CN102184568A - 一种采样反馈的火焰模型参数自动获取与优化方法 - Google Patents

Abstract

本发明涉及一种采样反馈的火焰模型参数自动获取与优化方法，属于虚拟现实科学技术领域。本发明的技术方案为：根据设定的初始速度、初始大小等参数值生成基于粒子系统的火焰模型；分析当前火焰模型和真实火焰的误差，生成火焰模型的误差函数；采用梯度下降的反馈方法，动态的调整火焰模型的控制参数；按照调整后的参数修正火焰模型，并进行误差反馈，直至火焰模型与真实火焰的误差值低于误差阈值。本发明克服了传统火焰模型建立过程中存在的模型参数难以确定的问题，通过定义了火焰模型的误差函数，提出了一种自动获取模型参数的方案，优化了建立的火焰模型。

Description

一种采样反馈的火焰模型参数自动获取与优化方法

技术领域

本发明涉及一种采样反馈的火焰模型参数自动获取与优化方法，属于虚拟现实科学技术领域。

背景技术

随着计算机图形学技术的飞速发展，火焰燃烧越来越多地出现在计算机动画、影视制作和媒体广告等场景之中。在对战场进行模拟的时候，火焰的模拟也是必不可少的。

火焰具有实时的多变性和无规则性，它的外观形状极不规则、没有光滑的表面，这使得经典的欧几里得几何学对其描述就显得无能为力。同时，火焰在燃烧的过程中，要受到内外各种因素的作用和影响，再加上火焰燃烧的形态非常丰富，不同的燃料在不同的情况下表现出巨大的差异，就更加向人们提出了严峻的考验。

有三种与火焰相关的基本视觉现象。第一个视觉现象是在许多火焰中看到的蓝色或蓝绿色焰心，这些颜色由中间化学产物产生，例如在化学反应中产生的碳自由基。第二个视觉现象是由热气产物放出的黑体辐射。它以黄橙色为特征，该颜色与火焰密切相关，为了给它在视觉上进行精确建模需要跟踪火焰的温度。第三个视觉现象是温度在降低到黑体辐射消失后，出现在一些火焰中的烟或者是烟灰。如果燃烧物是固体或者液体，第一步是加热直到它变成气态(显然，如果是气体燃料，开始时就已经是气体状态)，气体被加热到隐式曲面对应着火点，然后出现细薄的蓝色焰心。温度接着升高，并在辐射冷却和其它混合因素导致它温度降低之前，随着反应过程升高到最大值。接下来，随着温度的降低，黑体辐射减少直至黄橙色消失。

粒子系统的基本思想是把无规则形状的物体看作是众多粒子所组成的粒子团，各个粒子都有自己的属性：如颜色、形状、大小、生存期、速度等。粒子随时间的推移而不断地改变状态，从而模拟出无规则物体及其运动变化。从粒子系统方法诞生到现在，它已经逐步成为计算机图形学中应用最广，应用时间最长的方法之一。基于粒子系统的火焰模拟原理如图1所示。

然而，基于粒子系统的方法的控制过程过于随机，选定合适的控制参数变成为了模拟中面临的重要问题。目前研究者们往往都是根据需要模拟的火焰的特征，人为选择并调整控制参数，这使得模拟的过程非常繁琐。

发明内容

本发明要解决的技术问题是：针对基于粒子系统的火焰模型参数调整繁琐的现状，提出了一种可以根据采样反馈自动获取火焰模型参数，优化火焰模型的方法，简化了建立火焰模型的过程，同时有效的对火焰模型进行了优化。

本发明提出了一种采样反馈的火焰模型参数自动获取与优化方法，包括以下步骤：

(1)采用粒子系统的方法，根据初始的模型参数和控制参数建立火焰模型；

(2)在步骤(1)建立火焰模型后，分析当前火焰模型和真实火焰的误差，生成误差函数；

(3)在步骤(2)生成火焰模型的误差函数后，判断火焰模型误差是否小于误差阈值；若是，则本方法结束；否则，跳转到步骤(4)；

(4)使用梯度下降的方法，调整火焰模型的控制参数；

(5)在步骤(4)的基础上，根据当前计算的控制参数修正火焰模型；

(6)在步骤(5)建立修正后的火焰模型的基础上，跳转到步骤(3)。

本发明的有益效果是：

针对基于粒子系统的火焰模型参数调整繁琐的现状，提出了一种可以根据采样反馈自动获取火焰模型参数，优化火焰模型的方法，简化了建立火焰模型的过程，同时有效的对火焰模型进行了优化。

附图说明

图1为火焰模拟原理框图；

图2为采样反馈的火焰模型参数自动获取与优化方法的流程图。

具体实施方式

本发明提出了一种可以根据采样反馈自动获取火焰模型参数，优化火焰模型的方法，简化了建立火焰模型的过程，同时有效的对火焰模型进行了优化。该方法的流程如图1所示，其步骤如下：

步骤1采用粒子系统的方法，根据初始的模型参数和控制参数建立火焰模型；

粒子系统的基本思想是把无规则形状的物体看作是众多粒子所组成的粒子团，各个粒子都有自己的属性：如颜色、形状、大小、生存期、速度等。粒子随时间的推移而不断地改变状态，从而模拟出无规则物体及其运动变化。

建立火焰模型的模型参数包括粒子的数目num，粒子的初始颜色initialColor、初始透明度initialAlpha。其中粒子的数目num初始值为不影响模拟效果下所使用的最少粒子束；粒子的初始颜色initialColor是基本色，粒子的颜色将从initialColor逐渐向背景颜色转变；粒子的初始透明度initialAlpha＝1.0，透明度是一个从0变化到1的实数。所述的控制参数包括Δx、Δy、Δz，分别表示火焰在X，Y，Z轴上的运动；Ex、Ey、Ez，表示火焰的膨胀或跳动；Sx(i)、Sz(i)，表示火焰顶端的发散(X、Z轴)。

步骤2分析当前火焰模型和真实火焰的误差，生成误差函数；误差函数取决于火焰模型的控制参数，表达式为：

d＝f(Δx，Δy，Δz，Ex，Ey，Ez，Sx(i)，Sz(i))

其中d表示火焰模型的误差；Δx、Δy、Δz，分别表示火焰在X，Y，Z轴上的运动；Ex、Ey、Ez，表示火焰的膨胀或跳动；Sx(i)、Sz(i)，表示火焰顶端的发散(X、Z轴)。

步骤3在步骤2生成误差函数的基础上，判断火焰模型误差是否小于误差阈值。若是，则本方法结束；否则，跳转到步骤(4)；其中误差阈值可以根据用户对火焰模型的需求进行确定。

步骤4使用梯度下降的方法，调整火焰模型的控制参数；梯度下降法，就是利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使待优化的目标函数逐步减小。

采用梯度下降法进行迭代的具体步骤为：

1)选取初始点a₀，给定梯度的接受误差α，以及下降量的接受误差β，使α＞0，β＞0，并令迭代次数k＝0；

2)计算负梯度

及其单位向量

其中

为原函数，

为哈密顿算符，用来计算

在点

处的梯度；

3)检查是否满足条件||s^(k)||≤α，若满足则转8)，否则继续；

4)计算最佳步长ρ_k；

5)令 $a_{k+1}=a_k+{\mathrm{\ρ}}_k{\hat{s}}^{\left(k\right)};$

6)计算并检验另一判据

满足转8)，否则继续执行步骤7)；

7)令k＝k+1，转2)；

8)输出结果，结束。

在计算最佳步长ρ_k的过程中，考虑到一般来说，ρ_k应随着搜索的步数的增加而逐渐变小。所以，在迭代过程中，ρ_k随着k的改变而改变，且满足

${\mathrm{\ρ}}_k\≥\frac{-\stackrel{\→}{w}\left(k\right)\stackrel{\→}{x_k}}{{\left|\right|\stackrel{\→}{x_k}\left|\right|}^2};$

其中

为迭代过程中第k次的取值，

步骤5在步骤(4)的基础上，根据当前计算的控制参数修正火焰模型；

步骤6在步骤(5)建立修正后的火焰模型的基础上，跳转到步骤(3)。

Claims (4)

1.一种采样反馈的火焰模型参数自动获取与优化方法，其特征在于包括：

(1)采用粒子系统的方法，根据初始的模型参数和控制参数建立火焰模型；

(2)在步骤(1)建立火焰模型后，分析当前火焰模型和真实火焰的误差，生成误差函数；

(3)在步骤(2)生成火焰模型的误差函数后，判断火焰模型误差是否小于误差阈值，若是，则本方法结束；否则，跳转到步骤(4)；

(4)使用梯度下降的方法，调整火焰模型的控制参数；

(5)在步骤(4)的调整的火焰模型的控制参数的基础上，根据调整后的火焰模型的控制参数修正火焰模型；

(6)在步骤(5)建立修正后的火焰模型的基础上，跳转到步骤(3)。

2.根据权利要求1所述的一种采样反馈的火焰模型参数自动获取与优化方法，其特征在于：所述步骤(1)中模型参数包括粒子的数目num，粒子的初始颜色initialColor、初始透明度initialAlpha；其中粒子的数目num初始值为不影响模拟效果下所使用的最少粒子束；粒子的初始颜色initialColor是基本色，粒子的颜色将从initialColor逐渐向背景颜色转变；粒子的初始透明度initialAlpha＝1.0，透明度是一个从0变化到1的实数；所述的控制参数包括Δx、Δy、Δz，分别表示火焰在X，Y，Z轴上的运动；Ex、Ey、Ez，表示火焰的膨胀或跳动；Sx(i)、Sz(i)，表示火焰在X、Z轴顶端的发散。

3.根据权利要求1所述的一种采样反馈的火焰模型参数自动获取与优化方法，其特征在于：所述步骤(2)中火焰模型的误差函数定义如下：

d＝f(Δx，Δy，Δz，Ex，Ey，Ez，Sx(i)，Sz(i))

其中d表示火焰模型的误差；Δx、Δy、Δz，分别表示火焰在X，Y，Z轴上的运动；Ex、Ey、Ez，表示火焰的膨胀或跳动；Sx(i)、Sz(i)，表示火焰在X、Z轴顶端的发散。

4.根据权利要求1所述的一种采样反馈的火焰模型参数自动获取与优化方法，其特征在于：所述步骤(4)中梯度下降法为利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使待优化的目标函数逐步减小；在每次迭代时，迭代步长ρ_k随着k的改变而改变，且满足

${\mathrm{\ρ}}_k\≥\frac{-\stackrel{\→}{w}\left(k\right)\stackrel{\→}{x_k}}{{\left|\right|\stackrel{\→}{x_k}\left|\right|}^2};$

其中

为迭代过程中第k次的取值，

s(k)表示梯度下降的搜索方向。

Images