[发明专利]基于CNN布料褶皱识别的多精度网格精化方法

权利要求书

1.基于CNN布料褶皱识别的多精度网格精化方法，其特征在于，包括以下步骤：

步骤1.建立人体模型，进行动画模拟，提取关键动画帧并对其褶皱部分进行分割，将分割好的模型以图片格式存储；所述建立人体模型，进行动画模拟的具体过程及遵循的原则为：

步骤1.1计算布料运动的运动状态：设初始运动状态为(x₀,v₀)

A·Δv＝b (2)

其中，x是3n×1维状态矢量，v是3n×1维速度矢量，M是3n×3n的质量矩阵，f是力矢量，n为布料的质点数，Δv为速度变化量，A和b分别为：

其中，f₀为初始力矢量，v₀为初始速度，Δt为时间变化量，由公式(1)-(4)得到无约束下的目标状态(x₁,v₁)；

步骤1.2在人体模型的动画模拟过程中，布料与人体的碰撞处理使用全局约束，当布料与人体将要发生碰撞时，在即将碰撞的质点处增加约束集g，

g(p,p₁,p₂,p₃)＝[(p₃-p₂)(p₁-p₂)](p-p₂)-d≥0 (5)

其中，p为质点，p₁,p₂,p₃是布料三角面片的顶点，d是一个可控校正量；

步骤1.3当x₁不符合当前约束集时，根据公式(9)计算Δx，

由公式(6)-(8)的隐式约束方程推导得到动态约束下的Δx计算公式(9)，

x(t+Δt)＝x(t)+Δtv(t+Δt) (7)

g(x(t+Δt))＝0 (8)

约束状态下：

将公式(9)代入公式(10)得出

公式(11)即是新状态下的约束集g，

其中，λ为拉格朗日乘子，Δx为状态矢量增量，

步骤1.4由步骤1.3得到Δx，更新x₁＝x₁+Δx，修改约束集g，计算

得到新状态(x₁,v₁)，根据公式(1)-(12)进行布料和人体之间的碰撞及动画模拟；

步骤2.将分割好的模型作为卷积神经网络的输入，通过卷积神经网络CNN训练得到最终的识别结果，即为褶皱的识别；

步骤3.对识别的褶皱部分采用像素网格加精；

步骤4.将精化后的四边形网格转化为三角形网格，进行布料模拟。

2.根据权利要求1所述的基于CNN布料褶皱识别的多精度网格精化方法，其特征在于，所述步骤2将分割好的模型作为卷积神经网络的输入，通过卷积神经网络CNN训练得到最终的识别结果，即为褶皱的识别；具体的训练过程为：

步骤2.1将步骤1中分割好的模型图片参数设置为227×227×3，作为卷积神经网络CNN的输入；

步骤2.2将卷积神经网络CNN的网络框架设置为5个卷积层，3个池化层，以及3个全连接层；

步骤2.3进行误差分析，目的是使真实值和预测值误差最小，其公式如下：

其中，n表示训练样例，k表示维数，t_k为真实值，y_k为预测值；

当误差Eⁿ的精度达到98％及以上，训练结束，得到输出，即布料的褶皱识别。

3.根据权利要求1所述的基于CNN布料褶皱识别的多精度网格精化方法，其特征在于，所述步骤3对识别的褶皱部分采用像素网格加精；具体为：

首先设定网格加精的弯曲度阈值，然后将需加精的像素网格精度与设定的弯曲度阈值进行比较，当像素网格精度大于设定的弯曲度阈值时，对像素网格进行加精，直至精度达到设定的阈值；当像素网格精度小于或等于设定的弯曲度阈值时，则不进行加精。