一种基于稀疏关联的宽松服装动画生成方法技术

本发明专利技术公开了一种基于稀疏关联的宽松服装动画生成方法，训练服装动画预测模型生成宽松服装动画，包括：根据已知数据构建服装的虚拟骨骼，通过学习一组关联映射矩阵，使三维服装的虚拟骨骼动作只与必要的人体关节相关联，以消除不必要的相关性；再根据三维人体运动姿态序列生成特定于关节的混合变形，进而生成静止姿态下的三维服装，使学习到的皱纹与姿态无关且特定于不同关节，让每个关节只影响服装的部分区域，将复杂褶皱变形简化为一组非常小的特定于关节的权重；随后将通过虚拟骨骼动作驱动静止姿态的三维服装变形

【技术实现步骤摘要】
一种基于稀疏关联的宽松服装动画生成方法


[0001]本专利技术涉及服装动画仿真
，具体涉及一种基于稀疏关联的宽松服装动画生成方法
、
计算机设备和存储介质
。

技术介绍

[0002]服装动画技术是视频游戏
、
虚拟现实和虚拟试穿等众多领域的研究热点之一，逼真的服装动画因其造型设计和动画风格而给虚拟角色带来强烈的视觉真实感，因此对逼真的服装动画生成需求很大
。
服装动画生成的核心问题在于，根据人体的运动姿态序列生成连续且稳定的服装变形序列
。
[0003]现有服装动画生成方法主要分为基于物理模拟和数据驱动的生成方法：
[0004]其中，基于物理模拟的方法是通过根据物理定律对现实世界的力和服装之间的相互作用进行建模来生成高质量的服装动画
。
这类方法依赖于许多物理参数，通常需要专业人士不断迭代调整参数和消耗大量计算成本；又由于服装
、
身体和物理力之间复杂的碰撞和相互作用，对服装质量也尤为敏感
。
因此这类方法通常很难高效地生成高分辨率的服装动画
。
[0005]基于数据驱动的生成方法是通过从一组收集的服装数据中学习生成真实的服装变形
。
与基于物理模拟的方法相比，这类方法通常速度更快，计算成本也更少，因而引起了广泛关注
。
当前大部分方法仅在紧身服装上实验，由于宽松服装通常具有更多的变形自由度，且不像紧身服装紧密地跟随人体运动，因此对宽松服装效果欠佳
。
此外，一些方法尝试直接从人体关节运动的全局编码中学习宽松服装的虚拟骨骼运动，但这些方法很容易受到不相关的人体关节影响，且假设服装和人体之间的蒙皮权重相似，使得宽松服装的动画生成过程容易受到不相关的扰动
。

技术实现思路

[0006]本专利技术的主要目的为提供一种基于稀疏关联的宽松服装动画生成方法
、
计算机设备和存储介质，旨在克服目前宽松服装动画生成方法中人体关节与三维服装间不相关的干扰
。
[0007]为实现上述目的，本专利技术通过以下技术方案实现：
[0008]本专利技术提供一种基于稀疏关联的宽松服装动画生成方法，通过训练服装动画预测模型生成宽松服装动画，所述服装动画预测模型是序列到序列的模型，包括如下步骤：
[0009]获取训练样本，每个训练样本包含三维人体运动姿态序列
、
三维服装变形标签序列和静默姿态下的三维服装网格模型，其中三维人体运动姿态序列中每个运动姿态对应于所述三维服装变形标签序列中的一个服装变形标签；
[0010]利用所述多个训练样本训练所述服装动画预测模型，以所述三维人体运动姿态序列
、
所述静默姿态下的三维服装网格模型作为输入，输出三维人体运动姿态驱动下的服装变形序列，并根据输出的服装变形序列和服装变形标签序列计算损失值更新所述服装动画
预测模型；
[0011]进一步地，所述三维人体运动姿态由二十个人体关节相对于其父节点的轴角旋转表示和根节点的顶点坐标表示组成；
[0012]所述三维服装变形标签序列中的服装变形标签通过对应服装网格模型从初始形态到目标形态的变形量表示，其中，所述从初始状态到目标形态的变形量指三维服装网格多个预设顶点在笛卡尔坐标下形态变化前后的差值
。
[0013]进一步地，所述模型包括：
[0014]1）虚拟骨骼生成模块，根据所述静默姿态下的三维服装网格模型，基于机器学习算法自动生成三维服装的虚拟骨骼；
[0015]2）关节运动编码模块，以所述三维人体运动姿态序列为输入，输出各人体关节运动特征；
[0016]3）人体
‑
服装稀疏关联映射模块，根据所述三维人体运动姿态序列和所述三维服装的虚拟骨骼学习一组关联映射矩阵，使三维服装的虚拟骨骼的变形只与必要的人体关节姿态相关联；
[0017]4）特定关节姿态空间变形模块，根据所述三维人体运动姿态序列的生成特定于关节的混合变形，进而生成蒙皮使用的静默姿态下的三维服装，使学习到的皱纹与姿态无关且特定于不同关节；
[0018]5）骨骼运动预测模块，根据所述三维服装的虚拟骨骼运动特征和特定服装的动画风格预测三维服装的虚拟骨骼刚性变换；
[0019]6）蒙皮动画生成模块，基于线性蒙皮算法，以三维服装的虚拟骨骼刚性变换和所述蒙皮使用的静默姿态下的三维服装为输入，生成目标服装变形
。
[0020]进一步地，所述虚拟骨骼生成模块中具体包括：根据给定的静默姿态下的三维服装网格模型，使用拉普拉斯平滑算法进行平滑来获取三维服装网格的低频变形，再通过线性蒙皮分解算法生成三维服装的虚拟骨骼
。
[0021]进一步地，所述关节运动编码模块中具体包括：以给定的三维人体运动姿态序列按每个人体关节点获取固定窗口大小的关节特征为输入，经编码器进行编码输出各人体关节运动特征；
[0022]其中所述固定窗口大小的关节特征中，每个人体关节点的关节特征由人体根节点坐标位置
、
当前关节点的轴角旋转和当前关节点相邻两个节点的轴角旋转拼接而成
。
[0023]进一步地，所述编码器由单层
GRU
模型和单层感知机组成，用于对每个人体关节点的关节特征进行编码减轻不同关节间的特征干扰
。
[0024]进一步地，所述人体
‑
服装稀疏关联映射模块中，所述关联映射矩阵为可学习的非负矩阵，通过网络反向传播进行学习，并在损失函数中促进关联映射矩阵参数学习的稀疏性，以消除各人体关节和三维服装的虚拟骨骼间不必要的相关性；
[0025]所述各人体关节运动特征经过关联映射后，转化为三维服装的虚拟骨骼运动特征
。
[0026]进一步地，所述特定关节姿态空间变形模块中，所述特定于关节的混合变形为可学习的姿态空间变形矩阵，通过网络反向传播进行学习，通过让每个关节只影响服装皱纹的一小部分区域，将复杂褶皱变形简化为一组非常小的特定于关节的权重；
[0027]所述特定于关节的权重以所述各人体关节运动特征作为输入，由权重预测模块分别根据单个人体关节运动特征预测得到，其中所述权重预测模块由三个全连接层组成；
[0028]所述特定于关节的权重和特定于关节的混合变形相乘后得到的变形量与静默姿态下的三维服装网格模型进行相加，作为所述蒙皮使用的静默姿态下的三维服装
。
[0029]进一步地，所述骨骼运动预测模块由四层感知机组成，以所述三维服装的虚拟骨骼运动特征和特定服装的运动风格特征相加作为输入，输出所述三维服装的虚拟骨骼刚性变换；
[0030]其中，所述特定服装的动画风格特征为三维服装的虚拟骨骼经过傅里叶函数进行编码得到
。
[0031]进一步地，所述蒙皮动画生成模块中具体包括：通过使用所述三维服装的虚拟骨骼刚性变换驱动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于稀疏关联的宽松服装动画生成方法，其特征在于，通过训练服装动画预测模型生成宽松服装动画，所述服装动画预测模型是序列到序列的模型，包括如下步骤：获取训练样本，每个训练样本包含三维人体运动姿态序列
、
仿真的三维服装网格模型序列和静默姿态下的三维服装网格模型，其中三维人体运动姿态序列中每个运动姿态与所述三维服装网格模型序列中的服装一一对应；利用所述多个训练样本训练所述服装动画预测模型，以所述三维人体运动姿态序列
、
所述静默姿态下的三维服装网格模型作为输入，输出三维人体运动姿态驱动下的服装变形序列，并根据输出的服装变形序列和仿真生成的服装序列计算欧式空间的距离损失值来更新所述服装动画预测模型
。2.
根据权利要求1所述的方法，其特征在于，所述三维人体运动姿态由二十个人体关节相对于其父节点的轴角旋转表示和根节点的顶点坐标表示组成；所述三维人体运动姿态驱动下的服装变形序列是指通过对应服装网格模型从初始形态到目标形态的变形量表示，其中，所述从初始状态到目标形态的变形量指三维服装网格的顶点在欧式空间坐标下形态变化前后的差值
。3.
根据权利要求1所述的方法，其特征在于，所述服装动画预测模型包括：1）虚拟骨骼生成模块，根据所述静默姿态下的三维服装网格模型，基于优化算法自动生成三维服装的虚拟骨骼；2）关节运动编码模块，以所述三维人体运动姿态序列为输入，输出各个人体关节运动特征；3）人体
‑
服装稀疏关联映射模块，根据所述三维人体运动姿态序列和所述三维服装的虚拟骨骼学习一组关联映射矩阵，使三维服装的虚拟骨骼的变形只与必要的人体关节姿态相关；4）特定关节姿态空间变形模块，根据所述三维人体运动姿态序列的学习特定于关节的变形空间，进而生成静默姿态下的三维服装细节变形，使学习到的褶皱细节与姿态无关且特定于不同关节；5）骨骼运动预测模块，根据所述三维服装的虚拟骨骼运动特征和特定服装的动画风格预测三维服装的虚拟骨骼刚性变换系数；6）驱动服装变形模块，基于线性蒙皮算法，以三维服装的虚拟骨骼刚性变换和已绑定蒙皮的静默姿态下的三维服装为输入，生成目标服装变形
。4.
根据权利要求3所述的方法，其特征在于，所述虚拟骨骼生成模块中具体包括：根据服装仿真软件生成三维服装网格序列，然后通过刚性骨骼平滑蒙皮分解算法生成三维服装的虚拟骨骼
。5.
根据权利要求3所述的方法，其特征在于，所述关节运动编码模块中具体包括：以给定的三维人体运动姿态序列按每个人体关节点获取的关节特征以及该关节的历史特征为输入，经编码器进行编码输出各人体关节运动特征；其中所述人体关节点的关节特...

【专利技术属性】
技术研发人员：肖俊，刁俊淇，何一宏，姜海勇，刘鲁鹏，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：