[发明专利]一种基于神经网络的运动数据重定向方法

权利要求书

1.一种基于神经网络的运动数据重定向方法，其特征在于，包括：

基于关节坐标表示的运动数据以运动重建误差为损失函数训练得到一自编码器；

获取源运动数据，并通过所述自编码器计算所述源运动数据对应的隐变量，并重建运动；

对重建运动施加骨骼长度约束、足迹约束、根关节位置约束以及骨骼角度约束，并将约束损失反向传播至隐变量空间中优化所述隐变量；

通过多次迭代，所述自编码器完成源骨骼到目标骨骼的运动重定向。

2.根据权利要求1所述基于神经网络的运动数据重定向方法，其特征在于，所述自编码器包括编码器和解码器，所述编码器包括3层全连接网络FC和1个双向长短时记忆网络Bi-LSTM，第一层全连接网络FC的神经元数量为128个，第二层全连接网络FC的神经元数量为256个，第三层全连接网络FC的神经元数量为512个，m帧所述源运动数据输入到所述编码器中，先后经三层全连接网络FC和所述双向长短时记忆网络Bi-LSTM的特征编码后，输出m×512维的运动数据记为隐变量，所述解码器将所述隐变量映射回运动数据空间，完成对目标骨骼的运动重建。

3.根据权利要求2所述基于神经网络的运动数据重定向方法，其特征在于，输入到所述编码器中的所述源运动数据的帧数m＝120。

4.根据权利要求2所述基于神经网络的运动数据重定向方法，其特征在于，计算所述重建误差的损失函数L通过以下公式(1)表达：

公式(1)中，X表示输入到所述自编码器的所述源运动数据的数据矩阵；

E_φ(X)表示所述源运动数据经过所述自编码器中的编码器的特征编码后，所述编码器输出的隐变量；

表示所述隐变量经所述自编码器中的解码器的特征解码后，输出的目标运动数据的数据矩阵；

u表示矩阵X的行数；

v表示矩阵X的列数。

5.根据权利要求4所述基于神经网络的运动数据重定向方法，其特征在于，优化所述隐变量的过程可通过以下公式(2)表达：

公式(2)中，H′表示优化后的所述隐变量；

H＝E_φ(X)；

L_bone表示运动重建对目标人体的骨骼长度的约束；

λ_bone为一约束目标人体的骨骼长度的常量；

L_foot表示运动重建对目标人体的足迹位置的约束；

λ_foot为一约束目标人体的足迹位置的常量；

L_root表示重建运动对目标人体的根关节位置的约束；

λ_root为一约束目标人体的根关节位置的常量；

L_angle表示重建运动对目标人体的骨骼间角度的约束；

λ_angle为一约束目标人体的骨骼间角度的常量。

6.根据权利要求5所述基于神经网络的运动数据重定向方法，其特征在于，L_bone通过以下公式(3)表达：

公式(3)中，b表示目标人体上的骨骼的序号；

J表示构成目标人体骨架的骨骼数量；

i表示所述编码器的第i帧输入；

m表示输入到所述编码器的所述源运动数据的帧数；

为所述解码器输出的第i帧上序号为b的目标人体骨骼相对一个骨骼节点的位置坐标；

为所述解码器输出的第i帧上序号为b的所述目标人体骨骼相对另一骨骼端节点的位置坐标；

l_b为源角色上与序号为b的所述目标人体骨骼对应的源人体骨骼的长度。

7.根据权利要求6所述基于神经网络的运动数据重定向方法，其特征在于，L_foot通过以下公式(4)表达：

公式(4)中，j表示目标人体骨架上的左脚踝、右脚踝、左脚尖和右脚尖4个骨骼端节点的序号；

表示第j号节点在所述解码器输出的第i帧上的y轴坐标。