专利名称：基于子空间技术的风格化人体运动生成与编辑方法
技术领域：
本发明涉及多媒体人体三维动画领域，尤其涉及一种基于子空间技术的风格化人体运动生成与编辑方法。
背景技术：
风格化的人体运动生成与编辑是计算机动画领域的重要课题。在一个大型的虚拟现实场景中，需要渲染大量的具有不同风格的人体运动。现在Optical Motion Capture(光学人体运动捕获设备)的应用，使我们能够有针对性地捕获具有某些典型风格的运动，如何从这些捕获的运动出发，根据需要生成或编辑大量的风格程度不同的运动，是一个重要的问题。近年来也有一些方法尝试解决这类问题，比如2002年发表在Siggraph上发表的《MotionGraphs》提出了一个方法可以用来生成真实的、可控的运动，该文章提出了运动图的数据结构；00年发表在Siggraph上的《Style Machines》通过一些运动捕获数据样本来学习运动的模式，然后将学习到的模式进行内插和外插，从而生成不同风格的运动，但是在那个方法中，用户无法对运动风格进行量化，同时该方法只能完成运动生成，无法对已有的一段运动数据按照用户的风格要求进行编辑；2004年发表在Siggraph上的《Automated Extraction andParameterization of Motions in Large Data Sets》提出了一个自动化的方法，该方法可以在很大的运动数据库中搜索到逻辑上相似的运动，然后利用这些逻辑上相似的运动去建立一个连续的风格化参数空间，然后，用户就可以通过控制参数化空间中的参数值来控制人体运动的风格；2004年发表在Computer Graphics International上的《PCA-based WalkingEngine using Motion Capture Data》则是利用主成分分析法构造了一个走路运动的生成引擎，但是在那个方法中位于高层语义的风格没有被考虑进去。
总之，目前的种种方法往往难以解决下面的一些问题1.运动数据都是非常高维的数据，由于我们考虑的是连续的运动，因此不能把帧与帧单独看待，通常人体骨架模型有十几个关节点，几十个自由度，这样，一个短短30帧的运动就是一个上千维的矢量。
2.运动风格处在高层语义上，底层的运动矢量和高层的风格语义之间的联系非常复杂，很难直接从数据直接得到风格，或者从风格生成数据。比如，很难在走路运动的“快乐”风格和运动数据之间直接建立起简单的联系。
3.风格化的运动编辑要求在尽量不改变原有运动其它特性的基础上进行编辑，使其具有指定的风格，怎样在原有运动中抽取出和指定风格相关的信息，而保留其它信息是一个重要问题。比如，如果一个走路运动本身手臂的摆幅很大，那么在将这段走路运动编辑为带有快乐风格的时候，如何能够保持原有运动手臂摆幅大的特征，是一个难点。
4.在涉及到多个运动风格的领域，由于不同的运动风格的效果不是正交的，使得对每个风格独立的调整不能达到要求的效果。比如，对走路来说，“快乐”风格的走路其本身就有一定的手臂摆幅大的特征，这样的话“快乐”风格和“大手臂摆幅”风格它们在效果上就不是正交的，在涉及到多个风格的时候，有时候需要解决这种不正交带来的问题，比如，如何在增大“快乐”风格程度的同时保持手臂摆幅不变。
发明内容
本发明的目的是提供一种基于子空间技术的风格化人体运动生成与编辑方法。
为实现发明目的，本方法采取如下的技术方案自动、实时的风格化人体运动自动生成和编辑的方法，包括如下几个部分(1)通过主成分分析方法，利用风格与运动数据的训练数据库进行训练，在高维运动数据空间和低维风格子空间之间建立一个映射，使得对于任何一个高维运动数据空间中的点，在低维风格子空间中寻找到相应的点，而对于任何一个低维风格子空间中的点，在高维运动数据空间中重建出一个对应的点；(2)单一风格的人体运动自动生成方法由用户指定期望的单一风格的风格量化值，自动生成符合这一量化值的人体运动；(3)单一风格的人体运动自动编辑方法用户给定一个待编辑的运动，和期望的单一风格量化值，自动对待编辑运动进行编辑，使其符合指定的风格量化值，同时尽量保留待编辑运动本身的其他性质；(4)多重风格的人体运动自动生成方法用户指定期望的多重风格的风格量化值，自动生成人体运动，使其在每个风格分量上符合指定的多重风格量化值的各个分量；(5)多重风格的人体运动自动编辑方法用户给定一个待编辑的运动，和期望的多重风格量化值，自动对待编辑运动进行编辑，使其每个风格分量符合指定的多重风格量化值的各个分量，同时尽量保留待编辑运动本身的其他性质。
所述的通过主成分分析方法，利用运动风格与运动数据的训练数据库进行训练，在高维运动数据空间和低维风格子空间之间建立一个映射，使得对于任何一个高维运动数据空间中的点，在低维风格子空间中寻找到相应的点，而对于任何一个低维风格子空间中的点，在高维运动数据空间中重建出一个对应的点首先要把训练运动进行对齐，每段训练运动成为一个高维向量，设训练运动的向量为T(m)，其中m＝1...M，M为训练运动样本的总数，每个T(m)都是一个D维向量，首先将T(m)作为列向量排成一个矩阵Q，然后对Q进行奇异值分解，即计算计算矩阵QTQ的特征根e(i)和特征向量e(i)，i＝1...I，即共有I组特征根和特征向量，把特征向量按照对应的特征根降序排列，取前d个特征向量，d的计算式为d=argmins(Σi=1se(s)>σ)---1]]>其中σ是事先指定的能量值，即表征从高维空间到低维空间的映射的信息保留比例的下限，d是保留下来的特征向量的数目，也就是低维风格空间的维度值，一般说来D＞＞d；这样，就在高维运动数据空间和低维风格子空间中建立了双向的联系，设高维运动数据空间中点的坐标为P，P由分量P(1)，P(2)，...，P(D)组成，设P在低维子空间中对应点的坐标为p，p由分量p1，p2，...，pd组成，则P和p之间的换算公式为pj＝P·e(j)，j＝1，...，d2P=Σj=1dpje(j)---3]]>用户指定期望的单一风格的风格量化值，自动生成符合这一量化值的人体运动训练样本包括一些中性的运动，和一些体现出该风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，和体现出该风格的运动在低维子空间的质心p1，设用户指定的期望风格量化值为s，则根据下式计算该风格量化值在子空间中的位置p(s)p(s)＝p0+s(p1-p0)4然后，将p(s)代入3式，重建出在高维数据空间对应的运动数据，就是满足用户指定的风格量化值s的运动。
用户给定一个待编辑的运动，和期望的单一风格量化值，自动对待编辑运动进行编辑，使其符合指定的风格量化值，同时尽量保留待编辑运动本身的其他性质训练样本包括一些中性的运动，和一些体现出该风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，和体现出该风格的运动在低维子空间的质心p1，设用户提供的待编辑运动在高维运动数据空间的坐标为P，指定的期望风格量化值为s，首先将P带入2式计算P在低维子空间中的坐标p，然后，经过p作p0p1连线的垂线，垂足为o，则运动P本身已经具有的风格量化值为s0＝‖p1o‖/‖p1p0‖ 5然后根据下式计算编辑后的运动在子空间中的位置p(s)p(s)＝p+(s-s0)(p1-p0)6然后，将p(s)代入3式，重建出在高维数据空间对应的运动数据，就是编辑后的满足用户指定的风格量化值s的运动。
用户指定期望的多重风格的风格量化值，自动生成人体运动，使其在每个风格分量上符合指定的多重风格量化值的各个分量训练样本包括一些中性的运动，一些体现出第一种风格的运动，和一些体现出第二种风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，体现第一种风格的运动在低维子空间的质心p1，和体现第二种风格的运动在低维子空间的质心p2，设用户期望的风格程度为[s1，s2]，即希望第一种和第二种风格量化值分别为s1和s2，从p＝p0出发进行下面两步迭代a.过p向p0与p1连线做垂线，垂足为o1，按照式5得到p在第一种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；b.过p向p0与p2连线做垂线，垂足为o2，按照式5得到p在第二种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；上述迭代过程的终止条件是s10与s1的差值和s20与S2的差值都在某个事先设定的阈值内，迭代终止后，将p代入3式，重建出在高维数据空间对应的运动数据，就是在两个风格分量上都满足用户指定的风格量化值的运动。
用户给定一个待编辑的运动，和期望的多重风格量化值，自动对待编辑运动进行编辑，使其每个风格分量符合指定的多重风格量化值的各个分量，同时尽量保留待编辑运动本身的其他性质训练样本包括一些中性的运动，一些体现出第一种风格的运动，和一些体现出第二种风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，体现第一种风格的运动在低维子空间的质心p1，和体现第二种风格的运动在低维子空间的质心p2，设用户提供的待编辑的运动在高维运动数空间中坐标为P，制定的期望风格程度为[s1，S2]，即希望第一种和第二种风格量化值分别为s1和s2，首先通过(2)式计算P在低维子空间中的坐标p，然后进行下面两步迭代a.过p向p0与p1连线做垂线，垂足为o1，按照式5得到p在第一种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；b.过p向p0与p2连线做垂线，垂足为o2，按照式5得到p在第二种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；上述迭代过程的终止条件是s10与s1的差值和s20与S2的差值都在某个事先设定的阈值内，迭代终止后，将p代入3式，重建出在高维数据空间对应的运动数据，就是编辑后的在两个风格分量上都满足用户指定的风格量化值的运动。
本发明具有的有益的效果是，可以快速的生成和编辑运动，一个运动的生成或编辑一般只需要几毫秒就可以完成。风格化编辑方法可以在保留给定待编辑运动其他特征基本不变的基础上，仅改变指定的风格。通过外插，可以生成或编辑出比训练样本的风格更夸张的运动。同时，在考虑多重风格时，迭代的算法能够保证生成或编辑出恰好满足每个风格分量的运动，不会因为这些风格之间不正交而引起在某个风格上的夸大或不足，从而分离了多重风格之间的效果，解决了多重风格之间相互不正交的问题。
图1是本发明的单一风格运动生成算法的猫步风格实施效果示意图；图2是本发明的单一风格运动编辑算法的猫步风格实施效果示意图；图3是本发明的多重风格运动生成算法的猫步和大手臂摆幅两种风格实施效果示意图；图4是本发明的多重风格运动编辑算法的高抬腿和大手臂摆幅两种风格实施效果示意图。
具体实施例方式
本发明通过子空间技术将运动的描述矢量从高维(通常有几千维)降到低维(通常有十几维)，然后在子空间中的风格计算结果被重建到高维运动空间中。在进行运动编辑时，要尽量保留原运动本身的特性。同时，要解决同时考虑多种风格时风格间不正交的问题。
为了解决数据维度的问题，我们引入子空间技术，通过PCA(主成分分析)的使用，在基本不影响数据表达能力的情况下极大的减小了数据的维度，而在低维子空间中进行各种运算，效率比高维空间要高得多，从而使得系统的处理速度非常快。引入子空间技术的另一个好处是方便对风格的量化。比如，我们以数字来表征风格的程度，通常训练数据包含一组中性，即不带有任何风格的运动，我们称其风格程度为0，和包含某一种风格分量的运动，我们称其在指定的风格维度上风格程度为1。用户可以通过指定数字来指定需要的风格程度。引入子空间技术减少计算复杂度的另一个好处是，可以方便的解决涉及多重风格时风格间不正交的问题。
下面用4个走路运动的实施例来具体说明单一风格运动生成、单一风格运动编辑、多重风格运动生成、多重风格运动编辑的过程。
实施例1单一风格(猫步风格)的走路运动生成训练样本包括5个中性的走路运动，和5个体现出猫步风格的走路运动。每段训练运动成为一个高维向量，形成训练运动的向量为T(m)，其中m＝1...10。每个T(m)都是一个D维向量。首先将T(m)作为列向量排成一个矩阵Q，然后对Q进行奇异值分解，即计算计算矩阵QTQ的特征根e(i)和特征向量e(i)，i＝1...10，即共有10组特征根和特征向量，把特征向量按照对应的特征根降序排列，取能量值σ为98％，根据
d=argmins(Σi=1se(s)>σ)]]>计算出保留的特征向量d为7个。设p由分量p由分量p1，p2，...，pd组成，按照pj＝P·e(j)，j＝1，...，7计算每个T(m)在低维空间对应的的坐标，然后计算5个中性运动样本在低维子空间中的质心p0，和体现出猫步风格的5个运动样本在低维子空间的质心p1，用户指定的期望风格量化值为0.6，则根据下式计算该风格量化值在子空间中的位置p(0.6)p(0.6)＝p0+0.6(p1-p0)然后，将p(0.6)代入P=Σj=17pj(0.6)e(j),]]>即重建出猫步风格为0.6在高维数据空间对应的运动数据，也就是满足用户指定的风格量化值的运动。
附图1是本实施例的效果图，图中显示了一个中性样本和一个猫步风格样本，以及用本方法得到的多种猫步风格程度的运动的代表帧，帧图像下的数字表示了用户指示的猫步风格程度。在本实施例中，通过子空间技术，通过PCA(主成分分析)的使用，在基本不影响数据表达能力的情况下极大的减小了数据的维度，而在低维子空间中进行各种运算，效率比高维空间要高得多，从而使得系统的处理速度非常快，平均生成每帧动画之需要不到0.005秒的时间。引入子空间技术的另一个好处是方便对风格的量化，用户可以方便的通过一个数字来表示他所期望的风格程度。另外，在子空间中可以方便的进行外插。比如，在附图1中包括了风格程度小于0和大于1的结果，由于训练数据都是视为风格程度为1的例子，所以这些小于0和大于1结果都是通过外插得到的，通过这种方式，本方法可以生成比训练样本的风格更加夸张的运动。
实施例2单一风格(猫步风格)的走路运动编辑训练样本包括5个中性的走路运动，和5个体现出猫步风格的走路运动。每段训练运动成为一个高维向量，形成训练运动的向量为T(m)，其中m＝1...10。每个T(m)都是一个D维向量。首先将T(m)作为列向量排成一个矩阵Q，然后对Q进行奇异值分解，即计算计算矩阵QTQ的特征根e(i)和特征向量e(i)，i＝1...10，即共有10组特征根和特征向量，把特征向量按照对应的特征根降序排列，取能量值σ为98％，根据d=argmins(Σi=1se(s)>σ)]]>
计算出保留的特征向量d为7个。设p由分量p由分量p1，p2，...，pd组成，按照pj＝P·e(j)，j＝1，...，7计算每个T(m)在低维空间对应的的坐标，然后计算5个中性运动样本在低维子空间中的质心p0，和体现出猫步风格的5个运动样本在低维子空间的质心p1，设用户提供的待编辑运动在高维运动数据空间的坐标为P，指定的期望风格量化值为0.6，首先根据pj＝P·e(j)，j＝1，...，7计算P在低维子空间中的坐标p(p由分量p由分量p1，p2，...，pd组成)。然后，经过p作p0p1连线的垂线，垂足为o，则运动P本身已经具有的风格量化值s0按照s0＝‖p1o‖/‖p1p0‖计算为0.2。然后根据下式计算编辑后的运动在子空间中的位置p(0.6)p(0.6)＝p+(0.6-0.2)(p1-p0)然后，将p(0.6)代入P=Σj=17pj(0.6)e(j),]]>即重建出在高维数据空间对应的运动数据，就是编辑后的猫步风格量化值为0.6的运动。
附图2是本实施例的效果图，图中显示了一个已经具有一定的猫步风格的原始走路运动，和在这个运动上编辑而来的具有不同猫步风格的运动，其中每帧下的数字代表用户指示的风格程度值。
实施例3多重风格(猫步/大手臂摆幅风格)的走路运动生成训练样本包括5个中性的运动，5个体现出猫步风格的运动，和5个体现出大手臂摆幅风格的运动。每段训练运动成为一个高维向量，形成训练运动的向量为T(m)，其中m＝1...15。每个T(m)都是一个D维向量。首先将T(m)作为列向量排成一个矩阵Q，然后对Q进行奇异值分解，即计算计算矩阵QTQ的特征根e(i)和特征向量e(i)，i＝1...15，即共有15组特征根和特征向量，把特征向量按照对应的特征根降序排列，取能量值σ为98％，根据d=argmins(Σi=1se(s)>σ)]]>计算出保留的特征向量d为12个。设p由分量p由分量p1，p2，...，pd组成，按照pj＝P·e(j)，j＝1，...，12计算每个T(m)在低维空间对应的的坐标，然后计算5个中性运动样本在低维子空间中的质心p0，体现出猫步风格的5个运动样本在低维子空间的质心p1，和体现出大手臂摆幅风格的5个运动样本在低维子空间的质心p2。
设用户期望的风格程度为
，即希望猫步风格量化值为0.4，大手臂摆幅风格量化值为0.9，从p＝p0出发进行下面两步迭代a.过p向p0与p1连线做垂线，垂足为o1，按照s10＝‖p1o1‖/‖p1p0‖得到p在猫步风格上的风格量化分量s10，再按照p＝p+(0.4-s10)(p1-p0)将p移动到新的位置；b.过p向p0与p2连线做垂线，垂足为o2，按照s20＝‖p2o2‖/‖p2p0‖得到p在大手臂摆幅风格上的风格量化分量s20，再按照p＝p+(0.9-s20)(p2-p0)将p移动到新的位置；上述迭代过程的终止条件是s10与0.4的差值和s20与0.9的差值都在某个0.05内，迭代终止后，将p代入P=Σj=112pje(j),]]>即重建出在高维数据空间对应的运动数据，就是在猫步风格量化值为0.4，大手臂摆幅风格量化值为0.9的运动。
附图3是本实施例的效果图，显示了中性样本、猫步样本、大手臂摆幅样本以及多个本方法得到的新的运动的代表帧，其中每个新运动下方的二维向量是用户指定的二维风格程度。每个运动用上下两行对应的两个帧来表示，从第一行的正面图可以清楚的看出猫步风格的情况，从第二行的侧面图可以清楚地看出大手臂摆幅风格的情况。从中可以看出，虽然猫步风格和大手臂摆幅风格的效果不是正交的(猫步风格的训练样本一般手臂摆幅也比较大)，但是本方法成功的分离了猫步和大手臂摆幅两种风格的效果，使得在猫步风格上和大手臂摆幅风格上都符合用户指定的风格程度。
实施例4多重风格(高抬腿/大手臂摆幅风格)的走路运动编辑训练样本包括5个中性的运动，5个体现出高抬腿风格的运动，和5个体现出大手臂摆幅风格的运动。每段训练运动成为一个高维向量，形成训练运动的向量为T(m)，其中m＝1...15。每个T(m)都是一个D维向量。首先将T(m)作为列向量排成一个矩阵Q，然后对Q进行奇异值分解，即计算计算矩阵QTQ的特征根e(i)和特征向量e(i)，i＝1...15，即共有15组特征根和特征向量，把特征向量按照对应的特征根降序排列，取能量值σ为98％，根据d=argmins(Σi=1se(s)>σ)]]>计算出保留的特征向量d为12个。设p由分量p由分量p1，P2，...，pd组成，按照pj＝P·e(j)，j＝1，...，12计算每个T(m)在低维空间对应的的坐标，然后计算5个中性运动样本在低维子空间中的质心p0，体现出高抬腿风格的5个运动样本在低维子空间的质心p1，和体现出大手臂摆幅风格的5个运动样本在低维子空间的质心p2。
设用户期望的风格程度为
，即希望高抬腿风格量化值为0.4，大手臂摆幅风格量化值为0.9。首先通过pj＝P·e(j)，j＝1，...，12计算P在低维子空间中的坐标p。然后从p＝p0出发进行下面两步迭代a.过p向p0与p1连线做垂线，垂足为o1，按照s10＝‖p1o1‖/‖p1p0‖得到p在高抬腿风格上的风格量化分量s10，再按照p＝p+(0.4-s10)(p1-p0)将p移动到新的位置；b.过p向p0与p2连线做垂线，垂足为o2，按照s20＝‖p2o2‖/‖p2p0‖得到p在大手臂摆幅风格上的风格量化分量s20，再按照p＝p+(0.9-s20)(p2-p0)将p移动到新的位置；上述迭代过程的终止条件是s10与0.4的差值和s20与0.9的差值都在某个0.05内，迭代终止后，将p代入P=Σj=112pje(j),]]>即重建出在高维数据空间对应的运动数据，也就是编辑后的在高抬腿风格量化值为0.4，大手臂摆幅风格量化值为0.9的运动。
附图4是本实施例的效果图，显示了一段走路运动，以及在这个走路运动基础上用本方法编辑得到的不同风格的新运动，其中每个新运动下方的二维向量是用户指定的二维风格程度。每个运动用上下两行对应的两个帧来表示，从第一行的图可以清楚的看出高抬腿风格的情况，从第二行的图可以清楚地看出大手臂摆幅风格的情况。注意，原始运动已经具有一定的高抬腿风格，但是手臂摆幅非常小，本方法成功的分离了高抬腿和大手臂摆幅两种风格的效果，使得生成的新运动在高抬腿风格上和大手臂摆幅风格上都符合用户指定的风格程度。
权利要求
1.一种基于子空间技术的风格化人体运动生成与编辑方法，其特征在于它包括如下几个部分(1)通过主成分分析方法，利用风格与运动数据的训练数据库进行训练，在高维运动数据空间和低维风格子空间之间建立一个映射，使得对于任何一个高维运动数据空间中的点，在低维风格子空间中寻找到相应的点，而对于任何一个低维风格子空间中的点，在高维运动数据空间中重建出一个对应的点；(2)单一风格的人体运动自动生成方法由用户指定期望的单一风格的风格量化值，自动生成符合这一量化值的人体运动；(3)单一风格的人体运动自动编辑方法用户给定一个待编辑的运动，和期望的单一风格量化值，自动对待编辑运动进行编辑，使其符合指定的风格量化值，同时尽量保留待编辑运动本身的其他性质；(4)多重风格的人体运动自动生成方法用户指定期望的多重风格的风格量化值，自动生成人体运动，使其在每个风格分量上符合指定的多重风格量化值的各个分量；(5)多重风格的人体运动自动编辑方法用户给定一个待编辑的运动，和期望的多重风格量化值，自动对待编辑运动进行编辑，使其每个风格分量符合指定的多重风格量化值的各个分量，同时尽量保留待编辑运动本身的其他性质。
2.根据权利要求1所述的一种基于子空间技术的风格化人体运动生成与编辑方法，其特征在于，所述的通过主成分分析方法，利用运动风格与运动数据的训练数据库进行训练，在高维运动数据空间和低维风格子空间之间建立一个映射，使得对于任何一个高维运动数据空间中的点，在低维风格子空间中寻找到相应的点，而对于任何一个低维风格子空间中的点，在高维运动数据空间中重建出一个对应的点首先要把训练运动进行对齐，每段训练运动成为一个高维向量，设训练运动的向量为T(m)，其中m＝1...M，M为训练运动样本的总数，每个T(m)都是一个D维向量，首先将T(m)作为列向量排成一个矩阵Q，然后对Q进行奇异值分解，即计算计算矩阵QTQ的特征根e(i)和特征向量e(i)，i＝1...I，即共有I组特征根和特征向量，把特征向量按照对应的特征根降序排列，取前d个特征向量，d的计算式为d=argmins(Σi=1se(s)>σ)---1]]>其中σ是事先指定的能量值，即表征从高维空间到低维空间的映射的信息保留比例的下限，d是保留下来的特征向量的数目，也就是低维风格空间的维度值，一般说来D＞＞d；这样，就在高维运动数据空间和低维风格子空间中建立了双向的联系，设高维运动数据空间中点的坐标为P，P由分量P(1)，P(2)，...，P(D)组成，设P在低维子空间中对应点的坐标为p，p由分量p1，p2，...，pd组成，则P和p之间的换算公式为pj＝P·e(j)，j＝1，...，d 2P=Σj=1dpje(j)---3.]]>
3.根据权利要求1所述的一种基于子空间技术的风格化人体运动生成与编辑方法，其特征在于，所述的用户指定期望的单一风格的风格量化值，自动生成符合这一量化值的人体运动训练样本包括一些中性的运动，和一些体现出该风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，和体现出该风格的运动在低维子空间的质心p1，设用户指定的期望风格量化值为s，则根据下式计算该风格量化值在子空间中的位置p(s)p(s)＝p0+s(p1-p0)4然后，将p(s)代入3式，重建出在高维数据空间对应的运动数据，就是满足用户指定的风格量化值s的运动。
4.根据权利要求1所述的一种基于子空间技术的风格化人体运动生成与编辑方法，其特征在于，所述的用户给定一个待编辑的运动，和期望的单一风格量化值，自动对待编辑运动进行编辑，使其符合指定的风格量化值，同时尽量保留待编辑运动本身的其他性质训练样本包括一些中性的运动，和一些体现出该风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，和体现出该风格的运动在低维子空间的质心p1，设用户提供的待编辑运动在高维运动数据空间的坐标为P，指定的期望风格量化值为s，首先将P带入2式计算P在低维子空间中的坐标p，然后，经过p作p0p1连线的垂线，垂足为o，则运动P本身已经具有的风格量化值为s0＝‖p1o‖/‖p1p0‖5然后根据下式计算编辑后的运动在子空间中的位置p(s)p(s)＝p+(s-s0)(p1-p0)6然后，将p(s)代入3式，重建出在高维数据空间对应的运动数据，就是编辑后的满足用户指定的风格量化值s的运动。
5.根据权利要求1所述的一种基于子空间技术的风格化人体运动生成与编辑方法，其特征在于，所述的用户指定期望的多重风格的风格量化值，自动生成人体运动，使其在每个风格分量上符合指定的多重风格量化值的各个分量训练样本包括一些中性的运动，一些体现出第一种风格的运动，和一些体现出第二种风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，体现第一种风格的运动在低维子空间的质心p1，和体现第二种风格的运动在低维子空间的质心p2，设用户期望的风格程度为[s1，s2]，即希望第一种和第二种风格量化值分别为s1和s2，从p＝p0出发进行下面两步迭代a.过p向p0与p1连线做垂线，垂足为o1，按照式5得到p在第一种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；b.过p向p0与p2连线做垂线，垂足为o2，按照式5得到p在第二种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；上述迭代过程的终止条件是s10与s1的差值和s20与s2的差值都在某个事先设定的阈值内，迭代终止后，将p代入3式，重建出在高维数据空间对应的运动数据，就是在两个风格分量上都满足用户指定的风格量化值的运动。
6.根据权利要求1所述的一种基于子空间技术的风格化人体运动生成与编辑方法，其特征在于，所述的用户给定一个待编辑的运动，和期望的多重风格量化值，自动对待编辑运动进行编辑，使其每个风格分量符合指定的多重风格量化值的各个分量，同时尽量保留待编辑运动本身的其他性质训练样本包括一些中性的运动，一些体现出第一种风格的运动，和一些体现出第二种风格的运动，利用这些训练样本进行PCA训练，然后找出每一个训练样本点在低维风格子空间中对应的点，然后计算中性运动在低维子空间中的质心p0，体现第一种风格的运动在低维子空间的质心p1，和体现第二种风格的运动在低维子空间的质心p2，设用户提供的待编辑的运动在高维运动数空间中坐标为P，制定的期望风格程度为[s1，s2]，即希望第一种和第二种风格量化值分别为s1和s2，首先通过(2)式计算P在低维子空间中的坐标p，然后进行下面两步迭代a.过p向p0与p1连线做垂线，垂足为o1，按照式5得到p在第一种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；b.过p向p0与p2连线做垂线，垂足为o2，按照式5得到p在第二种风格上的风格量化分量s10，再按照式6来将p移动到新的位置；上述迭代过程的终止条件是s10与s1的差值和s20与s2的差值都在某个事先设定的阈值内，迭代终止后，将p代入3式，重建出在高维数据空间对应的运动数据，就是编辑后的在两个风格分量上都满足用户指定的风格量化值的运动。
全文摘要
本发明公开了一种基于子空间技术的风格化人体运动生成与编辑方法。本方法基于子空间技术。主成分分析方法被用来建立一个联系高维运动数据空间和低维风格化子空间的映射。低维子空间保持了运动所具有的内在风格，同时由于极大的减少了维数，降低了计算成本，同时方便了风格程度的量化。在低维子空间中可以进行实时的计算，并将生成或编辑的结果通过映射重建于高维运动数据空间中。通过外插，可以生成或编辑出比训练样本的风格更加夸张的运动。由于人体运动风格的多样性，本方法还提出了一个新颖的处理多重运动风格的方案，该方案有效地解决了多重风格的分量之间不正交所带来的问题。
文档编号G06T15/70GK101071512SQ20061005340
公开日2007年11月14日 申请日期2006年9月14日 优先权日2006年9月14日
发明者庄越挺, 陈成, 肖俊, 吴飞 申请人:浙江大学