[发明专利]一种自适应群体服装动画建模方法

权利要求书

1.一种自适应群体服装动画建模方法，其特征在于，包括以下步骤：

步骤1：通过真实人眼的眼动数据采集与预处理获得样本数据，根据动画场景和真实场景，采用遥测式GP3型号眼动仪收集受试者真实人眼的注视数据，并将离散的注视点数据高斯卷积化平滑处理，生成所采集到的眼动数据的显著图；

步骤2：构建基于群体服装视频的视觉显著性预测模型，具体包括：将步骤1所生成的眼动数据的显著图作为ground-truth，应用全卷积神经网络FCNN提取并学习群体服装视频中每帧图像的不同语义层次特征，并依据所提取到的层次特征和ground-truth训练得到群体服装视频的视觉显著性预测模型，；

步骤3：对群体场景下服装网格进行时空平滑操作，具体包括：基于步骤2所构建的群体服装视频的视觉显著性预测模型，预测群体场景下服装动画视频帧的视觉显著图，提取出各个区域的关注度，并结合摄像机视点信息，通过精度调控因子对服装各区域的精度进行约束，为了避免由于摄像机移动以及精度的剧烈变化带来的网格僵硬，对网格精度进行时空上的平滑操作；

步骤4：构建自适应群体服装模型并实现模拟生成动画，具体包括：构建多源信息混合驱动的自适应群体服装仿真，采用自适应多精度网格技术实现服装分区域建模，精度调控因子高的区域进行高精度建模，精度调控因子较低的区域则进行低精度建模，过渡区域根据步骤3进行时空平滑操作；进行动力学计算和碰撞检测，生成多源信息混合驱动的群体服装动画系统。

2.根据权利要求1所述方法，其特征在于，步骤2进一步包括：

步骤S21：采用全卷积神经网络FCNN构建基于群体服装视频的视觉显著性预测模型；

步骤S22：模型训练与性能评估，即将数据集以及显著图集分割为两个子集，其中一个子集作为训练样本集，另外一个子集作为测试样本集，根据训练样本集训练全卷积神经网络；然后用测试样本集进行测试，采用评价指标衡量模型性能。

3.根据权利要求2所述方法，其特征在于，步骤S21进一步包括以下步骤：将群体动画的一帧图像作为输入，采用全卷积神经网络FCNN提取出语义特征；通过一个卷积层和一个反卷积层，接一个sigmoid，将像素点预测值映射在[0,1]范围内，输出显著图。

4.根据权利要求3述方法，其特征在于，在步骤S21中，

所述全卷积神经网络FCNN共有17层，其获取输入图像并提取特征，最后产生显著图；

所述17层的前15层卷积提取输入图像不同语义层次的特征，其中每个卷积层都包括一个线性整流单元，并且一些卷积层后面还包括一个池化操作；其中，前15层中的前13层使用预训练的VGG网络进行初始化，该VGG网络使用解决分割任务的数据集进行了预训练，所述分割任务提取特征操作的加入使得显著性特征的提取包含了语义信息；

根据所述前15层卷积所提取的特征生成显著图，具体包括，使用一个卷积层和一个反卷积层来生成显著性映射，通过sigmoid函数归一化为[0,1]；所述卷积层的卷积核为1x1，所述反卷积层上采样时采用双线性差值；显著性网络以平方欧几里德损失层进行显著性回归，该模型从ground-truth显著图数据中学习显著性特征。

使用Caffe深度学习框架构建网络，将所有的图像和ground-truth maps调整为500×500像素进行训练，选择动量参数为0.99，学习率为10^-10，权值衰减为0.0005。

5.根据权利要求1所述方法，其特征在于，所述步骤3进一步包括以下步骤：

步骤S31：选取服装模型和人体运动，根据步骤2所构建的显著性预测模型预测当前场景下的显著图，依据摄像机模型，将世界坐标系中的服装顶点映射到二维显著图上，以此确定服装顶点位于二维显著图像中的像素位置，从而获取服装顶点的显著值；

步骤S32：对所获取的服装顶点的显著值进行了时空上的平滑操作；

步骤S33：基于摄像机视点信息进行约束，在当前摄像机位置不可见的区域，将其精度调控因子设置为最低等级；对于当前摄像机位置可见的区域，控制其可见图元的大小，对于远离摄像机的区域，对其精度调控因子适当减小。