[发明专利]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

说明书

技术领域

本发明属于计算机虚拟现实技术领域，特别是涉及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。

背景技术

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。本发明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。本发明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。

发明内容

本发明的目的：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。

本发明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（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。

进一步的，所述步骤（1）中对运动数据预处理和标注的具体内容如下：

步骤（A1）、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（B1）、根据步骤（1）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（B1）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；