【技术实现步骤摘要】
一种基于图神经网络的虚拟人运动仿真方法
本专利技术属于计算机图形学领域，具体地说是一种基于图神经网络的虚拟人运动仿真方法，其部分技术包括动作数据的图数据结构表示、图神经网络结构、图神经网络训练方法和实时控制方法等。
技术介绍
虚拟人的运动一直以来都是计算机图形学领域的一个重要的研究方向，在游戏开发与电影制作等计算机图形领域有着广泛的应用前景。传统的虚拟人动画使用运动捕捉设备对真人运动进行采集，能够在大多数情况下播放具有真实感的动作，但它的局限性在于无法在不同的动作片段间进行具有真实感的过渡。基于动作匹配的方法能够从真实数据片段中选择并播放最相似的动作，但其动作片段间的过渡效果会受到动作片段数据库中动作片段质量的制约。现有的方法无法完全解决虚拟人运动过渡过程中存在的问题。随着对真实感的进一步需求，通过采集并播放动作数据的方法已满足不了大众的视觉体验。因而需要从动作数据中分析动作变化规律，使得在任意的人体姿态下都能够生成具有真实感的动作，这样对大众的视觉体验来说将会是一个巨大的提升。最近在深度学习和神经网络方面的...
【技术保护点】
1.一种基于图神经网络的虚拟人运动仿真方法，其特征在于，该方法包括以下步骤：/na)根据虚拟人状态和用户输入构建当前帧的特征图/n首先根据目标虚拟人骨骼关节连接图，建立关节点邻接矩阵H；获取每个关节点的位置与旋转数据，建立每个关节点的特征向量，根据关节点邻接矩阵构建初始特征图；然后根据当前目标虚拟人的状态和用户输入获取实时控制数据，实时控制数据包括：轨迹特征图T和动作状态标识S；最后将轨迹特征图和动作状态标识添加至初始特征图，得到当前帧的特征图G；该特征图G用以下形式表示：/nG＝(V,E,S) (1)/nV＝{v
【技术特征摘要】
1.一种基于图神经网络的虚拟人运动仿真方法，其特征在于，该方法包括以下步骤：
a)根据虚拟人状态和用户输入构建当前帧的特征图
首先根据目标虚拟人骨骼关节连接图，建立关节点邻接矩阵H；获取每个关节点的位置与旋转数据，建立每个关节点的特征向量，根据关节点邻接矩阵构建初始特征图；然后根据当前目标虚拟人的状态和用户输入获取实时控制数据，实时控制数据包括：轨迹特征图T和动作状态标识S；最后将轨迹特征图和动作状态标识添加至初始特征图，得到当前帧的特征图G；该特征图G用以下形式表示：
G＝(V,E,S)(1)
V＝{vi|i＝1,…,N}∪{vt|t＝1,…,T}(2)
E＝{vivj|i,j＝1,…,N,Hij＝1}∪{vtvt+1|t＝1,…,T-1}(3)
v＝{px,py,pz,rx,ry,rz,rw∈R}(4)
S＝{S1,S2,S3,S4,S5∈R}(5)
公式(1)中V为每个骨骼关节的特征向量的集合，E为骨骼关节的连接关系的集合，S为使用01编码表示的动作状态标识；
公式(2)中vi表示第i个关节点，vt表示第t帧的根节点，N为骨骼关节总数，T为该特征图包含的帧数；
公式(3)中H为关节点邻接矩阵，Hij＝1表示关节i与关节j连接，Hij＝0表示关节i与关节j不连接；
公式(4)中v表示关节的特征向量，其中px,py,pz表示关节相对于根节点的坐标，rx,ry,rz,rw表示关节相对于根节点的旋转四元数，px,py,pz,rx,ry,rz,rw∈R表示这些值是标量；
公式(5)中S1表示空闲，S2表示走路，S3表示跑步，S4表示跳跃，S5表示蹲下；若该特征图的动作状态为空闲，则此时空闲状态对应的动作状态标识为1，其余动作状态为0；
b)使用结合门控模块的图神经网络根据当前帧的特征图通过回归方式预测下一帧的特征图
所述的图神经网络包含门控网络、结构矩阵与预测网络；
门控网络的输入包括特征图G的第3、6、10、13、16个节点和动作状态标识，其结构包括全连接层和softmax层；所述全连接层将特征信息转换成混合权重，所述softmax层对混合权重进行标准化；门控网络的输出结果为结构矩阵的混合权重和预测网络的混合权重；门控网络用以下形式表示：
ELU(x)＝max(x,0)+exp(min(x,0))-1(7)
...
【专利技术属性】
技术研发人员：姜凌霄，王长波，何高奇，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。