基于模式混合图模型的运动合成方法研究

Motion synthesis is a technology which can assemble existing motion clips into new motions. Motion synthesis can improve the reusability of motion capture data so that it will reduce the cost for 3D animation production. In this project, we intend to propose a hybrid graph model (HGM) based on non-trivial patterns, through which it provides users with a variety of synthesized motions with low cost, as well as efficient and accurate synthesis of motions that satisfy users’ needs. The proposed hybrid graph model includes two different graph structures, i.e., pattern indexing graph and pattern transition graph, the former one keeps records of the inclusion relations between patterns, it can provide support for pattern indexing; while the latter one stores the transition relations between different patterns, it provides evidences to combine and merge those segments in order to synthesize new motions. The research contents of this project include: Study the algorithm to discover the non-trivial patterns in motion capture database, so that the motions can be divided into sets of non-trivial patterns; Study the approach to construct the pattern indexing map, so that it can rapidly and accurately locate users’ requirements; Study the approach to construct the pattern transition map as well as the motion resequencing method in order to efficiently synthesize realistic motions. The research of this project is of great significance to the development of data-driven animation technology.

运动合成即是将已有动作序列组合成新的动作序列的技术。运动合成技术可以提高运动捕捉数据的可重用性，从而降低三维动画制作的成本。本项目拟提出一种基于非平凡模式的混合图模型，通过该混合图模型，可以在降低成本的同时，为用户提供大量高质量的可合成动作并高效准确地合成满足用户需求的动作。该混合图模型包含了两种图结构，即模式索引图和模式过渡图，其中模式索引图记录了非平凡模式间的包含关系，用于非平凡模式的检索；模式过渡图记录了非平凡模式间的过渡关系，为非平凡模式之间对接合成提供依据。本项目的主要研究内容包括：研究在运动捕捉数据库中发现非平凡模式的方法，将动作分割成非平凡模式的集合；研究模式索引图的构造方法，使得用户可以快速准确定位自身需求；研究模式过渡图的构造方法及动作再序列方法，从而可以高效地合成逼真的动作。本项目的研究对于推动数据驱动的动画制作技术发展具有重要的意义。

运动合成是三维动画制作中的一个重要技术，近年来受到了广泛的关注。在本项目中，我们就该技术展开了研究，主要研究内容包含（1）研究了基于模式混合图模型的运动合成技术，提出了基于后缀树运动图结构的运动合成框架，该框架首先将高维运动捕捉数据表示为字符数据序列，之后构建后缀树运动图结构，其中后缀树主要用于运动捕捉数据的检索，运动图结构主要用于动作的合成，结果表明合成的动画能够满足用户的需求，此外我们研发了后缀树运动图结构的可视化接口；（2）我们深入研究了运动捕捉数据的字符化表达方法，提出了基于均衡聚类的字符化表达方法，该方法首先对运动捕捉数据进行分割，之后提出了基于梯度下降的方法对分段中心进行均衡聚类，这样每个类对应于一个字符，我们就得到了数据的字符化表达，相比于符号聚合近似方法，该方法更适用于高维数据，并且保证能够按照等概率生成字符，从而最大化后续应用的效率；（3）为了进一步优化运动捕捉数据的字符化表达，我们对运动捕捉数据的分割方法进行了研究，分别研究了分割的算法，所需的特征，相继提出了基于加权置信度的分割方法，基于相对位置的分割方法，基于余弦距离层次化聚类方法，实验结果表明分割的准确率不断提高，基本满足实际应用需求；（4）为了更好地对合成的动作进行可视化，我们研究了运动捕捉数据的关键帧提取算法，提出了基于主成分分析的关键帧提取方法，提出了基于时域聚类的关键帧提取方法，取得了良好的可视化效果；（5）探索了运动合成技术在教育以及娱乐领域的潜在应用，研发了相关的原型系统，用户调查结果表明用户满意度得到了较大提高。本项目资助完成论文共9篇，其中EI检索论文5篇（4篇为会议论文），SCI检索2篇（1篇已接受，1篇在审）。资助完成了专利4项，其中1项已授权。培养硕士生3名，其中1人已取得硕士学位，另外2人在读。