CN107832558A

CN107832558A - 数字舞台创意场景智能生成方法

Info

Publication number: CN107832558A
Application number: CN201711224109.3A
Authority: CN
Inventors: 张福泉
Original assignee: Minjiang University
Current assignee: Beijing Qiaoniang Cultural Media Co ltd
Priority date: 2017-11-29
Filing date: 2017-11-29
Publication date: 2018-03-23
Anticipated expiration: 2037-11-29
Also published as: CN107832558B

Abstract

本发明涉及一种数字舞台创意场景智能生成方法。首先对舞台数据提取，并对舞台创意场景中的数据进行修正；其次采用遗传算法将修正后的数据进行三维曲面图像数据配准；最后利用3DGANs技术生成舞台创意场景并进行仿真实验。本发明利用3DGANs技术生成舞台创意场景虚拟仿真效果能够与实际舞台效果实时同步，多线程处理方式能够提高处理器利用率，有效缩短视频图像数据的读取时间、有效减少不同任务间的切换时间，提高了系统的吞叶量和并发度，为实现基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理提供了支撑平台。

Description

数字舞台创意场景智能生成方法

技术领域

本发明涉及一种数字舞台创意场景智能生成方法。

背景技术

3DGANs技术即三维生成式对抗网络，它要能够在训练舞台场景中学习出新的舞台场景，下一步的训练场景是新生成的场景，掌握目的舞台创意场景的模块分布，3DGANs技术就能够在模块分布中随机得到新的舞台场景，舞台场景模块的随机变量与新生成的场景是一一对应的关系，命令舞台创意场景的模块分布服从正态分布，即可得到一个创意场景的生成网络^[1]。

舞台场景设计的发展具有悠久的历史，在传统的舞台设计中一般只能够呈现出基础功能性素材，如布景、道具等，与舞台表演的相关性不高，缺乏系统性研究。随着西方歌剧、戏剧的不断发展，舞台设计在剧场化表演中越来越受到重视，向场景化发展，舞台设计中演员的表演形式与剧本中场景的体现成为设计者的重点考虑方面，在艺术手段和艺术高度上设计多行业多学科的跨度^[2]。近年来，随着舞台场景设计技术的不断发展，国内的舞台场景在创意平台在不断地更新，导演以及观众对舞台创意场景的艺术体现与视觉感受要求也越来越高，信息时代数字技术的不断发展，使得舞台场景设计与工程技术结合，现代舞台创意场景在不断地数字化、系统化、智能化。电视视觉影像的处理功能将舞台视觉效果从二维平面形式升级为多维空间结构，舞台空间的三维空间通过数字仿真技术建立出仿真模型^[3-4]，将策划者设计中的源视频、图片信息进行重分重组以及其他全部信息进行预处理。通过智能计算和仿真，创造一个与真实世界极度相似的虚拟世界，富有创意内涵的虚拟世界能够满足艺术家新的灵感，能够带给观众更加丰富的情感艺术，让表演的效果更加震撼，临场体验感极其逼真，体现了深度的“沉浸式、互动式”特征^[5-6]。舞台场景设计除了在三维空间效果设计，还要在听觉维度上进行延展与变化，这种多维度的舞台创意模式、以及三维立体化的创意形式给设计者创造了无限的想象空间。2008年北京奥运会开幕式舞台设计主要以中华文化为主线，加上多种视觉元素、球体投影技术等为辅线，舞台设计从场景、舞台运动、演出模式以及观众体验等都考虑的非常全面，给人们展现了一场视觉与听觉上的综合感官饕餮盛宴^[7]。2012年央视的春节联欢晚会的舞台设计大胆创新，运用和计算机技术变成完成舞台机械运动，与节目设计完美连接，180度的三维视觉背景与巨型LED的结合，给观众展现了一场丰富的舞台创意场景^[8]。2013年刘等^[9]提出一种动态舞台数字仿真及控制系统的设计与实现，为舞台控制提供依据，搭建三维绘制和控制引擎，建立有关时空架构的动态三维仿真模型。对舞美创意进行全方位、非线性效果呈现，并可输出舞美创意在仿真过程中的状态、位置等数据，进行舞台精准控制，其高效性与可靠性较强。

如何运用3DGANs技术生成舞台创意场景的仿真，直接关系到舞台创意场景的真实度，目前，GANs技术已经成为相关学者研究的重点课题，受到多领域从业人员越来越广泛的关注和研究。本发明通过3DGANs技术生成舞台创意场景的仿真研究，旨在综合应用虚拟现实、过程仿真和3D技术，研究基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理。通过对舞台数据提取、舞台创意场景中的数据修正、3DGANs技术生成舞台创意场景的仿真，实现了舞台创意场景的仿真效果与实际舞台效果实时同步，为实现基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理提供了支撑平台。

发明内容

本发明的目的在于提供一种数字舞台创意场景智能生成方法，利用3DGANs技术生成舞台创意场景虚拟仿真效果能够与实际舞台效果实时同步，多线程处理方式能够提高处理器利用率，有效缩短视频图像数据的读取时间、有效减少不同任务间的切换时间，提高了系统的吞叶量和并发度，为实现基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理提供了支撑平台。

为实现上述目的，本发明的技术方案是：一种数字舞台创意场景智能生成方法，包括如下步骤，

步骤S1、对舞台数据提取，并对舞台创意场景中的数据进行修正；

步骤S2、采用遗传算法将修正后的数据进行三维曲面图像数据配准；

步骤S3、利用3DGANs技术生成舞台创意场景并进行仿真实验。

在本发明一实施例中，所述步骤S1具体实现过程如下，

步骤S11、舞台数据提取：由于在3D舞台场景建模过程中，3D舞台场景是按照实际的舞台结构创建的，因此提取组成舞台的不同位置变化和姿态变化的多个单一维度数据；

步骤S12、对舞台创意场景中的数据进行修正：

舞台机械运动的加速阶段与减速阶段的运动状态并非线性转折，它是一种缓慢变化的过程，所以舞台上升运动、下降运动的线性部分用线性函数表示，而在运动的转变点即开始停止、开始上升、上升转下降、下降转上升状态用拟合二次函数来表示；舞台上升运动和下降运动中的速度等于转变点的最大速度，公式表示如下：

公式(1)中，H_m为舞台运动路程的一半，t_m为舞台运动时间一半，a为舞台做变速运动时的加速度，H_b是变速运动结束时的总路程；通过H_b可以得到舞台运动的转变点H₀，公式如下：

H₀为舞台运动的转变点即起点；

t_m为舞台运动时间一半，所以整个舞台运动的时间为t＝2t_m，通过路程与加速度、时间的关系可以得出以下计算公式：

H_f为舞台阶段性运动的总路程；从公式(3)可以推出变速运动的时间计算公式：

以及舞台上升运动、下降运动的线性运动速度计算公式：

在公式(4)、公式(5)的计算过程中，舞台做变速运动时的加速度的取值应满足以下要求，否则计算出的t_b、V是不正确的；

精准计算舞台升降时的加速度是控制整个舞台运动效果的关键部分，设舞台做变速运动时的加速度a不变，舞台做变速运动的次数为n，则实际运动总时间计算公式如下：

舞台设计时运动时间为：

公式(7)减公式(8)即可得到运动延迟时间值：

在舞台设计时，运动延迟时间ΔT能够实际测得，所以可以通过以上公式计算出舞台做变速运动时的加速度a；

在舞台做变速运动时的加速度a的推算过程中，利用舞台运动的设计时间t_d类似修正设计速度：

以上全过程包括了舞台上升和下降时变速运动的全部需要数据，对修正后的数据进行配准可解决舞台运动过程中设计效果与实际运动时间的延迟问题，能够更好地提升舞台运动效果以及保障演员安全。

在本发明一实施例中，所述步骤S2具体实现过程如下，

S21、进行适应度函数设计：采用舞台三维图像曲面匹配点之间z值平均差距D_aver；利用D_aver为D_sum与正常曲面直接的误差作为适应度函数为：

Ax+By+Cz＝D (11)

其中，a,b,c为外界的真实物理坐标x,y,z值，n为待舞台三维图像中的特征点数量，D_aver表示超过误差的距离，D_aver绝对值越小，表示匹配效果好，反之，说明匹配效果越差；

S22、遗传算法选择：采用轮盘赌选择算法，随机产生0-1直接的非整数，将根据选择的结果确定下一次选择的结果；在选取合适的数据结果后，需要进行交叉操作，即将寻去的结果进行一定的结果，组成一个新的结果，这种结合过程需要遵循一定的概率，以产生可进行下一代操作的新的数据，通过这种操作使得遗传算法的搜索能力大幅增加；对概率选择的计算方法如下：

式中，f_avg表示舞台匹配结果的适应度值，f_max表示最大值，f'表示两个结果比较的较大的适应度值；上式中P_c1，P_c2都是可计算出来的；

在进行变异操作的时候，整个过程与交叉过程有相似之处，也是依靠概率P_m的大小，进而影响整个算法的结果；此处采用自适应的变异概率，其计算表达式如下：

式中，f_avg适应度是平均计算结果，f_max为最大值，f表示单个值；

在进行曲面图像数据匹配的过程中，判断最终结果是十分必要的；当计算到一定程度，匹配过程必须终止，以保证算法的收敛性。

在本发明一实施例中，所述步骤S3具体实现过程如下，

3dGANs优化舞台创意场景模型是一个对立博弈的过程，利用自然语言处理来理解输入中的描述，生成网络输出一个准确、自然的图像，对文字进行表达；最后的目的视频图像输出时要能够与实际舞台效果相似度极高，难辨真伪，也就是将虚拟与现实的相似度无限的增大的过程；过程如下：

1)生成式模型分析

将输入的舞台创意场景信息映射为新的样本数据，当目标生成的样本总数形式为

Z＝{z₁,z₂,...,z_n} (17)

其中每个舞台创意场景主题z_i的关键特征可用一组关键词来表示：

W*＝{W₁,W₂,...,W_i...,W_n} (18)

则舞台创意场景主题j的第i个特征项权重可表示为：

式中：为特征t在舞台创意场景主题j中出现的频率；n_j为样本集中包含舞台创意场景主题j的数量；在此基础上，采用K-means方法对样本空间进行划分聚类，生成更加接近实际的样本数据集，其两样本点之间的距离为：

样本点间的平均距离为：

其中：为从n个样本点中取出两个点的组合数；已知舞台创意场景信息映射为新的样本数据总数，其中样本z_i的密度记作dens(z_i)，密度参数为q，连接2个数据点间的虽有路径为p_ij，连接2个数据点路径的数据个数为l，则捕捉实际训练样本的概率分布密度可表示为：

2)判别式模型分析

在确定实际训练样本的概率分布密度后，对输入的样本数据进行是否为采样自训练集还是生成样本集的判别，优化舞台创意场景特征，确定舞台创意信息与场景相对应的索引值为：

index＝(row-1)*n+col-1 (23)

其中，index为舞台创意信息与场景相对应的索引值，起始值为0，row为舞台横向创意信息；col为舞台竖向创意信息，n为创意场景中的舞台信息数；

以舞台创意场景构建为例，分别通过输入真实样本及生成样本为对比进行判别分析，输入真实样本x时，舞台创意场景的输出值，计算公式如下：

其中，souX为横坐标，souY为纵坐标，dexW为图像宽度，Height_max获取舞台创新信息最大范围，height获取舞台创新场景高度最新数据，P_n投影屏慕的规格；

输入生成样本G(z_i)时，舞台创意场景的输出值计算公式如下：

以dexH为判断当前输入是真实数据，还是生成数据的置信度，半段G生成数据的好坏，结果如下：

其中，dexX为横坐标，dexY为纵坐标，dexH判断当前输入数据的置信度，souY为源舞台场景数据中重分区域纵坐标；

综上，通过对生成样本数据并进行判别，可确定舞台创意场景在建设过程中的各参数，生成舞台创意场景真实度较高。

相较于现有技术，本发明具有以下有益效果：本发明通过3DGANs技术虚拟现实舞台场景仿真，研究基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理。通过对舞台数据提取、舞台创意场景中的数据修正、GANs技术生成舞台创意场景的仿真，仿真结果说明，3DGANs技术生成舞台创意场景虚拟仿真效果能够与实际舞台效果实时同步，多线程处理方式能够提高处理器利用率，有效缩短视频图像数据的读取时间、有效减少不同任务间的切换时间，提高了系统的吞叶量和并发度，为实现基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理提供了支撑平台。

附图说明

图1为舞台创意场景模型的建立流程。

图2为轮盘赌选择法。

图3为单点交叉。

图4为三维舞台场景生成流程。

图5为舞台场景动态三维效果。

图6为加速比与处理器数量的关系。

图7为并行效率与处理器数量的关系。

图8为舞台创意场景的仿真效果。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明的一种数字舞台创意场景智能生成方法，包括如下步骤，

步骤S3、利用3DGANs技术生成舞台创意场景并进行仿真实验。

本发明方法具体实现如下：

1舞台创意场景模型的建立(如图1所示)

1.1场景创建模块

(1)舞台模型的倒入接口：功能是将实际舞台倒入舞台创意场景模型、完成舞台模型的3D空间造型等。

(2)真实感模型创建模块：功能是完成3D舞台空间模型的建筑材料、装修材料、材料透明度等的设置，对舞台创意场景模型进行真实感的渲染。

(3)虚拟环境创建模块：功能是完成观众席，舞台搭建环境、天空、天气等场景的设置。

(4)舞台模型的对外接口：功能是将舞台虚拟仿真数据和实时信息进行交互传达，虚拟仿真系统能够把舞台场景模拟结果和场景流程数据完成仿真过程并进行进一步渲染和控制。

1.2舞台创意场景管理模块

(1)模型渲染：通过实际舞台的仿真数据来控制模型渲染模式，例如舞台状态变量、模型完成进度、模型完成顺序等。

(2)虚拟环境：根据舞台光照模型、场景环境、天气状态和舞台创意场景等数据进行渲染控制，完成虚拟环境创建。

(3)动态虚拟：根据舞台模型设计的运动模式和演员的行为路径等动态信息进行动态模拟和动画渲染，例如舞台的上升与下降、节目道具在舞台中的通过路径以及道具的变换等动态变化。

(4)视角与漫游：完成视角的放大、缩小、控制界面的缩放以及舞台3D动态的查看，按照舞台制定路径进行视点控制，实现舞台创意模型的多视角动态浏览。

1.3数据管理模块

通过数据管理模块平台管理舞台数据库的访问与管理，完成设置用户注册、用户访问权限设置、登录窗口与验证码设置，完成多部门协同工作管理、设置舞台场景模块数据访问与操作权限管理。

2.舞台场景数据的研究

2.1舞台数据提取

在3D舞台场景中，每个模块的运动有六个维度，即相互独立三个位移维度以及自身姿态变化的三个维度，自身姿态变化的三个维度如果用欧拉角来表示，不是相互独立的，但是如果把其姿态映射为绕自身坐标系三个轴的旋转，则是相互独立的，并且与旋转顺序无关。在舞台创意场景的三维模型中，模块本身的变化维度由欧拉角来表示。

在建模过程中，所有的数据提取都是按照实际的舞台结构创建的，所以舞台的不同位置变化和姿态变化是由用多个单一维度组成的，多个单一维度数据的提取简化了数据处理过程^[10,11]。

2.2舞台创意场景中的数据修正

舞台机械运动的加速阶段与减速阶段的运动状态并非线性转折，它是一种缓慢变化的过程，所以舞台上升运动、下降运动的线性部分用线性函数表示，而在运动的转变点即开始停止、开始上升、上升转下降、下降转上升状态用拟合二次函数来表示。舞台上升运动和下降运动中的速度等于转变点的最大速度，公式表示如下：

公式(1)中，H_m为舞台运动路程的一半，t_m为舞台运动时间一半，a为舞台做变速运动时的加速度，H_b是变速运动结束时的总路程。通过H_b我们可以得到舞台运动的转变点H₀，公式如下：

H₀为舞台运动的转变点即起点。

H_f为舞台阶段性运动的总路程。从公式(3)可以推出变速运动的时间计算公式：

以及舞台上升运动、下降运动的线性运动速度计算公式：

在公式(4)、公式(5)的计算过程中，舞台做变速运动时的加速度的取值应满足以下要求，否则计算出的t_b、V是不正确的。

舞台设计时运动时间为：

公式(7)减公式(8)即可得到运动延迟时间值：

在舞台设计时，运动延迟时间ΔT能够实际测得，所以我们可以通过以上公式计算出舞台做变速运动时的加速度a。

3.舞台三维曲面图像数据配准

场景的虚拟生成中，最为关键的技术在于三维曲面图像数据的配准。在2.2节完成舞台数据的修正后，选用适应度函数作为配准标准，并进行衡量，采用遗传算法对修正后的数据进行三维曲面图像配准。首先需要进行适应度函数设计。适应度在某种意义上说，是一种相似度，因此采用配准相似性逼近作为标准，需要采集两个曲面配准的互信息，这种互信息的表达是一个比较困难的课题，需要其他约束条件进行配合，本发明采用舞台三维图像曲面匹配点之间z值平均差距D_aver。利用D_aver为D_sum与正常曲面直接的误差作为适应度函数为：

Ax+By+Cz＝D (11)

其中，a,b,c为外界的真实物理坐标x,y,z值，n为待舞台三维图像中的特征点数量，D_aver表示超过误差的距离，D_aver绝对值越小，表示匹配效果好，反之，说明匹配效果越差。

如图2所示，遗传算法中的选择，主要是在众多匹配结果中选取出最好的匹配结果。当匹配结果全部已知的情况下，需要对匹配结果进行选取，找出最优匹配结果最为后期运算的基础数据。由于选择的标准一般都是根据某一个特点参数值作为阙值进行选取的，因此在选择前需要对相关参数进行合理的计算，本发明选取的就是适应度参数。根据遗传算法的原理，选择的结果会是匹配结果中的最优结果，这样，合理的匹配结果数量会大幅度增加。进行选取的方法比较多，本发明设计一种轮盘赌选择算法，该方法操作简单，时间复杂性比较低。为了选择最为合适的结果，选择的次数几轮完成。随机产生0-1直接的非整数，将根据选择的结果确定下一次选择的结果。第一轮随机数为0.4，则第4个结果为计算结果，如果随机数为0.2，则第2个结果为计算结果；依次类推。

在选取合适的数据结果后，需要进行交叉操作，所谓的交叉操作是将寻去的结果进行一定的结果，组成一个新的结果，这种结合过程需要遵循一定的概率，这样做的目的是为了产生可进行下一代操作的新的数据，通过这种操作使得遗传算法的搜索能力大幅增加。选择结合的概率P_c对整个算法有着较大的影响，如果选取不好很可能造成算法的不收敛。P_c越大，结合的新结果就越多，但是，也很可能造成算法的崩溃，造成结果失真。P_c越小，这种结合的速度就会变慢，结果偏少，严重影响后期的操作速度。因此，在遗传算法中选取合理的概率是十分重要的。针对这个问题，本发明对概率选择的计算方法如下：

交叉点的位置为5，如图3所示；

在进行变异操作的时候，整个过程与交叉过程有相似之处，也是依靠概率P_m的大小，进而影响整个算法的结果。如果P_m过大，整个搜索过程的随机性大大增加，使得算法失去意义，变为纯随机过程；一旦P_m过小，搜索速度会大幅度变慢。因此，变异概率的计算结果也是相当重要的。针对这个问题，可以采用自适应的变异概率，其计算表达式如下：

式中，f_avg适应度是平均计算结果，f_max为最大值，f表示单个值。

在进行曲面图像数据匹配的过程中，判断最终结果是十分必要的。当计算到一定程度，匹配过程必须终止，以保证算法的收敛性。在实验过程中可以看出，算法的大部分过程都可以在不多的迭代次数中完成计算，所以，可结合次数完成相关参数值的设定。比如当最大迭代次数设定为50次，当迭代算法终止时，D_aver取最小值，此时表明两曲面之间的互信息达到最大，即实现最佳配准。

4.3DGANs技术生成舞台创意场景的仿真

在实现三维曲面图像数据匹配的最佳配准后，利用3DGANs技术进行创意舞台场景的构建仿真。2016年，ReedS和AkataZ提出生成对抗网络(GenerativeAdversarialNets，GANs)^[12]，即文由字到图像合成的转化过程，文章详细描述了怎样运用GANs把文字转化成图像的具体过程。由生成式模型(generativemodel，G)和判别式模型(discriminativemodel，D)组成，G模型捕捉随机分布的源数据，D模型的功能是对输入的源数据进行选择，D模型所选择的较真实的数据再次输入到G模型进行捕捉，反复更替，不断优化目的数据，最后G模型检测到源数据的分布特征，输出目的数据^[13-15]。

3dGANs优化舞台创意场景模型是一个对立博弈的过程，利用自然语言处理来理解输入中的描述，生成网络输出一个准确、自然的图像，对文字进行表达。最后的目的视频图像输出时要能够与实际舞台效果相似度极高，难辨真伪，也就是将虚拟与现实的相似度无限的增大的过程。过程如下：

1)生成式模型分析

将输入的舞台创意场景信息映射为新的样本数据，当目标生成的样本总数形式为：

Z＝{z₁,z₂,...,z_n} (17)

W*＝{W₁,W₂,...,W_i...,W_n} (18)

则舞台创意场景主题j的第i个特征项权重可表示为：

式中：为特征t在舞台创意场景主题j中出现的频率；n_j为样本集中包含舞台创意场景主题j的数量。在此基础上，采用K-means方法对样本空间进行划分聚类，生成更加接近实际的样本数据集，其两样本点之间的距离为：

样本点间的平均距离为：

其中：为从n个样本点中取出两个点的组合数。已知舞台创意场景信息映射为新的样本数据总数，其中样本z_i的密度记作dens(z_i)，密度参数为q，连接2个数据点间的虽有路径为p_ij，连接2个数据点路径的数据个数为l，则捕捉实际训练样本的概率分布密度可表示为：

2)判别式模型分析

index＝(row-1)*n+col-1 (23)

其中，index为舞台创意信息与场景相对应的索引值，起始值为0，row为舞台横向创意信息。col为舞台竖向创意信息，n为创意场景中的舞台信息数。

以下是以舞台创意场景构建为例，分别通过输入真实样本及生成样本为对比进行判别分析，输入真实样本x时，舞台创意场景的输出值，计算公式如下：

其中，souX为横坐标，souY为纵坐标，dexW为图像宽度，Height_max获取舞台创新信息最大范围，height获取舞台创新场景高度最新数据，P_n投影屏慕的规格。

其中，dexX为横坐标，dexY为纵坐标，dexH判断当前输入数据的置信度，souY为源舞台场景数据中重分区域纵坐标。

综上所述，通过对生成样本数据并进行判别，可确定舞台创意场景在建设过程中的各参数，生成舞台创意场景真实度较高，需进一步进行实验验证。

5.实验结果及仿真分析

采用windows操作系统，并运用3DGANs技术作为三维建模工具，模型脚本语言采用MEL(MayaEmbeddedLanguage)，为数据提取和动画制作语言，主要开发语言为C++，VisualStudio为开发IDE。采用CryEngine为仿真平台，作为仿真系统的视觉表现部分，数据协同服务器采用ApacheTomcat，服务器端采用Java编程语言。

仿真实验过程中要对舞台数据进行处理和同步，同时还要将处理好的数据及时输入到显示系统中，以连续、直观的形式展现三维舞台场景^[16-18]。舞台创意场景的仿真展现过程需要使用大量的模型、图片、视频以及音频素材。因此，本实验的硬件配置为：计算能力较强大的I73770CPU、内存大小为8G、大小为2T、速度为2700转的硬盘，以及渲染能力较强的GTX680显卡。通过仿真模拟，实时展现舞台效果，判定其可实施性，三维舞台场景生成流程如图4。

5.1舞台场景动态三维效果

运用3DGANs技术作为建立舞台的动态三维仿真模型，通过读取修正后的舞台创意场景中机械运动数据，精准计算舞台场景中每个模块的实时空间位置关系，对整个舞台运动变化过程进行全方位建模，舞台场景动态三维效果如图5。

5.2系统性能分析

向系统中输入20个图片文件，每个图片格式为.jpg、大小为105kb，6个视频文件，格式为.avi、时长14秒。实验结果见表1。从处理器利用率、视频图像数据的读取时间、处理时间及写入时间等方面分析系统的性能，多线程处理方式能够提高处理器利用率，有效缩短视频图像数据的读取时间、有效减少不同任务间的切换时间，占用系统内存小，提高了系统的吞叶量和并发度。

表1系统性能分析表

图6和图7是不同处理器多线程并行处理下，加速比/并行效率与处理器数量的关系。由图6可以看出，随着处理器数量的增加，加速比随之增大，当处理器数目大于20后，加速比缓慢增加。由图7可以看出，处理器的数量增加可以提高系统的并行运行效率，但在处理器数目小于20时，效率增加的幅度较为明显。处理器数目大于20时，并行计算的效率增加幅度较小，且在处理器数目为20时，并行效率即可达到75％以上。综合表1与图6，可知最佳的处理器数量应选取为20。

5.3舞台创意场景的仿真效果

运用文献[9]与本发明方法，将源视频数据与目的视频数据通过重分重组后得相应的图像数据，将该计算结果输入到舞台创意场景的仿真模型上，整合舞台创意场景的仿真效果与实际舞台效果，整合结果如图8。

由图8可以看出，文献中的仿真结果仅可以模糊显示舞台整体效果，虽然仿真度较高，但其视点较低，可视范围相对小，不能具体表述人员及道具的具体位置。本发明仿真得到的舞台创意场景的效果较为真实，且可以精确标注各人员及道具位置，符合实际舞台效果，能为舞台效果实时过程提供参考。且视点相对较高，可视范围相对较大，对于舞台地形的细节特征描述较为准确。

结语

随着实现舞台创意场景技术的不断发展，数字化虚拟舞台已经进入裸眼3D技术的时代，虚拟仿真效果与实际舞台效果已经完全实现无缝对接，舞台创意场景的3D效果给观众带来更加震撼的视觉冲击，在人文情怀和艺术创意方面都上升了一个层次。本发明通过3DGANs技术虚拟现实舞台场景仿真，研究基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理。通过对舞台数据提取、舞台创意场景中的数据修正、GANs技术生成舞台创意场景的仿真，仿真结果说明，3DGANs技术生成舞台创意场景虚拟仿真效果能够与实际舞台效果实时同步，多线程处理方式能够提高处理器利用率，有效缩短视频图像数据的读取时间、有效减少不同任务间的切换时间，提高了系统的吞叶量和并发度，为实现基于3DGANs技术生成舞台创意场景虚拟仿真与动态管理提供了支撑平台。

参考文献：

[1]Fergus R,Fergus R,Fergus R,et al.Deep generative image modelsusing a Laplacian pyramid of adversarial networks[C]//InternationalConference on Neural Information Processing Systems.MIT Press,2015:1486-1494.

[2]Wang K F,Gou C,Duan YJ,et al.Generative Adversarial Networks:TheState of the Art and Beyond[J].Acta Automatica Sinica,2017,43(3):321-332.

[3]Geng L W.Communications Network Routing Design of Theatre ofConfrontation[J].Bulletin of Science and Technology,2016,32(11):154-157.

[4]Qiu H,Wang K,Yang H.Network alerts depth information fusion methodbased on time confrontation[J].Journal of Computer Applications,2016,36(2):499-504.

[5]Lü F,Ma K Y,Ye D H.Electronic Countermeasures System OptimizationResearch on Network Intrusion Detection Technology[J].Computer Measurement&Control,2017,25(6):219-222.

[6]Bosch M,Li G,Wang K.A two-stage video object segmentation usingmotion and color information[C]//IEEE International Conference on ImageProcessing.IEEE,2015:3916-3920.

[7]Wang J,Xie Z G,Lv D H,et al.Stage chasing light design based onultrasonic positioning[J].Electronic Design Engineering,2016,24(4):4-6.

[8]XU Y F.The Review of Generative Adversarial Network's TheoryModels and Applications[J].Journal of Jinhua Polytechnic,2017,17(3):81-88.

[9]Liu Y K,Ding G Y,Li L J.Design and Implementation of DigitalSimulation and Control System for Dynamic Stage

[J].Computer Simulation,2013,30(6):414-418.

[10]Niemeyer J,Rottensteiner F,Soergel U,et al.ContextualClassification of Point Clouds Using a Two-Stage Crf[J].Computer&InformationTechnology,2015,2(3):141-148.

[11]Wang Q,Lu Y,Sun S.Text detection in nature scene images usingtwo-stage nontext filtering[C]//International Conference on Document Analysisand Recognition.IEEE,2015:106-110.

[12]Shahriari M,Bergevin R.A Two-Stage Outdoor-Indoor SceneClassification Framework:Experimental Study for the Outdoor Stage[C]//International Conference on Digital Image Computing:Techniques andApplications.IEEE,2016:1-8.

[13]Dima V.The sonorous void:Acoustic stages and sound play in EugeneIonesco’s Rhinoceros[J].Scene,2016,4(1):77-88.

[14]Piya C,Vinayak V,Zhang Y,et al.RealFusion:An Interactive Workflowfor Repurposing Real-World Objects towards Early-stage Creative Ideation[C]//Graphics Interface Conference.Canadian Human-Computer Communications Society,2016:85-92.

[15]Stenberg J.Three Relations between History and Stage in the KunjuScene Slaying the Tiger General[J].Asian Theatre Journal,2015,32(1):107-135.

[16]Linsley D,Macevoy S P.Encoding-Stage Crosstalk Between Object-andSpatial Property-Based Scene Processing Pathways.[J].2015,25(8):232-236.

[18]Wang J,Yonghua L U,Liu J,et al.A robust three-stage approach tolarge-scale urban scene recognition[J].Science China,2017,60(10):101-104.。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims

1.一种数字舞台创意场景智能生成方法，其特征在于：包括如下步骤，

步骤S3、利用3DGANs技术生成舞台创意场景并进行仿真实验。

2.根据权利要求1所述的数字舞台创意场景智能生成方法，其特征在于：所述步骤S1具体实现过程如下，

步骤S12、对舞台创意场景中的数据进行修正：

H₀为舞台运动的转变点即起点；

以及舞台上升运动、下降运动的线性运动速度计算公式：

<mrow> <mi>a</mi> <mo>&GreaterEqual;</mo> <mfrac> <mrow> <mn>4</mn> <mi>a</mi> <mrow> <mo>(</mo> <msub> <mi>H</mi> <mi>f</mi> </msub> <mo>-</mo> <msub> <mi>H</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> </mrow> <msup> <mi>t</mi> <mn>2</mn> </msup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>T</mi> <mi>r</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mi>H</mi> <mrow> <mi>f</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>H</mi> <mrow> <mn>0</mn> <mi>i</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> </mfrac> <mo>+</mo> <mfrac> <msub> <mi>v</mi> <mi>i</mi> </msub> <mi>a</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

舞台设计时运动时间为：

<mrow> <msub> <mi>T</mi> <mi>d</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mfrac> <mrow> <mo>|</mo> <mrow> <msub> <mi>H</mi> <mrow> <mi>f</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>H</mi> <mrow> <mn>0</mn> <mi>i</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> <msub> <mi>v</mi> <mi>i</mi> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

公式(7)减公式(8)即可得到运动延迟时间值：

<mrow> <mi>&Delta;</mi> <mi>T</mi> <mo>=</mo> <msub> <mi>T</mi> <mi>r</mi> </msub> <mo>-</mo> <msub> <mi>T</mi> <mi>d</mi> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>v</mi> <mi>i</mi> </msub> </mrow> <mi>a</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

3.根据权利要求1所述的数字舞台创意场景智能生成方法，其特征在于：所述步骤S2具体实现过程如下，

Ax+By+Cz＝D (11)

<mrow> <msub> <mi>D</mi> <mrow> <mi>s</mi> <mi>u</mi> <mi>m</mi> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>D</mi> <mi>k</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>P</mi> <mi>c</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mn>2</mn> </mrow> </msub> <mo>)</mo> <mo>(</mo> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> <mo>)</mo> </mrow> <mrow> <msub> <mi>f</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mo>&GreaterEqual;</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>c</mi> <mn>1</mn> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msup> <mi>f</mi> <mo>&prime;</mo> </msup> <mo><</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>P</mi> <mi>m</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> </msub> <mo>-</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mn>2</mn> </mrow> </msub> <mo>)</mo> <mo>(</mo> <msub> <mi>f</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mi>f</mi> <mo>)</mo> </mrow> <mrow> <msub> <mi>f</mi> <mi>max</mi> </msub> <mo>-</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>f</mi> <mo>&GreaterEqual;</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mn>1</mn> </mrow> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>f</mi> <mo><</mo> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>v</mi> <mi>g</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>

4.根据权利要求1所述的数字舞台创意场景智能生成方法，其特征在于：所述步骤S3具体实现过程如下，

1)生成式模型分析

Z＝{z₁,z₂,...,z_n} (17)

W*＝{W₁,W₂,...,W_i...,W_n} (18)

则舞台创意场景主题j的第i个特征项权重可表示为：

<mrow> <msubsup> <mi>w</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>tf</mi> <mi>j</mi> <mi>i</mi> </msubsup> <mo>&times;</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>N</mi> <mo>/</mo> <msub> <mi>n</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>&Element;</mo> <mi>d</mi> </mrow> </msub> <msup> <mrow> <mo>&lsqb;</mo> <msubsup> <mi>tf</mi> <mi>i</mi> <mi>d</mi> </msubsup> <mo>&times;</mo> <msub> <mi>log</mi> <mi>n</mi> </msub> <mrow> <mo>(</mo> <mi>N</mi> <mo>/</mo> <msub> <mi>n</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>

样本点间的平均距离为：

<mrow> <mi>D</mi> <mi>i</mi> <mi>s</mi> <mi>t</mi> <mo>=</mo> <mfrac> <mn>1</mn> <msubsup> <mi>C</mi> <mi>n</mi> <mn>2</mn> </msubsup> </mfrac> <mo>&Sigma;</mo> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>21</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>d</mi> <mi>e</mi> <mi>n</mi> <mi>s</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mfrac> <mn>1</mn> <mrow> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </munder> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msup> <mi>q</mi> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>22</mn> <mo>)</mo> </mrow> </mrow>

2)判别式模型分析

index＝(row-1)*n+col-1 (23)

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mi>o</mi> <mi>u</mi> <mi>X</mi> <mo>=</mo> <mrow> <mo>(</mo> <mi>c</mi> <mi>o</mi> <mi>l</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>*</mo> <mi>d</mi> <mi>e</mi> <mi>x</mi> <mi>W</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>s</mi> <mi>o</mi> <mi>u</mi> <mi>Y</mi> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <msub> <mi>Height</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mi>h</mi> <mi>e</mi> <mi>i</mi> <mi>g</mi> <mi>h</mi> <mi>t</mi> <mo>)</mo> </mrow> <msub> <mi>P</mi> <mi>n</mi> </msub> </mfrac> <mo>+</mo> <mn>0.5</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>24</mn> <mo>)</mo> </mrow> </mrow>