Data-driven synthesis of realistic human motion using motion graphs
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Gerçekçi insan hareketleri sinema filmleri, video oyunları ve sanal ortamlar gibi farklı medya alanlarının önemli bir parçasıdır. Hareket yakalama sensör teknolojisini kullanarak gerçekçi insan hareketi verileri sağlar. Ancak, hareket yakalama verileri esnek değildir. Bu dezavantaj uygulamada hareket yakalama teknolojisinden yararlanmayı kısıtlar. Bu tezde, hareket grafikleri ile hareket yakalama verilerini yeniden kullanarak gerçek zamanlı hareket sentezleyen iki aşamalı bir yaklaşım öneriyoruz. Birinci aşamada, çeşitli hareketleri içeren bir veri kümesinden başlayarak benzer hareket çizgeleri içeren hareket grafiği oluşturulmaktadır ve harmanlama parametreleri gibi ikinci aşamada gerekli parametreler hesaplanmaktadır. İkinci aşamada, seçilen harmanlama tekniklerine bağlı olarak, gerçek zamanlı yeni insan hareketi sentezlenir. Doğrusal harmanlama, kübik harmanlama ve önceden hazırlanmış harmanlama olmak üzere üç farklı harmanlama tekniği kullanıcıya sağlanır. Buna ek olarak, hareket arama algoritmasına uygulanan hareket klip tercihi yaklaşımı, kullanıcıya sonuç hareketteki hareket klibi tiplerini kontrol etme olanağı sağlar. Realistic human motions is an essential part of diverse range of media, such as feature films, video games and virtual environments. Motion capture provides realistic human motion data using sensor technology. However, motion capture data is not flexible. This drawback limits the utility of motion capture in practice. In this thesis, we propose a two-stage approach that makes the motion captured data reusable to synthesize new motions in real-time via motion graphs. Starting from a dataset of various motions, we construct a motion graph of similar motion segments and calculate the parameters, such as blending parameters, needed in the second stage. In the second stage, we synthesize a new human motion in real-time, depending on the blending techniques selected. Three different blending techniques, namely linear blending, cubic blending and anticipation-based blending, are provided to the user. In addition, motion clip preference approach, which is applied to the motion search algorithm, enable users to control the motion clip types in the result motion.
Collections