基于机器学习的运动捕获数据分析与重用技术研究

从机器学习的角度出发，研究基于高斯过程隐变量模型和隐空间动态模型的运动姿势学习模型和适合的优化算法，通过对隐轨迹的分析和聚类实现运动片段分割，基于多因子高斯过程模型实现运动风格与内容的分离。以提高运动捕获数据的重用性和角色动画生产效率为目标，研究基于学习模型和逆运动的运动编辑和运动合成方法，支持在观察空间和隐空间两种运动编辑手段，实现运动姿势编辑、后续运动预测、运动融合、多运动片段合成、运动风格改变和群体动画等多种运动生成方法，并力求使生成的运动的自然性、连续、正确性。本项目的研究有望推动数学娱乐、虚拟现实等领域角色建模与角色动画理论和技术的发展，有望提高三维动画的生产效率，具有较好的理论意义和应用价值。

已按计划完成全部研究内容，主要成果如下：.针对人体运动数据维度高、相关性高、不易直接分析的特点，通过对运动数据进行统计学习，提出基于快速自适应比例高斯过程隐变量模型实现非线性降维，通过对低维隐空间的时变特征建模，获得了运动正确姿势在观察空间和隐空间的概率描述，从而获得了对运动姿势自然合理性的量化度量，达到了在低维空间分析高维数据的目的，克服了传统逆向运动学算法合理性无法评估的缺点。.研究并提出了一种基于隐空间运动特征函数的人体运动自动分割方法。为了避开对运动语义特征直接分析和建模的困难，将运动映射到低维特征空间，在特征空间提取运动几何特征并使之与运动的高层语义特征相对应，运动几何特征的变化能够反映运动语义特征的改变。该方法借助分析运动的几何特征来分析运动的高层语义特征，实现运动在语义层次的自动分割。.为提高了运动捕获数据的可重用性，研究并提出了隐空间编辑、关节点编辑和运动轨迹编辑三种逆运动编辑方法。获得了运动姿势学习模型后，即获得了所有姿势在观察空间和隐空间中的概率分布，从而将逆运动求解问题，转换成在满足给定末端约束条件下求取后验概率最大的姿势的优化问题，可以最大程度地保证生成的姿势的自然性和合理性。.为提高运动捕获数据的可用性，提出了两种新运动生成方法。基于动态预测的运动片段连接方法，利用高斯过程从概率角度描述人体运动姿势的在低维隐空间演变规律，通过自动计算过渡运动的长度并基于二阶马尔可夫链的动态预测生成过渡运动姿势，将运动片段无缝拼接为完整的、连贯流畅的运动。群体动画生成方法通过隐空间动态预测和Hybrid Monte Carlo采样得到符合给定概率分布的一系列隐轨迹，通过姿势重构得到原运动非常相似但又不同的一系列自然的运动，避开了传统的基于几何和物理约束的逆运动方法固有的困难和复杂性。.研究并提出了面向人体四肢的运动重定向方法，包括面向人体下肢的运动重定向方法和面向人体上肢的运动重定向方法。对于面向下肢的人体运动重定向方法，将运动依据其特征分为两类，并分别提出与其适应的运动重定向方法，即基于下肢向量特征不变的运动重定向和基于下肢运动轨迹投影变换的运动重定向。对于面向上肢的运动重定向，依据上肢在运动过程中受到的不同约束，分别提出静态约束、动态约束和语义约束的运动轨迹重定向，以重定向后的运动轨迹为约束进行逆向运动学求解，最终实现运动重定向。