))〇
[0068] 其中，w为惯性权重，Cl为个体加速系数，c2为全局加速系数，randJ)和rand2() 表示[0, 1]间的随机数；冲￡^为粒子<的个体极值，gbest1^粒子群pop(k)的全局极值。 本发明实现中，取为惯性权重w= 2,个体加速系数C1= 2,全局加速系数C2= 2。
[0069] 步骤3-3:粒子约束：对粒子群pop(k+1)中的每个粒子<+1 xf+1 = …，.vZ)丨丨+1，判断yd的取值范围，d= 1，2, . . .，D。如果yd>max(yd)，则将值 设置为yd=max(yd);如果yd<min(yd)，则将yjtl值设置为yd=min(yd)。其中，max(yd) 为yd的最大值，min(yd)为yd的最小值；
[0070] 步骤3-4 :个体极值沖e<+1求解：将第k+1代粒子群pop(k+1)中的每个粒子考+1， 与其更新前对应的父代粒子 <进行非劣性解比较，i= 1，...，N。若xf+1非劣于#，取 所在位置X1 (k+1)为粒子的个体极值冲Mf+1，即=Z,# + 1);若X丨非劣于，贝1j令pi峨tf+:l = ;
[0071] 步骤3-5:全局极值gbestk+1求解：把pop(k+l)中序值为1的粒子作为粒子群 pop(k+1)的全局极值。其中，粒子<+1_的序值指的粒子群pop(k+1)中优于的所有粒子 的个数。
[0072] 步骤3-6:k=k+1;当k彡K时，执行步骤3-2;否则执行步骤3-7;
[0073] 步骤3-7:输出：输出粒子群pop(K)的全局极值gbestK。计算结果如图6所示。
[0074] 步骤4,三维人体动画生成：利用人体姿态参数，采用运动重定向方法（文献8.罗 忠祥，庄越挺，刘丰，潘云鹤，基于时空约束的运动编辑和运动重定向，计算机辅助设计与图 形学学报，2002,14(12) :1146-1151)驱动三维人体模型，生成对应姿态参数的三维人体模 型，如图7所示。
[0075] 对视频的每一帧都采用以上方法进行计算，可得到对应的三维人体模型序列，最 终生成三位人体动画。
[0076] 本发明提供了一种基于多目视频的人体动画生成方法，具体实现该技术方案的方 法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰 也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
【主权项】
1. 一种基于多目视频的人体动画生成方法，其特征在于，包括以下步骤： 步骤1 :运动低维空间学习：利用人体运动捕获数据库，采用高斯过程潜变量模型运动 降维方法，计算得到运动低维空间； 步骤2 :运动分析模型建模：建立低维姿态与图像特征的适应度函数，构建低维空间的 姿态约束，建立基于约束多目标优化的人体运动分析模型； 步骤3 :人体姿态参数分析：采用多目标粒子群优化人体运动分析方法，求解人体运动 分析模型，计算得到人体姿态参数； 步骤4 :三维人体动画生成：利用人体姿态参数，采用运动重定向方法驱动三维人体模 型，生成三维人体动画。2. 根据权利要求1所述的方法，其特征在于，步骤1包括： 步骤1-1 :采用运动链方法，将高维人体姿态表示为y = {yg, yj，y e γ，γ为高维人体 姿态空间；其中yg= ( α χ, β y, γ z)表示人体根节点的朝向，α χ, β y, γ z分别表示根结点与 三维坐标轴X, y, z的夹角，yk表示人体关节点的欧拉角； 步骤1-2 :从人体运动捕获数据库中选择一段人体运动捕获数据作为训练数据，训练 数据表示为{yt 11 = 1，. . . T}，ytS t时刻的人体姿态，t = 1，. . .，T，T为训练数据的数目， 每个时刻对应一个训练数据； 步骤1-3 :采用高斯过程潜变量模型方法，对训练数据{yt|t = 1，... T}中姿态的关节 点欧拉角yk进行降维，得到关节点欧拉角y k的低维表示y s= {y D ...，yD}，yse Y S，YS为关 节点欧拉角yk的低维状态空间，D为Y 3的维度； 步骤1-4 :将高维人体姿态y = {yg, yk}降维后得到的低维姿态表示为χ = {yg, ys}= {yg，yi，...，yD}，χ e X，X为运动低维空间。3. 根据权利要求1所述的方法，其特征在于，步骤2包括： 步骤2-1 :对于多目视频中的视频v，V = 1，2, ...，V，V为视频总数，采用混合高斯模型 运动检测方法获取视频V中的人体剪影Zv; 步骤2-2 :对于视频V，采用双向剪影匹配方法，建立低维姿态χ = {yg, Y1, . . .，yD}与人 体剪影Zv的适应度函数f ν (X，Zv)，为每个视频V建立独立的目标函数，V = 1，2, ...，V ; 步骤2-3 :对低维姿态χ = {yg, Y1, . . .，yD}，计算低维姿态的第d维yjtl最大值max (y d) 和最小值min (yd)，d= 1，2，...，D ;则每个低维姿态的每一维yd都满足以下姿态约束： min (yd) < yd< max (y d), d = I, 2,. . . , D ； 步骤2-4 :基于适应度函数fv(x, Zv)，v = I, 2,. . . , V，以及姿态约束min(yd) < yd < max (yd)，d = 1，2, . . .，D，构建基于约束多目标优化的人体运动分析模型：其中，aiEmin 农示求解使目标函数F(X)最小的χ的值。 χ-4. 根据权利要求1所述的方法，其特征在于，步骤3包括： 步骤3-1 :初始化：随机产生N个粒子，< = ，：I = 1,...,1组成初始粒 子群Ρ〇ρ(0)，Ν为粒子群规模，初始化粒子<的位置X1(O)和速度V1(O);设置粒子< 的个体 极值=Zi(O)，设置种群的全局极值其中，个体极值表示个体4在整个迭代过程中的最优解；粒子群全局极值 gbest°表示粒子群ρορ(0)中所有粒子的最优解。 步骤3-2 :对于第k次迭代，k = 0,... K，K为最大迭代次数，对粒子群pop (k)中每个 粒子g进行更新，得到第1^1代的粒子;^1，1广1 = 1^，凡，~:^]丨+1，构成第1^1代粒子群 pop (k+Ι);其中：K为最大迭代次数，pop (k)为初始粒子群pop (0)经过k次迭代后得到的 种群； 对粒子xf的更新方法为：根据粒子W的速度V1 (k)和位置X1 (k)，计算粒子<+1的速度 V1 (k+Ι)和位置X1 (k+1) J1 (k+Ι)和X1 (k+Ι)的计算方法为：其中，ω为惯性权重，C1为个体加速系数，C2为全局加速系数，rand "）和rand2()表示 [〇, 1]间的随机数；为粒子< 的个体极值，gbestkS粒子群pop(k)的全局极值； 步骤3-3 :粒子约束：对粒子群pop(k+l)中的每个粒子#1 = 断yd的取值范围，d = 1，2,…，D ;如果y d> max(y d)，则将值设置为y d= max(y d);如 果 yd< min(y d)，则将 值设置为 y d= min(y d);其中，max(yd)为 yd的最大值，min(y d) 为yd的最小值； 步骤3-4 :个体极值;+1求解：将第k+1代粒子群pop (k+1)中的每个粒子<+1，.与 其更新前对应的粒子彳进行非劣性比较，i = 1，. . .，N ;若1非劣于#，取4+1所在位置 X1 (k+Ι)为粒子^f1的个体极僅；若蛘非劣于则进行赋步骤3-5 :全局极值gbestk+1求解：把pop(k+l)中序值为1的粒子作为粒子群pop(k+l) 的全局极值；其中，粒子xf+1的序值指的粒子群pop (k+1)中优于if1的所有粒子的个数； 步骤3-6 :进行赋值操作，k = k+Ι ;当k彡K时，执行步骤3-2,否则执行步骤3-7 ; 步骤3-7 :输出，输出粒子群pop (K)的全局极值gbestK，即人体姿态参数。
【专利摘要】本发明公开了一种基于多目视频的人体动画生成方法，属于计算机动画技术领域，包括以下步骤：首先，利用运动捕获数据，采用高斯过程潜变量模型运动降维方法，学习人体运动的低维空间；其次，利用多摄像机获取的视频，采用多目标粒子群优化人体运动分析方法，计算得到视频中的人体姿态参数；最后，利用人体姿态参数，采用运动重定向方法，驱动三维人体模型生成三维人体动画。本发明基于多目视频的人体动画生成方法能实时生成三维人体动画，具有实现成本低、分析精度高、运行稳定等特点。在电影动画、三维游戏、虚拟现实等领域具有广阔的应用前景。
【IPC分类】G06T13/40
【公开号】CN105069829
【申请号】CN201510443508
【发明人】李毅, 孙亭, 郑文超
【申请人】中国电子科技集团公司第二十八研究所
【公开日】2015年11月18日
【申请日】2015年7月24日