一种计算机骨骼动画中基于运动捕获数据的运动合成与编辑方法技术

本发明专利技术是一种计算机骨骼动画中基于运动捕获数据的运动合成与编辑方法，该方法首先对给定的运动数据集进行简单的预处理，标记出构建生成模型所需要的先验信息；其次根据标注的信息定义多因子高斯随机过程来对运动数据集进行建模；然后根据构建的模型构造出基于最大后验估计(MAP)的目标函数并利用SCG最优化算法求解未知函数得到生成模型。最后，通过编辑隐变量因子，利用得到的生成模型实现了各种各样的运动合成与运动编辑方法，如风格转移、风格插值、运动重定向等。本发明专利技术的特点是首先通过利用多因子高斯过程对一组少量运动数据建模得到生成模型，然后利用该生成模型实现了一系类交互直观的运动编辑方法。

【技术实现步骤摘要】

本专利技术属于计算机虚拟现实
，特别是涉及。
技术介绍
虚拟角色的运动大大增加了虚拟场景的真实感和沉浸感。虚拟角色的运动是虚拟现实和计算机动画等领域的一个经典研究内容。先后有基于关键帧，运动学，动力学等方法用于合成虚拟角色的运动。近年来，随着运动捕获设备的不断成熟和实用化，获取大量真实感运动数据成为可能。但是，由于人体运动运动的复杂性和多变性，捕获所有的人体运动是不现实也是不可能的。另外，运动捕获设备造价昂贵，便携性差等原因也让运动捕获设备的使用受到了限制。如何利用已有运动捕获数据泛化生成新的运动数据来满足特定的用户需求和环境约束成为一个研究热点和难点。目前，从是否对已有的运动捕获数据进行修改的角度，可以将利用运动捕获数据进行运动合成的方法分为运动融合与运动重组两大类。运动融合通过对两个或多个运动数据片段进行显式或隐式的插值实现运动数据的泛化达到运动合成的目的。而运动重组通过排列组合的方式改变运动数据片段的顺序来达到合成新的运动的目的。在使用运动融合的技术中，一种非常有吸引力的运动生成方法是通过对已有运动数据集建模，构造一个能够显式的将运动数据集参数化为不同因子的生成模型来实现运动数据的泛化，达到运动合成目的。要构建出一个好的生成模型需要解决以下问题一为如何保证在不产生很大重构误差的前提下重构出训练数据。二为如何保证生成模型可以灵活的根据训练数据集和用户的需求不同而做适应性修改。三为如何能够让生成模型能够适用于多种类型运动上，而不局限于有限种类的运动上面。本专利技术将以这三个问题为基本出发点，通过将多因子高斯过程对运动捕获建模，提出了一个构建生成模型框架，实现了一系列灵活的运动合成与编辑的方法。对于对运动数据建模构建生成模型这个问题，当前已经有许多很多研究工作。例如，利用双线性模型对运动捕获数据建模，实现内容与风格的分离；利用多线性模型对运动捕获数据进行建模，实现人物和风格的分离等。这些方法针对某一些问题，或在某一些运动数据集上取得很好的结果。但是，这些模型都有着它们自身的局限性。他们要么很难扩展到别的数据集上，要么很难通过对模型进行调整去处理一些类似问题。本专利技术通过将多因子高斯过程应用于运动捕获数据上，根据训练数据集的特质以及具体的问题，提出了一个利用运动捕获数据建模来构建生成模型的方法。由于多因子高斯过程内在的灵活性，表达能力强等性质让我们的方法客服了上面提到的那些研究工作构造的生成模型的局限性。所以我们的方法的优点可以概括为一、灵活性强。我们可以针对训练数据集的不同，可以构造出两个、三个或四个因子等的生成模型；二、表达能力强。核函数的方法可以描述两个数据空间之间复杂的映射关系。而我们生成模型描述分解出因子与运动数据之间的映射关系是通过核函数实现的所以我们的生成模型可以表达复杂的函数映射关系，具有更强的表达能力。
技术实现思路
本专利技术的目的将多因子高斯过程应用于运动捕获数据上，构建能够显式的将运动捕获数据参数化为不同因子的生成模型来实现灵活直观的运动合成与编辑方法。本专利技术提出的计算机骨骼动画中基于运动捕获数据的运动合成与编辑方法，其主要步骤如下步骤(I)、对运动数据进行简单的预处理，标注出构造生成模型所需要的先验信步骤(2)、根据步骤(I)的标注信息定义随机过程，根据各个因子的代表的具体意义，为每个因子指定合适的核函数来描述它与运动数据间的映射关系，对运动数据建模；步骤(3)、构造最优化目标函数，利用数值最优化算法求解未知参数构建生成模型；步骤(4)、利用步骤(3)得到的生成模型，通过对分解出的因子进行编辑来实现运动的合成与编辑。进一步的，所述步骤(I)中对运动数据预处理和标注的具体内容如下步骤(Al)、根据运动捕获数据集计算特征向量。特征向量包括根节点位置偏移、根节点朝向、各个关节点自由度，各个关节的加速度；步骤(A2)、对每个运动片段进行标注，标注内容具体可包括人物、风格、内容、性别、年龄等信息。进一步的，所述步骤(2)构造生成模型的步骤具体如下步骤(BI)、根据步骤(I)中标注的信息，定义一个随机过程；步骤(B2)、根据每个因子的代表具体意义，为步骤(BI)定义的随机过程中每个因子指定合适的核函数。核函数可以是RBF函数，线性函数等任意有效的核函数；步骤(B3)、在为每个因子指定核函数后，计算出每个因子的协方差矩阵，然后将各个协方差矩阵连乘得到生成模型的协方差矩阵，然后对运动数据建模就完成了。进一步的，所述步骤(3)中构建目标函数求解未知参数的步骤如下步骤(Cl)、构造条件概率公式，利用最大后验估计(MAP)构造目标函数；步骤(C2)、利用数值最优化算法SCG求解未知参数得到生成模型。进一步的，所述步骤(4)中利用得到的生成模型实现运动合成与运动编辑的具体内容有内容(D1)、通过指定因子参数，合成新的运动；内容(D2)、通过估计未知运动的参数实现运动的从定向，运动风格的从定向；内容(D3)、通过插值因子参数实现两种或几种运动实现运动融合来合成出新的运动。本专利技术与现有技术相比的优势首先，高斯过程是一个强大的回归工具。通过设置不同的核函数可是实现对各种线性关系非线性关系的描述。具有很强的关系映射的表达能力。其次，我们在对运动数据建模过程中，为了更加细腻和准确的描述各个运动数据集之间的关系，我们使用了多因子高斯过程模型来对运动数据建模。相对于单个隐变量因子的模型，这种建模方式更加精确鲁棒。最后，通过建模结果构造出的生成模型提供过直观方便的交互手段让非专业动画人士也能利用该模型生成高质量的动画。附图说明图I为本专利技术的的整体过程示意图2为本专利技术的估计未知运动参数，为该未知人物合成其他风格走的示意图3为本专利技术的通过插值风格参数合成新的风格的运动示意图4为本专利技术的通过插值内容参数合成不能内容的运动之间平滑过渡的示意图。具体实施方式下面结合附图与实例对本专利技术作进一步详细描述本专利技术实施过程包括四个主要步骤运动数据预处理以及先验信息标注，定义随机过程并指定各个因子的核函数，构建目标函数求解未知参数构建生成模型，利用生成模型实现运动的合成与编辑。图I展示了本专利技术的整体过程示意图。步骤一运动数据预处理以及先验信息标注第一阶段运动数据预处理运动数据预处理阶段主要处理的事情是计算与运动数据每一帧对应的特征向量。 假设，当前给定训练运动数据集Q= {Qj|j = 1，2，...，j}。其中，J是运动序列的总数。我们要为运动序列中得每一帧t计算一个特征向量Iu to Ju t中的内容包括根节点的朝向、根节点的速度、各个关节点的自由度，各个关键的加速度。其中，根节点的朝向和各个关节的自由度用四元素表示，根节点的速度和各个关键点得速度由运动数据的当前帧t减去上一帧qpH得到。为了表示方便，计算出所有运动数据的特征向量后，我们将所有的特征向量放入一个矩阵Ynxd = 中，其中N是训练数据的总的帧数，D是特征向量的维度。第二阶段运动数据先验信息的标注运动数据先验信息的标注的目的是为了在最优化过程中给未知参数一个好的初始值。运动数据可标注的信息是我们可以从运动数据中得到，且是我们关注的信息。例如， 如果给定的训练数据集是由一些人做的不同风格的走的运动，并且我们想将运动参数化为人物与风格两个参数向量来表示，那么，我们需要标注本文档来自技高网...

【技术保护点】
一种计算机骨骼动画中基于运动捕获数据的运动合成与编辑方法，其特征在于该方法步骤如下：步骤（1）、对运动数据进行简单的预处理，标注出构造生成模型所需要的先验信息；步骤（2）、根据步骤（1）的标注信息定义随机过程，根据各个因子的代表的具体意义，为每个因子指定合适的核函数来描述它与运动数据间的映射关系，对运动数据建模；步骤（3）、构造最优化目标函数，利用数值最优化算法求解未知参数构建生成模型；步骤（4）、利用步骤（3）得到的生成模型，通过对分解出的因子进行编辑来实现运动的合成与编辑。

【技术特征摘要】

【专利技术属性】
技术研发人员：梁晓辉，王剑，郭承禹，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：