人体运动启发的自适应网格服装动画方法研究

在服装动画领域，细节变形褶皱的快速逼真模拟是一个具有挑战性的问题。多精度布料动画技术，在不同变形区域采用不同密度的网格，由此保证服装运动的丰富细节和更高的动画合成效率。已有的研究主要针对多精度网格服装动画的可计算问题；对于有效性问题，即如何预测服装的运动趋势并据此合理修改网格精度，未深入研究。. 在现实或虚拟场景中，服装运动主要由肢体运动所驱动，服装表面变形与人体运动之间存在着相关性。基于这一事实，本项目拟从服装弯曲变形与人体运动的相关性入手，研究多精度服装动画合成方法，重点解决其动态自适应问题，实现带细节褶皱的服装动画的快速生成。首先采用多样化的人体模型和人体运动样本数据，生成服装动画数据，并学习服装弯曲变形与人体运动之间的泛化关系；根据学习结果，对新输入的人体运动序列进行分析，预测弯曲变形的分布区域，据此动态精化网格，并快速生成带细节褶皱的服装动画；最后进行实验验证与评价。

本项目研究人体运动作为启发的自适应网格服装动画方法。从服装弯曲变形与人体运动的相关性入手，研究两者之间的泛化关系，能够根据人体运动准确预测服装变形的分布及趋势，解决多精度网格服装动画的动态自适应问题，实现基于物理的、带细节褶皱的服装动画的快速计算。. 项目研究从高精度服装动画样本数据准备、人体运动姿态特征表示、服装变形分布特征表示、人体运动与服装变形关系模型学习、多精度网格服装动画模型，这五个方面开展研究，取得了以下成果：. 1）建立了涵盖丰富人体运动姿态的高精度服装动画样本库。人体运动姿态包括走路、跑步、跳跃、舞蹈、篮球、足球、挥手、弯腰、下蹲、坐、转身、侧身、扭腰等众多动作。. 2）提出并建立了服装变形分布与人体运动姿态特征之间的泛化关系模型。在获取多样化的人体运动样本数据和丰富的服装动画实例数据后，在对其进行必要处理与充分分析的基础上，提出并建立了服装变形分布与人体运动姿态特征之间的关系模型。根据从实例数据中提取的服装弯曲变形特征和对应的人体运动姿态特征，利用BP神经网络对两者之间的关系进行学习；使得在服装动画生成过程中，根据输入的人体运动数据，即可对将要发生的服装变形分布进行准确预测。. 3）提出一种人体运动启发的自适应网格服装动画合成新方法。在服装动画合成中，考虑人体运动这一因素，通过人体运动特征分析，预测服装变形分布，据此合理、动态的精化服装网格；在布料弯曲变形较大、褶皱丰富的区域采用高密度网格，而其他区域采用密度相对较低的网格，由此保证服装运动的丰富细节信息和更高的动画合成效率。与已有方法相比，通过人体运动分析，对服装弯曲变形的趋势进行了准确预测，有望保证网格调整至合理模式，有效地利用计算资源，保证动画效果的逼真性。. 实验结果显示，利用人体运动数据预测的服装变形分布特征，平均误差仅为0.058。在此基础上，在保持与对应高精度均匀网格动画具有相近变形细节效果的前提下，上装计算效率提高约50%，而裤装动画效率提高约70%。