论文部分内容阅读
人体运动捕捉技术能够精准地记录人体在三维空间的运动轨迹,它被广泛地应用在电影动画、虚拟现实、运动健康等领域。人体运动捕捉技术的普及,使得如何对大量的运动捕捉数据进行有效的编辑和重用处理成为一个具有挑战性的课题。运动捕捉数据的编辑与重用处理包含了一系列相关技术,本文围绕其中的三种重要技术展开,分别对人体运动分割、运动捕捉数据关键巾帧提取、人体运动合成进行了研究。主要研究内容包括:在人体运动分割方面,本文提出了一种基于运动捕捉数据多层次信息的运动分割模型。该模型同时利用了运动捕捉数据的低层次物理信息和高层次数据分布信息进行运动分割:首先,引入密度峰值聚类(Density Peaks Clustering)算法用于解决运动分割问题,并对其进行了优化,得到一个较好的初始分割结果;然后,使用对齐聚类分析(Aligned Cluster Analysis)方法对初始分割结果进行优化分割。优化后的密度峰值聚类算法和对齐聚类分析方法优势互补,提升了分割模型在分割正确率、稳定性等方面的表现。在运动捕捉数据关键帧提取方面,本文提出了一种基于自适应量子粒子群优化(Adaptive Quantum-Behaved Particle Swarm Optimization)算法的关键巾帧提取方法。该方法使用群智能优化(Swarm Intelligent Optimization)算法解决关键巾帧提取问题:首先引入了量子粒子群优化(Quantum-Behaved Particle Swarm Optimization)算法,并利用云模型(Cloud Model)对其进行自适应改进,然后迭代搜索具有最小重构误差的关键帧序列。自适应改进后的量子粒子群优化算法较强的全局收敛性和寻优能力,保证了提取出的关键帧具有较好的概括性。在人体运动合成方面,本文提出了一种基于卷积自编码器(Convolutional Autoencoder)的人体运动风格迁移(Human Motion Style Transfer)模型。从运动风格的角度出发,该模型将深度学习网络应用于人体运动合成,通过卷积自编码器对人体运动序列进行运动风格迁移:首先,构建一个卷积自编码器并对其进行训练,用于提取运动特征;然后,利用卷积自编码器构建风格迁移损失,根据风格迁移损失迭代计算隐层的运动数据;最后,通过卷积自编码器生成运动风格迁移后的运动序列。