虚拟人物角色服饰纹理快速生成方法
发布时间：2021-09-24 06:17
在大规模人群仿真场景中,虚拟人物角色采用单一服饰纹理会降低仿真可信度,而人工精细生成多样化纹理时间成本高。本文研究一种虚拟人物角色服饰纹理快速生成方法,采用算法识别解析现有人物图片中服饰的不同部位,再进行纹理处理、生成和纹理映射等过程,实现从单张图片直接生成角色服饰纹理。本文的主要工作如下:1)综述了从图片生成三维角色服饰模型的相关研究现状及成果,对现有的从图片到相似的三维人物服饰所使用的系统和算法、图片中人物服饰部位的识别算法进行了分析和总结。2)结合深度学习和图割算法,实现人物图片中服饰的解析和提取。对于现代人物图片的服饰识别,采用深度学习的宏-微对抗网络算法（Macro-micro Adversarial Network,MMAN）方法,其识别效果良好且操作便捷;而对于自动识别效果不佳的人物图片,采用机动性良好的交互式GrabCut算法识别服饰,提高识别准确度。3)提出了一种虚拟角色服饰纹理快速生成方法。首先,采用上述算法进行服饰解析和提取;然后,通过算法映射到三维角色模型纹理图的服饰对应部位,其中对于被遮挡的服饰部分纹理,采用提取的服饰颜色风格信息进行补充;最后,得到三维人物角...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【图文】：
从图片到三维角色服饰纹理系统框架
图 2.1 生成式对抗网络模型Fig 2.1 The Model Of Generative Adversarial Networks 2.2 以量化的形式展示了 GAN 模型在对抗训练中的数值变化。当中，LossD(real)和 LossD(fake)两个参数分别表示生成式对抗图像的标量值，LossG 表示生成器生成图像的标量值。好的训练 2.2(a)，LossD(real)和 LossD(fake)的数值无限向 0.5 收敛靠拢，限趋近于 0。这样的数值显示这是一个训练良好的生成式对抗网成的图像足以欺骗鉴别器，让其相信这是真实的图像而不是由络生成的。而图 2.2（b）是一个收敛情况不好的失败的 GAN l)和 LossD(fake)都无限趋近于 0 而 LossG 无限趋近于 1，表明平衡的现象，鉴别器可以轻易地区分出生成的图像和真实的图外关于对抗网络的研究有很多，Luc[27]等人在训练语义分割中添竞争后的结果，类似的想法已经应用于街景分割[28]和医学图像 GAN 中，常发生的问题有发生器和鉴别器容易陷入局部最小
(b) 不平衡的 GAN 模型图 2.2 GAN 模型的训练平衡与失衡对比Fig 2.2 Comparison of Training Balanced and Imbalanced GAN Model 基于图割的识别算法基于人工智能的服饰识别方法是近年来热门的研究方向，且对服饰的自别效果最好，但是若要取得良好的识别效果，需要构建大规模的规范训实验基础，训练模型耗时较长。且若遇到因模型库限制或人物姿态使服多等情况导致的深度学习模型对图片的识别效果不佳，识别结果缺陷难补。故本文采用了图割算法 GrabCut 来对识别效果不佳的多数古代人图人图片进行服饰的识别，通过交互的机动性来识别 MMAN 算法识别效果物服饰图片。图像分割是数字图像处理的经典研究内容之一，它也是图像分析和模式重点研究问题，它对图像的最终分析质量和模式识别的判别结果起了决用。图像分割的基本处理方式，一般是根据分析得出的图像灰度、颜色
【参考文献】：
期刊论文
[1]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[2]基于颜色特征的水稻病害图像分割方法研究[J]. 苏博妮,化希耀,范振岐. 计算机与数字工程. 2018(08)
[3]三维模型拆分UV及生成贴图技术分析[J]. 赵伟明. 信息与电脑(理论版). 2017(18)
[4]改进模糊C均值算法在民族服饰图像分割中的应用[J]. 王禹君,周菊香,徐天伟. 计算机工程. 2017(05)
[5]基于HSV空间改进的多尺度显著性检测[J]. 王文豪,周静波,高尚兵,严云洋. 计算机工程与科学. 2017(02)
[6]基于双线性插值最值滤波的Mura改善方法[J]. 梁志虎,张小宁,岳俊峰,屠震涛,黄泰钧,梁鹏飞,王利民. 光子学报. 2016(07)
[7]三维模型的UV拆分技术分析——以Headus UVLayout为例[J]. 李曙光. 绥化学院学报. 2015(03)
[8]基于单幅图片的唐代服装褶皱信息提取研究[J]. 朱耀麟,刘雅琪,万韬阮,武桐. 纺织高校基础科学学报. 2014(02)
[9]一种面向2D虚拟试穿的服装素材处理方法[J]. 周千明,朱欣娟. 计算机应用与软件. 2014(04)
[10]基于样本的大规模人群快速创作[J]. 申晶晶,王欣捷,粆倩文,金小刚. 计算机学报. 2014(03)
硕士论文
[1]基于单张图片的服装建模相关算法研究[D]. 成俊燕.浙江大学 2017
[2]衣服检测与识别技术研究[D]. 邹娜.西安电子科技大学 2012
本文编号：3407255
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【图文】：
从图片到三维角色服饰纹理系统框架
图 2.1 生成式对抗网络模型Fig 2.1 The Model Of Generative Adversarial Networks 2.2 以量化的形式展示了 GAN 模型在对抗训练中的数值变化。当中，LossD(real)和 LossD(fake)两个参数分别表示生成式对抗图像的标量值，LossG 表示生成器生成图像的标量值。好的训练 2.2(a)，LossD(real)和 LossD(fake)的数值无限向 0.5 收敛靠拢，限趋近于 0。这样的数值显示这是一个训练良好的生成式对抗网成的图像足以欺骗鉴别器，让其相信这是真实的图像而不是由络生成的。而图 2.2（b）是一个收敛情况不好的失败的 GAN l)和 LossD(fake)都无限趋近于 0 而 LossG 无限趋近于 1，表明平衡的现象，鉴别器可以轻易地区分出生成的图像和真实的图外关于对抗网络的研究有很多，Luc[27]等人在训练语义分割中添竞争后的结果，类似的想法已经应用于街景分割[28]和医学图像 GAN 中，常发生的问题有发生器和鉴别器容易陷入局部最小
(b) 不平衡的 GAN 模型图 2.2 GAN 模型的训练平衡与失衡对比Fig 2.2 Comparison of Training Balanced and Imbalanced GAN Model 基于图割的识别算法基于人工智能的服饰识别方法是近年来热门的研究方向，且对服饰的自别效果最好，但是若要取得良好的识别效果，需要构建大规模的规范训实验基础，训练模型耗时较长。且若遇到因模型库限制或人物姿态使服多等情况导致的深度学习模型对图片的识别效果不佳，识别结果缺陷难补。故本文采用了图割算法 GrabCut 来对识别效果不佳的多数古代人图人图片进行服饰的识别，通过交互的机动性来识别 MMAN 算法识别效果物服饰图片。图像分割是数字图像处理的经典研究内容之一，它也是图像分析和模式重点研究问题，它对图像的最终分析质量和模式识别的判别结果起了决用。图像分割的基本处理方式，一般是根据分析得出的图像灰度、颜色
【参考文献】：
期刊论文
[1]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[2]基于颜色特征的水稻病害图像分割方法研究[J]. 苏博妮,化希耀,范振岐. 计算机与数字工程. 2018(08)
[3]三维模型拆分UV及生成贴图技术分析[J]. 赵伟明. 信息与电脑(理论版). 2017(18)
[4]改进模糊C均值算法在民族服饰图像分割中的应用[J]. 王禹君,周菊香,徐天伟. 计算机工程. 2017(05)
[5]基于HSV空间改进的多尺度显著性检测[J]. 王文豪,周静波,高尚兵,严云洋. 计算机工程与科学. 2017(02)
[6]基于双线性插值最值滤波的Mura改善方法[J]. 梁志虎,张小宁,岳俊峰,屠震涛,黄泰钧,梁鹏飞,王利民. 光子学报. 2016(07)
[7]三维模型的UV拆分技术分析——以Headus UVLayout为例[J]. 李曙光. 绥化学院学报. 2015(03)
[8]基于单幅图片的唐代服装褶皱信息提取研究[J]. 朱耀麟,刘雅琪,万韬阮,武桐. 纺织高校基础科学学报. 2014(02)
[9]一种面向2D虚拟试穿的服装素材处理方法[J]. 周千明,朱欣娟. 计算机应用与软件. 2014(04)
[10]基于样本的大规模人群快速创作[J]. 申晶晶,王欣捷,粆倩文,金小刚. 计算机学报. 2014(03)
硕士论文
[1]基于单张图片的服装建模相关算法研究[D]. 成俊燕.浙江大学 2017
[2]衣服检测与识别技术研究[D]. 邹娜.西安电子科技大学 2012
本文编号：3407255
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3407255.html
最近更新
教材专著
