CN112802161A - 一种三维虚拟角色智能蒙皮方法 - Google Patents

Abstract

本发明属于三维动态图形处理技术领域，具体涉及一种基于深度学习的三维虚拟角色智能蒙皮方法，具体工艺过程包括：生成骨骼(几何收缩、边缘折叠、骨骼优化)和蒙皮智能预测(特征提取、模型构建、模型训练、蒙皮预测)，只需要三维虚拟角色的网格模型，就能够自动完成骨骼生成、绑定、蒙皮权重赋值工作，应用于不同复杂程度的网格模型时都能得到良好的效果，直接为构建的三维虚拟角色完成骨骼绑定和权重赋值，面对高精度、顶点数量、面片数量巨大的三维模型时，能够大大缩短骨骼蒙皮动画的制作时间，降低成本，动画制作的效果生动、自然，简化了三维动画制作的复杂度，可应用于骨骼蒙皮动画制作技术领域，前景广阔。

Description

一种三维虚拟角色智能蒙皮方法

技术领域：

本发明属于三维动态图形处理技术领域，具体涉及一种基于深度学习的三维虚拟角色智能蒙皮方法。

背景技术：

三维动画的制作主要是利用计算机图形学方法，在视觉上实现构建的虚拟角色在三维空间中运动的效果。骨骼蒙皮法，是目前使用最多的三维动画方法，应用这种方法的三维模型包括骨骼和蒙皮两部分：骨骼为骨骼层次树结构，有一个根骨骼和多个根骨骼的子孙骨骼；蒙皮为三维模型的每个顶点受控制的骨骼编号，以及其受控制的骨骼影响权重。骨骼蒙皮法原理简单，效果出色：将整个三维模型的蒙皮作为一个整体，在骨骼控制下，通过顶点混合动态计算不同运动姿态下蒙皮的顶点位置。在整个骨骼蒙皮三维动画制作中，蒙皮是影响三维虚拟角色运动效果的决定性因素。

在现有技术中，中国专利201811599856.X公开的一种基于高精度三维扫描模型的制作计算机蒙皮动画的方法，首先用三维扫描仪扫描的数字三维模型骨架线，利用骨骼的动作模板库，完成骨骼绑定，计算蒙皮权重，实时更新模型顶点坐标，完成计算机蒙皮动画，具体包括如下步骤：(1)提取高精度三维模型的骨架线；(2)将步骤(1)提取的三维模型骨架线与模板库中的骨骼做空间坐标的匹配；(3)计算三维模型骨架线的各顶点与步骤(2)匹配的模板库中骨骼的各骨骼节点的空间欧式距离，所述骨骼节点的空间欧式距离的倒数平方和即为与该骨骼节点相匹配的三维模型骨架线的顶点的权重；(4)重复步骤(3)，计算三维模型骨架线的各顶点的权重，所述顶点的权重即为相匹配的骨骼节点的权重，作为最终的蒙皮权重；(5)通过骨骼的层级关系：pos＝pos0*M0*W0+pos1*M1*W1+pos i*M i*W i计算顶点新的坐标值，其中pos为新的顶点坐标值，pos0为骨骼节点0的坐标值，pos1为骨骼节点1的坐标值，pos i为骨骼节点i的坐标值，M0为骨骼节点0的变换矩阵，M1为骨骼节点1的变换矩阵，Mi为骨骼节点i的变换矩阵，W0为骨骼节点0的权重，W1为骨骼节点1的权重，Wi为骨骼节点i的权重；(6)在一个连续的时间段内取每一帧的骨骼节点数据，重复步骤(5)，计算每一帧三维模型骨架线的顶点坐标，即制作完成计算机蒙皮动画。中国专利201910281847.4公开的一种虚拟角色的蒙皮方法，包括：加载虚拟角色的三维模型以及与所述虚拟角色对应的骨骼数据，其中，所述三维模型对应有所述虚拟角色的多个顶点的网格数据，所述骨骼数据对应有多个关节点的数据；确定所述网格数据中每个所述顶点的顶点特征以及所述骨骼数据中每个所述顶点至各个关节点的距离特征；拟合所述顶点特征和所述距离特征，以得到所述虚拟角色各个顶点的绑定特征，其中，所述绑定特征用于确定每个关节点与顶点的绑定权值；利用所述绑定权值对所述虚拟角色执行蒙皮操作，将所述三维模型绑定到所述虚拟角色的骨骼上。其在对三维虚拟角色进行蒙皮的操作过程中，需要手动完成骨骼绑定，想要达到更为真实、自然的动作效果，严重依赖设计师的经验，需要大量的手工辅助，反复调整蒙皮权重，不断优化，工作量大。因此，研发设计一种三维虚拟角色智能蒙皮方法，摒除依靠手工辅助、经验累积的三维动画制作方式，十分必要且具有实际意义。

发明内容：

本发明的目的在于克服现有技术存在的缺点，寻求设计一种三维虚拟角色智能蒙皮方法，基于深度学习，实现简单的、高精度的三维虚拟角色的动画制作。

为了实现上述目的，本发明涉及的三维虚拟角色智能蒙皮方法的工艺过程为：

1、生成骨骼：采用网格塌缩方法获取三维虚拟角色的骨骼；

1.1几何收缩：

利用拉普拉斯平滑算法将网格的顶点沿其曲率法线方向移动，以模糊细节和收缩模型；通过3DS MAX建模软件构建三维虚拟角色，并按照固定格式输出，获得其网格数据G＝(V,E,F)，其中，V为经过归一化处理后的网格顶点坐标矩阵，E为网格边集合，F为网格面集合；

进行收缩迭代；

1.2边缘折叠

采用贪心算法合并顶点；

1.3骨骼优化

计算骨骼关节点i的形成过程中合并到点v_i的所有点的平均位移，根据平均位移计算优化后的骨骼关节点

的位置，完成三维虚拟角色骨骼自动生成；

2蒙皮智能预测

2.1特征提取

计算任一网格顶点v_i到任一邻域点v_j的距离d_i,j，将距离按照升序进行排列，获得排列好的邻域点序号集合R＝[r₁,r₂,…,r_J]，J为v_i的邻域点数量，取距离最短的前5个邻域点，当邻域点不足5个时，重复最后一个邻域点和距离；

采用基于热传播的测地距离计算方法，计算任一网格顶点v_i到任一骨骼b_r的测地线距离l_i,r，将网格顶点v_i到全部骨骼的测地线距离，将测地线距离按照升序进行排列，获得排列好的骨骼序列号集合S＝[s₁,s₂,…,s_K]，取测地线距离最短的前5个骨骼；依次提取出三维虚拟角色的全部网格顶点特征向量；

2.2模型构建

依托于开源深度学习框架Caffe2，构建如图2所示的网络模型；

2.3模型训练

准备一组用于训练的三维虚拟角色网格模型，通过步骤1对每个模型完成骨骼自动生成，利用3DS MAX建模软件进行蒙皮权重手动赋值，得到每个模型的蒙皮权重；

按照步骤2.1完成输入数据准备，通过步骤2.2的网络模型进行训练，并采用交叉熵损失函数使生成的蒙皮权重能够尽可能匹配训练模型的蒙皮权重，训练过程中，一个训练周期的数据量为2个三维虚拟角色网格模型，学习率为10^-4，训练完成后，保留训练后的模型参数；

2.4蒙皮预测

准备任意三维虚拟角色网格模型，通过步骤1完成骨骼自动生成，按照步骤2.1提取模型特征数据作为输入，构建网络结构，读取网络参数，最终输出三维虚拟角色的蒙皮权重，将三维虚拟角色网格模型的顶点、面片、蒙皮权重按照FBX标准格式保存，并导入3DSMAX建模软件中，通过拖动骨骼驱动网格发生自然形变和位移。

本发明步骤2.1提取的三维虚拟角色的全部网格顶点特征向量为输入，三维虚拟角色的蒙皮权重为输出。

本发明与现有技术相比，只需要三维虚拟角色的网格模型，就能够自动完成骨骼生成、绑定、蒙皮权重赋值工作，应用于不同复杂程度的网格模型时都能得到良好的效果，直接为构建的三维虚拟角色完成骨骼绑定和权重赋值，面对高精度、顶点数量、面片数量巨大的三维模型时，能够大大缩短骨骼蒙皮动画的制作时间，降低成本，动画制作的效果生动、自然，简化了三维动画制作的复杂度，可应用于骨骼蒙皮动画制作技术领域，前景广阔。

附图说明：

图1为本发明涉及的α_ij和β_ij的示意图。

图2为本发明涉及的模型架构示意图。

具体实施方式：

下面通过实施实例并结合附图对本发明做进一步描述。

实施例1：

本实施例涉及的三维虚拟角色智能蒙皮方法的工艺过程为：

1、生成骨骼：采用网格塌缩方法获取三维虚拟角色的骨骼；

1.1几何收缩：

利用拉普拉斯平滑算法将网格的顶点沿其曲率法线方向移动，以模糊细节和收缩模型；通过3DS MAX建模软件构建三维虚拟角色，并按照固定格式输出，获得其网格数据G＝(V,E,F)，其中，V为经过归一化处理后的网格顶点坐标矩阵，E为网格边集合，F为网格面集合；进行收缩迭代，收缩迭代过程如下：

1.1.1计算拉普拉斯平滑矩阵L：

构建大小为c×c的拉普拉斯平滑矩阵L，c为三维虚拟角色的网格顶点数，每个元素的数值由公式1：

表示，其中，N(i)为顶点v_i的邻域顶点集合，α_ij为顶点v_i、v_j+1、v_j形成的夹角，β_ij为v_i、v_j-1、v_j形成的夹角，E为网格边集合；

1.1.2通过公式2：

计算第t次迭代后的网格顶点矩阵V^t+1，其中，

为第t次迭代时的收缩权重，L^t为第次迭代时的拉普拉斯平滑矩阵，

为第次迭代时的吸引权重，V^t为第t-1次迭代后的网格顶点矩阵，初始设置

为原始网格面的平均面积，初始设置

的元素值均为1.0，矩阵大小为1×n，V⁰为原始网格顶点坐标矩阵，矩阵大小为c×3，L⁰为原始网格计算的拉普拉斯平滑矩阵，t∈N，N为自然数；

1.1.3通过公式3：

计算第t次迭代后的三维虚拟角色的网格总面积A^t，其中，

表示第t次迭代后网格中第f个面片的面积，根据终止迭代条件公式4：

判断是否终止迭代；

1.1.4通过公式5：

更新收缩权重W_L和吸引权重矩阵W_H，其中，s_L＝2.0，

为更新后的收缩权重，

为第t次迭代时的收缩权重，

为更新后的吸引权重矩阵中第i个元素的值，

为初始吸引权重矩阵

中第i个元素的值，

为原始网格中第i个顶点的第f个邻域的面积，

F(i)为顶点i的邻域的面集合，i∈c；

1.1.5更新拉普拉斯平滑矩阵L：通过公式2计算获得收缩后的网格顶点坐标矩阵V^t+1，通过公式1重新计算获得新的拉普拉斯平滑矩阵L^t+1；

1.1.6重复步骤1.1.2、1.1.3、1.1.4和1.1.5，直到满足1.1.3中的终止迭代条件，获得经过几何收缩后的网格顶点坐标矩阵

1.2边缘折叠

通过步骤1.1获得经过几何收缩后的网格总面积接近于0，视觉上是一个由线(边)构成的骨骼结构，实际上原网格的边和面仍然存在，需要将顶点合并，完成边和面的折叠，获得三维虚拟角色的骨骼B；采用贪心算法合并顶点，以保障保留下的骨骼拓扑结构为最优，贪心算法基本步骤为：

1.2.1任意选定一个初始边(i,j)∈E；

1.2.2借助邻域的顶点k，采用原则：

判断是否能够将顶点j合并到顶点i；

1.2.3当顶点j能够合并到顶点i时，计算合并后的形状损耗和采样损耗：

①通过公式6：

计算顶点j合并到顶点i后，即边(i,j)和边(j,k)折叠生成边(i,k)，产生的形状损耗，其中，

m_x、m_y、m_z分别为边(i,j)归一化后的向量m在XYZ方向上的分量，向量

为

中的第i个顶点，n_x、n_y、n_z分别为向量n在XYZ方向上的分量，p_x、p_y、p_z分别为边(j,k)归一化后的向量p在XYZ方向上的分量，向量

为

中的第j个顶点，q_x、q_y、q_z分别为向量q在XYZ方向上的分量，

为

的转置，K_ij ^T为K_ij的转置，K_jk ^T为K_jk的转置；

②通过公式7：

计算顶点j合并到顶点i后产生的采样损耗，其中，

为顶点合并后的网格边集合，

为

中的第k个顶点；

③通过公式8：G(i,j)＝ω_aG_a(i,j)+ω_bG_b(i,j)，计算顶点j合并到顶点i后的总损耗，根据经验设置ω_a＝1.0，ω_b＝0.1；

1.2.4统计与顶点v_j共边的全部顶点，分别计算合并后的总损耗，确定总损耗最小的顶点(假设为顶点v_k)；

1.2.5重复步骤1.2.2、1.2.3和1.2.4，依次判断是否将后一个顶点合并到前一个顶点,将合并的顶点存入容器中，容器为R_i＝{v_l}_{l∈(1,…,c)}，直至遍历完全部顶点后，折叠并删除多余的边和面，获得完整保留了三维虚拟角色的骨骼关节点和骨骼关节点连线；

1.3骨骼优化

经过步骤1.1和1.2后，无法保障全部骨骼关节点都在三维虚拟角色局部网格区域的中心位置，甚至有的骨骼关节点会在三维虚拟角色的模型网格之外，需要对这些点进行优化：

通过公式9：

计算骨骼关节点i的形成过程中合并到点v_i的所有点的平均位移，其中，c_i为骨骼关节点

的合并点容器R_i中点的总数；

通过公式10：

计算优化后的骨骼关节点

的位置，完成三维虚拟角色骨骼自动生成，骨骼B＝{b_r}_r＝1,…,K，其中，b_r为第r个骨骼，由两个骨骼关节点构成，

K为最后生成的骨骼数量，骨骼关节点数为K+1；

2蒙皮智能预测

2.1特征提取

三维虚拟角色的网格顶点的特征向量包括其自身、直线距离最短的前5个邻域点、最短的前5个直线距离的倒数、测地线距离最短的前5个骨骼和最短的前5个测地线距离的倒数；

计算任一网格顶点v_i到任一邻域点v_j的距离d_i,j，将距离按照升序进行排列，获得排列好的邻域点序号集合R＝[r₁,r₂,…,r_J]，J为v_i的邻域点数量，取距离最短的前5个邻域点，当邻域点不足5个时，重复最后一个邻域点和距离；

采用基于热传播的测地距离计算方法(由Keenan Crane等于2013年提出)，计算任一网格顶点v_i到任一骨骼b_r的测地线距离l_i,r，将网格顶点v_i到全部骨骼的测地线距离，将测地线距离按照升序进行排列，获得排列好的骨骼序列号集合S＝[s₁,s₂,…,s_K]，取测地线距离最短的前5个骨骼；

网格顶点v_i特征向量为：

依次提取出三维虚拟角色的全部网格顶点特征向量；其中，v_i为第，i个网格顶点，

为v_i的邻域点中距离第一近的顶点，依次，

为v_i的邻域点中距离第五近的顶点，

为

与v_i距离的

倒数，依次，

为

与v_i距离的

倒数，

为到v_i测地线距离第一近的骨骼，依次，

为到v_i测地线距离第五近的骨骼，

为

到v_i测地线距离

的倒数，依次，

为

到v_i测地线距离

的倒数；

2.2模型构建

依托于Caffe2开源深度学习框架，按照图2所示的架构构建模型，其中，MLP为多层感知机(Multi Layer Perceptron)，用于训练注意力权重，MLP均包含一个输入层、一个隐含层、一个输出层，MLP隐含层的激活函数为tanh；max pool为最大池化层，用于降低缩减模型大小，提升计算速度，同时提高提取特征的鲁棒性；concat为连接层，将按照顺序将特征表达串联为一个向量；

2.3模型训练

准备一组用于训练的三维虚拟角色网格模型，用于训练的三维虚拟角色为人物或动物，具有明显的骨骼结构，能够进行多种运动，通过步骤1对每个模型完成骨骼自动生成，利用3DS MAX建模软件进行蒙皮权重手动赋值，得到每个模型的蒙皮权重

其中，

按照步骤2.1完成输入数据准备，通过步骤2.2的网络模型进行训练，并采用交叉熵损失函数：

使生成的蒙皮权重能够尽可能匹配训练模型的蒙皮权重，其中，B＝{b_r}_r＝1,…,K，为三维虚拟角色的骨骼集合，

为通过3DS MAX建模软件设置的骨骼b_r对顶点v_i的权重，

为模型计算获得的骨骼b_r对顶点v_i的权重，一个训练周期的数据量为2个三维虚拟角色网格模型，学习率为10^-4，训练完成后，保留训练后的模型参数；

2.4蒙皮预测

准备用于预测的三维虚拟角色网格模型，用于预测的三维虚拟角色为人物或动物，具有明显的骨骼结构，能够进行多种运动，通过步骤1完成骨骼自动生成，按照步骤2.1提取模型特征数据作为输入，构建网络结构，读取网络参数，最终输出三维虚拟角色的蒙皮权重，将三维虚拟角色网格模型的顶点、面片、蒙皮权重按照FBX标准格式保存，并导入3DSMAX建模软件中，通过拖动骨骼驱动网格发生自然形变和位移。

本实施例涉及的收缩迭代能够防止网格全部顶点被过度收缩到同一个位置，通过在迭代过程中调整收缩权重W_L、吸引权重矩阵W_H以及拉普拉斯平滑矩阵L，保障网格逐步收缩为骨骼结构。

Claims (9)

1.一种三维虚拟角色智能蒙皮方法，其特征在于：工艺过程包括：

S1、生成骨骼：采用网格塌缩方法获取三维虚拟角色的骨骼；

1.1几何收缩：

利用拉普拉斯平滑算法将网格的顶点沿其曲率法线方向移动，以模糊细节和收缩模型；通过3DS MAX建模软件构建三维虚拟角色，并按照固定格式输出，获得其网格数据G＝(V,E,F)，其中，V为经过归一化处理后的网格顶点坐标矩阵，E为网格边集合，F为网格面集合；

进行收缩迭代；

1.2边缘折叠

采用贪心算法合并顶点；

1.3骨骼优化

计算骨骼关节点i的形成过程中合并到点v_i的所有点的平均位移，根据平均位移计算优化后的骨骼关节点

的位置，完成三维虚拟角色骨骼自动生成；

S2蒙皮智能预测

2.1特征提取

计算任一网格顶点v_i到任一邻域点v_j的距离d_i,j，将距离按照升序进行排列，获得排列好的邻域点序号集合R＝[r₁,r₂,…,r_J]，J为v_i的邻域点数量，取距离最短的前5个邻域点，当邻域点不足5个时，重复最后一个邻域点和距离；

采用基于热传播的测地距离计算方法，计算任一网格顶点v_i到任一骨骼b_r的测地线距离l_i,r，将网格顶点v_i到全部骨骼的测地线距离，将测地线距离按照升序进行排列，获得排列好的骨骼序列号集合S＝[s₁,s₂,…,s_K]，取测地线距离最短的前5个骨骼；依次提取出三维虚拟角色的全部网格顶点特征向量；

2.2模型构建

依托开源深度学习框架Caffe2构建网络模型；

2.3模型训练

准备一组用于训练的三维虚拟角色网格模型，通过步骤S1对每个模型完成骨骼自动生成，利用3DS MAX建模软件进行蒙皮权重手动赋值，得到每个模型的蒙皮权重；

按照步骤2.1完成输入数据准备，通过步骤2.2的网络模型进行训练，并采用交叉熵损失函数使生成的蒙皮权重能够尽可能匹配训练模型的蒙皮权重，训练过程中，一个训练周期的数据量为2个三维虚拟角色网格模型，学习率为10^-4，训练完成后，保留训练后的模型参数；

2.4蒙皮预测

准备任意三维虚拟角色网格模型，通过步骤S1完成骨骼自动生成，按照步骤2.1提取模型特征数据作为输入，构建网络结构，读取网络参数，最终输出三维虚拟角色的蒙皮权重，将三维虚拟角色网格模型的顶点、面片、蒙皮权重按照FBX标准格式保存，并导入3DS MAX建模软件中，通过拖动骨骼驱动网格发生自然形变和位移。

2.根据权利要求1所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤1.1所述的收缩迭代过程包括：

1.1.1计算拉普拉斯平滑矩阵L：

构建大小为c×c的拉普拉斯平滑矩阵L，c为三维虚拟角色的网格顶点数，每个元素的数值由公式1：

表示，其中，N(i)为顶点v_i的邻域顶点集合，α_ij为顶点v_i、v_j+1、v_j形成的夹角，β_ij为v_i、v_j-1、v_j形成的夹角，E为网格边集合；

1.1.2通过公式2：

计算第t次迭代后的网格顶点矩阵V^t+1，其中，

为第t次迭代时的收缩权重，L^t为第次迭代时的拉普拉斯平滑矩阵，

为第次迭代时的吸引权重，V^t为第t-1次迭代后的网格顶点矩阵，初始设置

为原始网格面的平均面积，初始设置

的元素值均为1.0，矩阵大小为1×n，V⁰为原始网格顶点坐标矩阵，矩阵大小为c×3，L⁰为原始网格计算的拉普拉斯平滑矩阵，t∈N，N为自然数；

1.1.3通过公式3：

计算第t次迭代后的三维虚拟角色的网格总面积A^t，其中，

表示第t次迭代后网格中第f个面片的面积，根据终止迭代条件公式4：

判断是否终止迭代；

1.1.4通过公式5：

更新收缩权重W_L和吸引权重矩阵W_H，其中，s_L＝2.0，

为更新后的收缩权重，

为第t次迭代时的收缩权重，

为更新后的吸引权重矩阵中第i个元素的值，

为初始吸引权重矩阵

中第i个元素的值，

为原始网格中第i个顶点的第f个邻域的面积，

F(i)为顶点i的邻域的面集合，i∈c；

1.1.5更新拉普拉斯平滑矩阵L：通过公式2计算获得收缩后的网格顶点坐标矩阵V^t+1，通过公式1重新计算获得新的拉普拉斯平滑矩阵L^t+1；

1.1.6重复步骤1.1.2、1.1.3、1.1.4和1.1.5，直到满足1.1.3中的终止迭代条件，获得经过几何收缩后的网格顶点坐标矩阵

3.根据权利要求1所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤1.2所述的贪心算法基本步骤包括：

1.2.1任意选定一个初始边(i,j)∈E；

1.2.2借助邻域的顶点k，采用原则：

判断是否能够将顶点j合并到顶点i；

1.2.3当顶点j能够合并到顶点i时，计算合并后的形状损耗和采样损耗：

①通过公式6：

计算顶点j合并到顶点i后，即边(i,j)和边(j,k)折叠生成边(i,k)，产生的形状损耗，其中，

m_x、m_y、m_z分别为边(i,j)归一化后的向量m在XYZ方向上的分量，向量

为

中的第i个顶点，n_x、n_y、n_z分别为向量n在XYZ方向上的分量，p_x、p_y、p_z分别为边(j,k)归一化后的向量p在XYZ方向上的分量，向量

为

中的第j个顶点，q_x、q_y、q_z分别为向量q在XYZ方向上的分量，

为

的转置，K_ij ^T为K_ij的转置，K_jk ^T为K_jk的转置；

②通过公式7：

计算顶点j合并到顶点i后产生的采样损耗，其中，

为顶点合并后的网格边集合，

为

中的第k个顶点；

③通过公式8：G(i,j)＝ω_aG_a(i,j)+ω_bG_b(i,j)，计算顶点j合并到顶点i后的总损耗，根据经验设置ω_a＝1.0，ω_b＝0.1；

1.2.4统计与顶点v_j共边的全部顶点，分别计算合并后的总损耗，确定总损耗最小的顶点；

1.2.5重复步骤1.2.2、1.2.3和1.2.4，依次判断是否将后一个顶点合并到前一个顶点,将合并的顶点存入容器中，容器为R_i＝{v_l}_{l∈(1,…,c)}，直至遍历完全部顶点后，折叠并删除多余的边和面，获得完整保留了三维虚拟角色的骨骼关节点和骨骼关节点连线。

4.根据权利要求1所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤1.3所述的骨骼优化的具体过程包括：

通过公式9：

计算骨骼关节点i的形成过程中合并到点v_i的所有点的平均位移，其中，c_i为骨骼关节点

的合并点容器R_i中点的总数；

通过公式10：

计算优化后的骨骼关节点

的位置，完成三维虚拟角色骨骼自动生成，骨骼B＝{b_r}_r＝1,…,K，其中，b_r为第r个骨骼，由两个骨骼关节点构成，

K为最后生成的骨骼数量，骨骼关节点数为K+1。

5.根据权利要求1所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤2.1涉及的网格顶点v_i特征向量为：

其中，v_i为第i个网格顶点，

为v_i的邻域点中距离第一近的顶点，依次，

为v_i的邻域点中距离第五近的顶点，

为

与v_i距离的

倒数，依次，

为

与v_i距离的

倒数，

为到v_i测地线距离第一近的骨骼，依次，

为到v_i测地线距离第五近的骨骼，

为

到v_i测地线距离

的倒数，依次，

为

到v_i测地线距离

的倒数。

6.根据权利要求1所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤2.2所述的模型中的MLP为多层感知机，用于训练注意力权重，MLP均包含一个输入层、一个隐含层、一个输出层，MLP隐含层的激活函数为tanh；max pool为最大池化层，用于降低缩减模型大小，提升计算速度，同时提高提取特征的鲁棒性；concat为连接层，将按照顺序将特征表达串联为一个向量。

7.根据权利要求1所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤2.3所述的每个模型的蒙皮权重

其中，

交叉熵损失函数为：

其中，B＝{b_r}_r＝1,…,K，为三维虚拟角色的骨骼集合，

为通过3DS MAX建模软件设置的骨骼b_r对顶点v_i的权重，

为模型计算获得的骨骼b_r对顶点v_i的权重。

8.根据权利要求1或2所述的三维虚拟角色智能蒙皮方法，其特征在于：收缩迭代能够防止网格全部顶点被过度收缩到同一个位置，通过在迭代过程中调整收缩权重W_L、吸引权重矩阵W_H以及拉普拉斯平滑矩阵L，保障网格逐步收缩为骨骼结构。

9.根据权利要求1或5所述的三维虚拟角色智能蒙皮方法，其特征在于：步骤2.1提取的三维虚拟角色的全部网格顶点特征向量为输入，三维虚拟角色的蒙皮权重为输出。

Images