[发明专利]一种基于非线性流形学习的三维人体运动合成方法

说明书

技术领域

本发明涉及计算机三维动画领域，尤其涉及一种基于非线性流形学习的三 维人体运动合成方法。

背景技术

现有的数据驱动的运动合成技术提供了很多方法，如运动过渡、运动融合、 运动图模型等，使得用户可以将多个已有运动数据作为输入，经过一系列算法 处理合成得到新的运动序列。但是，如何精确控制运动合成的结果一直是数据 驱动运动合成方法所面临的难点。采用非线性流形降维技术能够发掘已有运动 数据的最本质运动特征，并可用于指导生成具有新特性的运动数据。但现有很 多基于非线性流形学习的运动很成方法都存在对运动合成结果控制不精确的问 题，难以满足现实应用的需求。现有的基于非线性流形学习的三维人体运动合 成和编辑可以分为以下几类：

人体运动数据重新排列：通过非线性流形学习方法将三维人体运动序列投 影到低维流形上，通过用户指定的起始帧和若干关键帧进行重排得到新的运动 序列。但这种方式其本质在于对原始运动帧的重新排序，并未实际生成具有新 特性的运动数据。

建立逆向映射模型的合成方法：采用非线性流形学习方法得到高维运动数 据在低维流形上的分布，基于已有低维流形到高维样本的对应关系通过RBF函 数训练得到一个逆向映射的产生式模型，用于从低维样本合成对应的高维运动 数据。但是由于原始样本分布的稀疏性及低维流形维度较小，重建得到的三维 人体姿态存在失真现象，并且所生成新运动相邻帧之间存在较大跳变。

稀疏运动集的低维空间交互合成方法：将原始运动数据通过非线性流形学 习投影到低维流形空间并对其可视化，用户直接在低维流形空间中采取勾画草 图、指定关键帧等方式控制原始运动数据在时域和空域上进行插值生成新的运 动数据。但该方法的不足之处在于数据样本在低维空间中分布比较松散，合成 运动的语义不能做到精确控制。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于非线性流形学习的三 维人体运动合成方法。

基于非线性流形学习的三维人体运动合成方法包括如下步骤：

1)将一组经过预处理的长度相同的三维人体运动数据分别展开为一组向 量，作为非线性流形学习方法的输入，通过非线性流形学习方法将这一组稀疏 三维人体运动样本映射到低维流形上构建运动语义参数空间；

2)对低维运动语义参数空间进行分布均匀的密集重采样，并将重采样系数 集应用于原始运动空间中分布稀疏的运动样本，得到高维空间中分布密集且均 匀的运动样本；

3)将密集重采样得到的高维运动样本通过非线性流形学习重映射得到最终 的低维运动语义参数空间；

4)用户通过交互在低维语义参数空间中选择合成的运动语义参数，系统将 该运动语义参数映射到高维运动空间得到新的运动序列。

所述的将一组经过预处理的长度相同的三维人体运动数据分别展开为一组 向量，作为非线性流形学习方法的输入，通过非线性流形学习方法将这一组稀 疏三维人体运动样本映射到低维流形上构建运动语义参数空间步骤：

1)从每个原始运动样本中提取一段完整的运动周期；

2)通过时间变形方法调整运动之间的“步调”一致并保证运动数据的长度 相同，运动数据预处理后，所有运动数据样本在原始数据空间中具有相同的长 度和自由度；

3)将一组三维人体运动数据分别展开为一组向量，作为非线性流形学习方 法的输入，通过非线性流形学习方法将这一组稀疏三维人体运动样本映射到低 维流形上构建运动语义参数空间。

所述的对低维运动语义参数空间进行分布均匀的密集重采样，并将重采样 系数集应用于原始运动空间中分布稀疏的运动样本，得到高维空间中密集且均 匀分布的运动样本步骤：

1)对于一组经过预处理后的运动集M_set＝{m₁，m₂，...，m_n}，用户指定采样数目 N和等待时间t，将M_set通过非线性流形学习方法映射得到维度为d的低维流形， 记为p_set＝{p₁，p₂，...，p_n}，d为该组运动集合的本征运动语义的维度；

2)在d维流形上求取样本集合p_set的外包围盒；