[发明专利]一种基于多目视频的人体动画生成方法

权利要求书

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；

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＝{y_g,y_k}，y∈Y，Y为高维人体姿态空间；其中y_g＝(α_x,β_y,γ_z)表示人体根节点的朝向，α_x,β_y,γ_z分别表示根结点与三维坐标轴x,y,z的夹角，y_k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{y_t|t＝1,...T}，y_t为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{y_t|t＝1,...T}中姿态的关节点欧拉角y_k进行降维，得到关节点欧拉角y_k的低维表示y_s＝{y₁,...,y_D}，y_s∈Y_s，Y_s为关节点欧拉角y_k的低维状态空间，D为Y_s的维度；

步骤1-4：将高维人体姿态y＝{y_g,y_k}降维后得到的低维姿态表示为x＝{y_g,y_s}＝{y_g,y₁,...,y_D}，x∈X，X为运动低维空间；

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Z_v；

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x＝{y_g,y₁,...,y_D}与人体剪影Z_v的适应度函数f_v(x,Z_v)，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x＝{y_g,y₁,...,y_D}，计算低维姿态的第d维y_d的最大值max(y_d)和最小值min(y_d)，d＝1,2,...,D；则每个低维姿态的每一维y_d都满足以下姿态约束：min(y_d)＜y_d＜max(y_d)，d＝1,2,...,D；

步骤2-4：基于适应度函数f_v(x,Z_v)，v＝1,2,...,V，以及姿态约束min(y_d)＜y_d＜max(y_d)，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，表示求解使目标函数F(x)最小的x的值。

2.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,...,N，组成初始粒子群pop(0)，N为粒子群规模，初始化粒子的位置X_i(0)和速度V_i(0)；设置粒子的个体极值设置种群的全局极值

其中，个体极值表示个体在整个迭代过程中的最优解；粒子群全局极值gbest⁰表示粒子群pop(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)中每个粒子进行更新，得到第k+1代的粒子构成第k+1代粒子群pop(k+1)；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；

对粒子的更新方法为：根据粒子的速度V_i(k)和位置X_i(k)，计算粒子的速度V_i(k+1)和位置X_i(k+1)；V_i(k+1)和X_i(k+1)的计算方法为：

X_i(k+1)＝X_i(k)+V_i(k+1))；

其中，ω为惯性权重，c₁为个体加速系数，c₂为全局加速系数，rand₁()和rand₂()表示[0,1]间的随机数；为粒子的个体极值，gbest^k为粒子群pop(k)的全局极值；

步骤3-3：粒子约束：对粒子群pop(k+1)中的每个粒子判断y_d的取值范围，d＝1,2,...,D；如果y_d＞max(y_d)，则将y_d的值设置为y_d＝max(y_d)；如果y_d＜min(y_d)，则将y_d的值设置为y_d＝min(y_d)；其中，max(y_d)为y_d的最大值，min(y_d)为y_d的最小值；

步骤3-4：个体极值求解：将第k+1代粒子群pop(k+1)中的每个粒子与其更新前对应的粒子进行非劣性比较，i＝1,...,N；若非劣于取所在位置X_i(k+1)为粒子的个体极值即若非劣于则进行赋值

步骤3-5：全局极值gbest^k+1求解：把pop(k+1)中序值为1的粒子作为粒子群pop(k+1)的全局极值；其中，粒子的序值指的粒子群pop(k+1)中优于的所有粒子的个数；

步骤3-6：进行赋值操作，k＝k+1；当k≤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gbest^K，即人体姿态参数。