植物的动态捕捉与数据驱动式变形建模

Physics-based motion generation and control the breakthrough point for widely applying computer graphic in different industrial field. Dynamic model's oversimplification and inaccuracy, used in traditional computer animation, severely damage the accuracy. Due to the rapid development of sensor techniques and remarkably progress of machine learning theory, data-driven method provides an alternative way to do this. It captures object's motion under different know external disturbance, and then abstracts object's motion model through learning from real data. Since plants has more complicate geometry structure, material distribution and property, also plants usually perform large deformation, it's challenging to directly apply this kind of data-driven method to plants without any damage or cutting on the subject. Aim at this problem, we present a data-driven method, which require no additional force measurements as in prior data-driven simulation, for reconstructing the animation and deformation parameters for physics-based plants. High quality plant animations capturing from partial and noisy point cloud is another primary component for this research.

具有物理真实感的运动生成与控制是计算机图形学技术在实际工业领域得到广泛应用的关键。传统方法中运动模型的过度简化和参数不准确严重损害了仿真结果的精确性，阻碍了这一技术的产业化应用。随着传感器技术的飞速发展，数据驱动方法为运动建模提供了一种新的途径。它通过外部传感器获得对象在不同外部扰动下的真实行为数据，然后利用机器学习、概率统计等理论和方法获得对象的运动模型。由于植物本身具有的几何结构复杂，运动变形幅度大，材质分布不均匀且非线性等特征，在不破坏完整性的前提下将这一技术应用到植物运动建模中还面临很多挑战。针对这一难题，本课题旨在提出一种不需要任何力传感设备，仅仅依靠运动信息的数据驱动式植物运动模型生成方法。另外，准确、快速的植物运动跟踪也是本课题的研究重点之一。

近几十年来，随着计算机图形学技术的飞速发展，逼真的几何形状和渲染效果已经不再是人们关注的唯一重点。具有真实感的运动生成与控制，以及基于物理原理的交互响应等成为了研究的绝对热点，其中关键在于建立仿真对象的数学模型。由于计算机有限的计算能力远远无法满足现实世界中物体的复杂多样性，所建立的数学模型往往都经过简化处理。此外，测量手段的局限使模型物理参数也与真实系统存在较大偏差。模型的过度简化和参数的不准确严重损害了仿真结果的精确性与逼真性，极大的限制了计算机动画技术的实际应用。随着传感器技术的飞速发展和相应理论的不断完善，数据驱动的计算机动画弥补了上述不足，已被广泛应用于布料模拟和可变形物体模拟领域。.我们提出了一种数据驱动的方法对弹性变形物体进行运动捕捉和物理建模。该算法框架既能重建真实感的运动又可以模拟多种材质的弹性物体在用户交互作用下的形变。数据采集选用低成本的Kinect深度传感器。区别于以往工作，我们不需要进行任何力-位移测量，因此采集过程变得简单方便。运动跟踪算法运用了基于物理的概率方法，能有效提升其对点云噪声、模型遮挡、快速运动和大幅度形变的鲁棒性。.运动跟踪完成后建立包含参考形状、材质弹性参数和阻尼系数的估计问题，并利用时空优化方法求解，旨在拟合仿真运动序列与跟踪运动序列。优化得到的形变参数可以用于反馈提升运动跟踪的精准度，进而改进参数估计本身。数值分析的实验表明我们基于物理的运动跟踪和参数估计算法可以合并统一，迭代改进各