基于运动捕捉的虚拟人关键技术研究

论文摘要

本文研究了基于运动捕捉的虚拟人关键技术中的最新的问题——基于运动捕捉的虚拟人运动特征的提取,基于运动捕捉的虚拟人运动识别,基于逆运动学的虚拟人控制和虚拟人运动路径编辑。课题主要的研究内容如下：1.采用非线性的KPCA算法构造出用于分割的综合特征函数和对应的评价函数；确定最优化核的函数公式,然后再采用得到的核函数公式对虚拟人运动特征进行提取。2.将机器学习中的决策树学习,多示例学习以及隐马尔可夫模型引入到基于运动捕获数据的虚拟人运动识别中。能够识别出常见的运动模型,并且比原有的算法识别率高。3.介绍了基于正运动学、逆运动学方法的虚拟人控制方法。提出了基于解析的逆运动学虚拟人控制算法,并给出了求解逆运动学约束的公式。4.研究了基于约束的使用B次样条的虚拟人运动轨迹进行编辑,生成新的运动的方法。

论文目录

• 摘要
• Abstract
• 详细摘要
• 1 引言
• 1.1 研究动机
• 1.2 研究问题及现状
• 1.2.1 研究问题
• 1.2.2 研究现状
• 1.3 本文贡献及创新点
• 1.4 本文组织
• 1.5 本章小结
• 2 基于运动捕捉的虚拟人相关研究综述
• 2.1 运动捕捉技术简介
• 2.1.1 光学式运动捕捉系统
• 2.1.2 电磁式运动捕捉系统
• 2.1.3 机械式运动捕捉系统
• 2.1.4 声学式运动捕捉系统
• 2.2 虚拟人的三维建模技术
• 2.2.1 三维虚拟人的几何表示方法
• 2.2.2 人体建模的国际标准
• 2.2.3 人体关节运动的描述
• 2.3 虚拟人控制技术
• 2.4 四元数在虚拟人技术中的应用
• 2.4.1 四元数的定义和性质
• 2.4.2 四元数、欧拉角和矩阵表示的转换
• 2.4.3 四元数与欧拉角相比的优点
• 2.5 机器学习技术和相关研究
• 2.5.1 决策树技术
• 2.5.2 多示例学习方法
• 2.5.3 马尔可夫链
• 2.6 本章小结
• 3 基于KERNELPCA虚拟人运动特征提取
• 3.1 PCA方法
• 3.2 KERNELPCA算法
• 3.2.1 Kernel PCA
• 3.2.2 最优化核参数算法
• 3.2.3 分析在特征子空间中数据的结构
• 3.2.4 基于结构分析的核参数优化算法
• 3.2.5 用ICA求非高斯方向簇
• 3.2.6 基于最大熵原则的非高斯性测度
• 3.2.7 最优核参数测度
• 3.3 基于PCA的运动捕捉数据提取算法
• 3.4 KERNELPCA算法中核确定
• 3.5 PCA和KERNELPCA效果比较
• 3.6 本章小结
• 4 基于机器学习的虚拟人运动识别
• 4.1 集成的多示例决策树
• 4.1.1 决策树
• 4.1.2 多示例学习的决策树
• 4.1.3 集成学习
• 4.2 基于集成隐马尔可夫模型的运动识别
• 4.2.1 隐马尔可夫模型的简介
• 4.2.2 基于三维时空特征的隐马尔可夫模型
• 4.2.3 集成学习的隐马尔可夫模型
• 4.3 实验结果
• 4.3.1 决策树性能的评估
• 4.3.2 集成学习的决策树的性能
• 4.3.3 集成学习的隐马尔可夫模型的运动识别和检索实验分析
• 4.4 本章小结
• 5 基于逆运动学的虚拟人实时控制
• 5.1 正向运动学
• 5.1.1 正向运动学的问题描述
• 5.1.2 正向运动学的问题求解
• 5.1.3 正向运动学实例
• 5.2 逆向运动学
• 5.2.1 引言
• 5.2.2 逆向运动学的问题描述
• 5.2.3 逆向运动学的算法分类
• 5.2.4 逆向运动学算法标准
• 5.3 几种逆向运动学算法
• 5.3.1 Jacobian转置法
• 5.3.2 CCD法
• 5.3.3 基于解析的逆运动学方法
• 5.3.4 解决约束,求得最优解
• 5.3.5 实验仿真及结果分析
• 5.4 本章小结
• 6 基于B样条的运动路径编辑
• 6.1 引言
• 6.2 运动路径
• 6.2.1 利用B样条抽取运动路径
• 6.2.2 运动路径的方向
• 6.3 路径编辑
• 6.4 运动约束
• 6.4.1 约束条件的表示
• 6.4.2 初始约束条件
• 6.4.3 约束条件的更新
• 6.4.4 求解约束条件
• 6.5 算法步骤
• 6.6 试验结果
• 6.7 本章小结
• 7 结论与展望
• 7.1 研究总结
• 7.2 研究展望
• 参考文献
• 致谢
• 作者简介
• 在学期间发表的学术论文
• 在学期间参加科研项目