立模型数据库对所搜集的数据进行归纳整合，使用决策树算法对数据集进行分割，构建树状模型，将数据集的各个具体模型数据与决策树的节点进行匹配对应，并对数据进行逐级分类和编号，使其处于待调用状态。
3.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S2中，所述数据准备操作中，对数据集中缺少数据的样本采取删除，填充，归纳的方式进行缺失值处理，对数据集中明显异常的数据进行删除，替换和统计，对于数据重复的样本进行删除和标记。
4.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S2中，所述格式转换操作中，将数据集中的非标准格式模型数据转换为正确的数据类型，将数据标准化为具有相同量纲和相对大小关系的数据集，并选择最相关的特征，减少冗余和噪声，对于样本不均衡的数据，采取欠采样、过采样以及合成采样的方法来调整样本比例，使各类别的样本在
5.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S3中，所述模型训练操作中，所使用的深度学习方法为卷积神经网络，使用卷积神经网络的形状分割技术将三维模型分割成多个子模型，再通过神经网络对三维建模的数据结构进行分割，所使用的模型优化方法包括删除模型的隐藏面和重叠面，使用低多边形模型替代高多边形模型，具体采用手工重新拓扑以及使用多边形优化插件的方式来实现，并在模型中使用贴图来替代模型细节。
6.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S4中，所述参数命令输入操作中，对图像信息进行预处理的方式为采用均值滤波计算图像像素周围一定区域内像素的平均值，并通过中值滤波将像素周围一定区域内的像素值排序，选取其中位数作为该像素的值，以达到去除噪声的效果，进一步利用Canny算法突出图像中的边缘特征，在对图像的编辑操作中，使用差值算法对平面图像的像素进行重新安排，并通过直方图均衡化来增强图像对比度。
7.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S5中，所述初步模型生成操作中，使用图片转STL技术将所录入的2D图像数据中的每个像素点转换为3D空间中的一个点，并根据像素点的颜色值确定该点在3D模型中的高度，并不断重复这一过程，使用Blender软件基于三维空间中的几何图形，并将几何图形转换成曲面，从而构建复杂的三维模型。
8.如权利要求1所述的一种个性化3D角色生成方法，其特征在于，在步骤S6中，所述模型对比重建操作中，使用余弦相似度算法基于向量空间模型将文本表示成向量，然后计算这两个向量之间的夹角，进而得出所生成的模型与所输入的图像之间的相似度，对于相似度不合格的3D角色模型则重新进行扫描数据和导入特征参数。
...【技术特征摘要】
1.一种个性化3d角色生成方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种个性化3d角色生成方法，其特征在于，在步骤s1中，所述模型样本储备操作中，使用大数据技术搜集3d角色模型数据，并建立模型数据库对所搜集的数据进行归纳整合，使用决策树算法对数据集进行分割，构建树状模型，将数据集的各个具体模型数据与决策树的节点进行匹配对应，并对数据进行逐级分类和编号，使其处于待调用状态。
3.如权利要求1所述的一种个性化3d角色生成方法，其特征在于，在步骤s2中，所述数据准备操作中，对数据集中缺少数据的样本采取删除，填充，归纳的方式进行缺失值处理，对数据集中明显异常的数据进行删除，替换和统计，对于数据重复的样本进行删除和标记。
4.如权利要求1所述的一种个性化3d角色生成方法，其特征在于，在步骤s2中，所述格式转换操作中，将数据集中的非标准格式模型数据转换为正确的数据类型，将数据标准化为具有相同量纲和相对大小关系的数据集，并选择最相关的特征，减少冗余和噪声，对于样本不均衡的数据，采取欠采样、过采样以及合成采样的方法来调整样本比例，使各类别的样本在模型训练中具有相似的重要性。
5.如权利要求1所述的一种个性化3d角色生成方法，其特征在于，在步骤s3中，所述模型训练操作中，所使用的深度学习方法为卷积神经网络，使用卷积神经网络的形状分割技术将三维模型分割成多个子模型，再通过神经网络对三维建模的数据结构进行分割，所使用...
【专利技术属性】
技术研发人员：王青青，朱妹丽，齐森，黄剑锋，
申请(专利权)人：吉林动画学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。