[发明专利]一种运动捕捉技术中的链状骨骼匹配方法

说明书

技术领域

本发明涉及一种运动捕捉技术中的图形处理方法，尤其涉及的是一种运动捕捉技术中的链状骨骼匹配方法。

背景技术

在现有技术的运动捕获数据处理过程中，由于一些不可避免的噪声，使得通过各种关节中心计算方法对原始的运动捕获数据进行处理之后，所得到的人体关节中心数据并不满足固定骨骼长度的约束。而传统的角色动画使用的角色都是固定骨骼长度的模型，如果不进行必要的处理，最后的角色动画会有很大的走形。如何从多帧不满足固定骨骼长度的关节中心数据中生成一个合适的固定长度的链状骨骼，并且使之尽可能与原有的关节中心数据匹配，从而修正原有的关节中心数据，是目前一直未解决的问题。

链状结构匹配问题是三维人体运动捕获数据处理中经常碰到的一类问题的本质抽象。链状骨骼匹配问题中，目标点集的点数等于链状结构中链接点的数目；而逆运动学问题中，目标点集可能只考虑链体末端的关节及朝向，也可能考虑全部链体的关节。逆运动学问题和链状骨骼匹配问题的一个比较大的区别在于，链状结构的每一节链的长度在逆运动学问题当中都是已知的，而在链状骨骼匹配问题当中，链状结构的每一节链的长度并不总是已知的，因此，存在特殊链状骨骼匹配问题，可以看成一类特殊的逆运动学问题。

解决逆运动学问题主要有三种方法：分析求解方法、数值求解方法、基于神经网络和人工智能的方法。其中，逆运动学分析求解方法主要通过解析求解一系列代数方程来实现。由于是解析解，所以这种方法非常高效，但随着关节复杂度的增加，复杂度急剧增加，分析求解的代价越来越大，所以这种方法一般只用在简单机械手臂、以及人的手、足等简单链状结构的控制中。例如：Ge等人使用这种方法进行手部运动的重定向，Kovar等人用这种方法进行运动捕获数据的滑步处理。Tolani曾提出了一种基于分析求解方法和数值求解方法的组合方法，实现了实时求解IK问题所有可能解，但是使用的链接模型的节点自由度不能超过7。

对于人体这种复杂度高的链体所遇到的逆运动学问题，数值求解方法成了一种可行的方案，并且经过多年的发展，形成了三类成熟的方法，分别是圆柱坐标下降法(Cyclic Coordinate Descent CCD)、基于雅克比矩阵的方法以及优化的方法。圆柱坐标下降是一种启发式迭代方法，每一步迭代只更新一个关节角度，这种方法的好处是计算相对比较快速，并且可以避免奇异的情况。由于采用了启发式的机制，这种方法求解的旋转在整个链状结构上不是均匀分布的，因此产生的结果可能不自然。

逆运动学求解方法并没有太多的考虑结果的逼真性，而通过在已有的人体链节姿态之间进行插值，来求解逆运动学问题将具有令人信服的真实性。例如：基于这一原理，Rose等人采用径向基函数实现了一种快速的单步求解算法。Mukai和Kuriyama则采用统计优化过程取得了类似的一个结果，由于他们预测了被采样的插值数据的概率分布，因此这种方法将返回一个更加合理的结果姿态。

与上述采用插值技术的方法相比，基于机器学习的逆运动学技术具有不同的思路，它利用机器学习技术对人体运动姿态空间进行降维，建立姿态空间到低维空间中的对应关系，然后利用低维空间来进行逆运动学问题的求解。Grochow等人采用高斯过程变量模型(Scaled Gaussian Process LatentVariable Model(SGPLVM))，来学习姿态之间的相似性，并对人体姿态这样的高维空间进行降维。类似的工作还有对网格数据进行类似操作的逆运动学技术以及采用自组织映射的人体运动合成技术。

总的来说，基于插值或机器学习的方法提供了一种异于传统的逆运动学求解技术，能够产生逼真的人体运动，然而这两种方法需要事先离线学习大量的运动捕获数据，另一方面，有些没法捕获的运动数据(例如：人从很高的大楼上摔下来的数据)，这个方法就没那么容易来处理了。

除开逆运动学方法以外，还有以下一些研究工作与这个问题密切相关：为了修正运动捕获数据中的末端位置误差，Kwangjin等人采用非线性优化以及逆运动学重新计算人体骨骼链的关节角度参数。基于视频的人体运动参数提取技术研究吸引了不少的研究者，在这项研究当中，需要从二维的视频或图像数据中重构三维链状骨骼结构信息，这是一个多对一的特殊链状骨骼匹配问题。在这个问题当中需要考虑摄像机参数、关节中心位置，因此通常需要手工介入，通常只能生成少数动画关键帧。当然，也可以利用运动数据库的先验知识来建立概率模型，然后来完成三维链状骨骼的重构，只是这种方法需要大量的运动数据来构成一个完备的库。