Performance Animation from Low-dimensional Control Signals

[source] ToG

[year] 2005

 

这篇文章也是非常有意思的,从低维信号中恢复出高维的动作 (检索?),那么就看最少用了几个传感。

 

本文中的捕获是使用光学,即产生图像,每个表演者身上绑了6-9个反光点

 

为什么可以使用少量传感,即数据被降维处理了?

因为所有关节运动自由度之间并非完全独立的 (理解为,在具体一个运动的时候,各个自由协调做一动作)

 

背景:

2.1 Control Interfaces for Human Motion

可用设备及Interfaces:  Mocap Boxing and Police 911, Sony’s EyeToy

少量传感重建动作:magnetic sensors foot pressure sensor 

分层:

光学的:单摄像头、三头、   利用动作数据库或动作图

光学的跟踪:

2.2 Animation with Motion Capture Data

建立模型 ,动作图,插值动作

 

Overview:

数据库:

数据库中的动作是标准标记点配置下捕获的数据(即heavy marked,  Helen Hayes marker set) ,记为 {q_i}

而在实时表演中只使用少量标记点,记为 c_t,从中出恢复出朝向z_t

则问题为,在已有一个库 {q_i} i=[1,..N]下,已经合成出序列  q_1, q_2,…q_{t-1}, 又由表演知 c_t, 求 q_t

Calibration:

1.骨架定标

2.标记点定标

c_n = f(q_n; \hat s,\hat v_l ,z_0)

 

Online Local Modeling

先找到K相似,标准   \alpha \ Left | c_n – T(\hat z_t,z_0)\hat c_t  \| ^ 2 + (1-\alhpha) \Left \|q_n –2\hat q_{t-1} + \hat q_{t_2} \|^2, 即前一项为转向对齐后标记点间距离,后项为平滑

由这K个相似,做PCA,抽取其低维控制信号,w_t

Fast Online K-nearest Neighbor Search

   对,如果对全部数据计算距离,难以做到实时。

    建立邻接图 neighbor graph, 如果两数据 q_I, q_j间:

    \Left \| q_I – q_j \|_{L_1} < max{f_m* \Detad/f_c,\epsi}, f_m 捕获帧率,f_c交互帧率,\Delta d 最大L_1距离

Online Motion Synthesis

    argmin_{w_t} (先验 + 控制 +平滑)

    三项分别计算,先验为K个的高斯局部模型  ,控制为与低维的距离, 平滑为导的模

 

 

最后这个优化很犀利啊,这个还是05年的工作…

转载于:https://www.cnblogs.com/justin_s/archive/2011/06/12/2078669.html

你可能感兴趣的:(Performance Animation from Low-dimensional Control Signals)