[发明专利]基于随机森林算法的分层布料模拟方法

说明书

本发明公开了基于随机森林算法的分层布料模拟方法，首先使用传统的基于物理的方法来模拟计算分层布料模型的最粗糙水平的模拟；然后利用随机森林模型的回归算法预测出更精细水平的布料。相比于传统的基于物理的布料模拟方法，该方法可以在保证布料模拟效果的同时，加快布料动画的模拟速度。

技术领域

本发明属于计算机动画领域，涉及基于随机森林算法的分层布料模拟方法，具体涉及一种基于随机森林回归算法的预测计算机动画中质点位置的方法。

背景技术

计算机动画内容(例如电影和游戏)需要快速且可靠的方法来进行模拟，以获得更灵活和逼真的视觉效果。特别是在进行服装动画模拟时，布料的模拟效果直接影响着整个动画场景的视觉逼真度。质量弹簧系统为各种物体建模提供了一种简单而实用的方法，包括布料，头发和其他可变形固体。然而，与其他用于建模弹性的方法一样，获得真实的材料行为通常需要构建刚性系统。显示积分法的求解速度快，但其稳定性不能得到保障。传统的隐式积分法虽然能够保持系统的稳定，但其求解复杂，系统开销大，所需时间长，这些因素使得它的实时模拟效果不好。后来的改进隐式欧拉积分算法，以及相继提出的各种分层布料划分方法都为快速可靠地进行布料模拟提出了可行方案，并取得了不错的效果。但是，使用这些方法的成本依旧很高，不仅在实时应用程序(例如，游戏)中，而且在离线图形系统(例如，电影和视觉效果)中亦是如此。

近年来，与机器学习相结合的算法已经在各个领域崭露头角。在计算机动画，尤其是布料模拟领域，也已经开始有研究者利用机器学习的思想来对布料建模进行优化。例如Guan等考虑到人体衣物的变形是由人体的运动所驱动，提出了将人的衣物布料的变形分别在只考虑人体形态与只考虑人体运动姿势的情况下进行训练，最后再整合在一起的方法。该方法可以在任意形态及任意姿势的人身上产生合适的衣服布料模型，对服装动画的实时性方面有一定的贡献。石敏等指出了Guan等人的方法的不足，自定义了一种人体姿态特征，将人体定义为由11个关节驱动的骨架，并定义了每个关节的特征表达式，最后从动画实例数据中提取人体运动特征和服装变形特征数据，利用机器学习的方法学习了二者之间的关系，并成功构建了有效的关系模型，达到了输入新的人体运动，便可预测服装各区域变形程度的效果。

上述方法虽然都对服装形变进行了合理的预测，使系统不用再进行复杂的曲率计算，在一定程度上加速了服装模拟的速度，但由于其底部布料的划分还是基于物理驱动的，所以其整体的效率并未提高很多。

发明内容

本发明针对现有技术中布料的模拟是基于物理驱动存在布料模拟效果不佳的技术问题，提供基于随机森林算法的分层布料模拟方法，本发明对布料网格的划分方法进行优化，将传统物理方法与机器学习方法相结合，加快布料网格的划分速度，提高布料划分的实时性，从而达到优化服装动画的效果。

为解决上述技术问题，本发明采用的技术方案为：

基于随机森林算法的分层布料模拟方法，具体按照以下步骤进行:

步骤1，使用传统的隐式积分方法计算出初始布料中质点位置x⁰(t+Δt)，将质点用线连接，产生布料网格L₀，将布料网格L₀里的三角形的索引值标为0，即产生最初始水平的布料；

步骤2，使用随机森林模型中的回归算法，在初始水平布料的基础上，计算出新质点的位置，然后将新质点与步骤1产生的布料网格L₀里与新质点相对应的三角形的三个顶点相连，产生新的布料网格，将新产生的布料网格里的三角形的索引值标为1；

步骤3，因本发明采取的是划分法来划分网格，因此步骤2会产生许多狭长的三角形，狭长的三角形因含有钝角，不够稳定，不适宜用来模拟布料动画，因此，本发明采取边翻转操作，将步骤2中新的布料网格中的狭长三角形转化为不含钝角的稳定三角形，产生了新的布料网格L₁，将新的布料网格L₁里的经边翻转产生的三角形索引值加1；