초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

우리는 관절체 캐릭터에 대해 시간에 따른 인식의 정도를 측정하는 모션 특징점 맵을 제안한다. 모션 특징점 맵은 이미지 특징점 맵에서 사용된 가우시안 거리 방법을 응용하여 계산할 수 있다. 관절 계층 구조에서의 모션과 시각적 인지간의 관계를 고려하여, 우리는 관절 동선 모션 특징점 맵과 관절 구동 모션 특징점 맵의 두 가지 모션 특징점 맵을 정의하였다. 정의한 두 가지 모션 특징점 맵을 사용하여 한 프레임에서의 모션 특징점 맵 또한 계산할 수 있다. 계산된 모션 특징점 맵은 모션의 시놉시스 생성, 정운동학 연산량의 축소, 자동적 카메라 동선 생성 등 여러 가지 응용 분야에 적용할 수 있다. 실험을 통하여 우리는 모션에 대한 인식 기반적인 접근을 통해 모션의 질적인 향상은 물론 계산적인 퍼포먼스의 향상에도 많은 기여를 할 수 있음을 알 수 있었다.

우리는 관절체 캐릭터에 대해 시간에 따른 인식의 정도를 측정하는 모션 특징점 맵을 제안한다. 모션 특징점 맵은 이미지 특징점 맵에서 사용된 가우시안 거리 방법을 응용하여 계산할 수 있다. 관절 계층 구조에서의 모션과 시각적 인지간의 관계를 고려하여, 우리는 관절 동선 모션 특징점 맵과 관절 구동 모션 특징점 맵의 두 가지 모션 특징점 맵을 정의하였다. 정의한 두 가지 모션 특징점 맵을 사용하여 한 프레임에서의 모션 특징점 맵 또한 계산할 수 있다. 계산된 모션 특징점 맵은 모션의 시놉시스 생성, 정운동학 연산량의 축소, 자동적 카메라 동선 생성 등 여러 가지 응용 분야에 적용할 수 있다. 실험을 통하여 우리는 모션에 대한 인식 기반적인 접근을 통해 모션의 질적인 향상은 물론 계산적인 퍼포먼스의 향상에도 많은 기여를 할 수 있음을 알 수 있었다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 그렇지만 모션에 대한 톡징점을 찾는 연구는 최근 까지 크게 이루어지지 않고 있다. 따라서 우리는 위에서 소개한 연구를 바탕으로 하여 모션에 적용할 수 있는 인식 기반의 수犬I척 접근 방 법인 모션 특징점 맵을 제안하고자 한다. 또한 제안하는 방법을 운동 학 연산 간소화, 모션 시놉시스, 자동적 카메라 동선 생성 방법 등 여러 가지 어플리케이션에 적용함으로써, 모션에 대한 인식 기반적인 접 근이 모션의 질적인 향상은 물론 계산적인 퍼포먼스의 향상에도 많은 기여를 할 수 있음율 증명하려한다.
• 이패 발생할 수 있는 문제는, 정운동학 면 산을 하지 않은 조인트가 많아질수혹 본래 모션과는 다른 결과륰 얻을 가능성이 크다는 점에 있다. 이 문제를 해결하기 위해 본 논문에서는 역운동학에서 사용되는 비선형 최적화 기법을 응용하여 원본 모션과 가장 가까운 단순화된 모션冒 구하고자 한다. 비선형 최적화 기법올 사용하면 시간미 다소 오래 걸리며, 단순화된 모션어 더 이상 원본 모 션의 부분집합야 아니게 되므로 추가적인 메모리를 소모하게 되는 단 점이 있지만, 보다 정교한 표현으로 원본 모션과 菖사하게 보일 수 있고, 모두 전처리단계에 수행될 수 있다는 장점이 있다.

가설 설정

• 각 관절의 모션 특징점 맵을 이용하中 우리뇬 모션의한 프레임에서의 특징점을 나타내는 프레임 모션 툭징점 깨FMSM)을 계산할 수 있다. 본 논문에서는 관절 간의 특장점 값의 편차가 큰 프레임일수록 보다 더 눈에 잘 들어올 것이라고 가정하였다. 따라서 FMSMe 한 프레임 얀에서의 각 관절이 가진 JMSM이나 DMSM의 분산을 쫑하여 구할 수 있다.

제안 방법

• 한편 BrudMine 1995년에 이미 이러한 가우시안 거리 방법을 적용하여 모션을 에디팅 하는 기법을 제안하 였다[6]. Bruderline 모션의 가우시안 피라미드와 라플라시안 피라미 드를 계산하여 아를 토대로 모션 신호의 톡정 주파수 대역을 증가하거 나 감소시킴으로써 동작을 변형시키는 방법을 제안하였다.
• 먼저 주어진 모션 데이터에서 DMSM을 이용하여 FMSM을 계산한다. FMSM을 봉해서 모션의 대표 포즈를 일 정 개수 선택한 다음, 선택한 각 포즈에서의 카메라 목표점의 위치, 카메라의 시선 벡터을 결정한다. 이때 카메라 타겟의 위치는 해당 포즈 에서 가장 DMSM값이 높은 관절과 루트 관절간의 중점으로, 카메라의 시선 벡터는 DMSM값이 가장 높은 관절의 회전축으로 결정한다.
• 이때 카메라 타겟의 위치는 해당 포즈 에서 가장 DMSM값이 높은 관절과 루트 관절간의 중점으로, 카메라의 시선 벡터는 DMSM값이 가장 높은 관절의 회전축으로 결정한다. 다음 으로 선택한 패珏 포즈에서 카메라의 사선 벡터와 미리 주어진 카메라 와 列릭터간의 거리를 이용하여 카메라의 뮈치豊 계산한다. 만일 계산 된 카메라의 위치가 지면보다 아래에 있으면 캐릭터와 카메라간의 거 리를 유지하면서 카메라의 위치를 지면까지 올려준다.
• 그림 4는 "Capoeira" 모션에 대하여 루트 관절 추적 방식의 일반적인 카메라 동선 생성법과 우리가 제안한 자동적 카메라 동선 생성 방법을 사용하여 만든 장면의 일부분이다. 루트 추적 방식의 카메라 동선 섕 성 방법은 단순하게 모션의 루트의 기저로부터 일정 거리만큼 떨어진 곳에 카메라를 위치하는 방법으로 실험에서는 루트 기저의 X축을 사용하여 항상 거리가 200.0 만큼 떨어진 곳에 카메라를 위치하도록 생성 하였다’ 우리가 제안한 자동적 카메라 동선 생성 방법에는 조인트 각 기반 방법믈 봉해 계산된 모션 특징점 맵을 사용하였으며, 대표 프레 임을 5개률 선택하여 카메라와 카메라 목표점 간의 거리가 200.。이 유 지 되도록 생성하였다.
• 제안하는 방법은 다음과 같다. 먼저 주어진 모션 데이터에서 DMSM을 이용하여 FMSM을 계산한다. FMSM을 봉해서 모션의 대표 포즈를 일 정 개수 선택한 다음, 선택한 각 포즈에서의 카메라 목표점의 위치, 카메라의 시선 벡터을 결정한다.
• 그림 2 . 예제 동작에 대한 FMSM와 설문 결과의 비교.
• 우리는 가우시안 거리 방법을 웅용하여 모션의 각 관절이 임의의 프레 임에서 시선을 꼬는 정도를 수치적으로 표현하는 모션 특징점 맵을 계 산하는 방법을 제안하였다’ 우리가 정의한 모션 특징점 맵에 보다 더 부함하는 값을 계산하기 위해, 모션 특징점 맵을 계산하는 데에 있어 관절 동선 모션 특징점 맵과 관절 구동 모션 븍징점 맵을 제안하고 이를 이용하여 하나의 포즈가 전체 모션에서 시선을 끄는 정도를 측정하는 프레임 모션 툭징점 맵을 계산하였다. 또한 모션 특징점 맵을 계산 하여 이身 정운동학 간소화, 모션 시놉시스 추출, 자동적 카메라 동선생성 등 다양한 어풀리케이션에 적용함으로써 적합한 방법을 홍해 계 산된 모션 톡징점 맵을 사용하면 모션 데이터의 시각적 품질을 높이거 나 퍼포먼스을 높이는데 유용하게 사용할 수 있음을 증명하였다.

대상 데이터

• 그림 2는 JMSM과 DMSM을 통하여 계산한 각각의 FMSM 값과 설문 조사를 통해서 조사한 모션의 대표 포즈를 비교한 것이따. 설문 조사에는 총 15명이 참가하였으며, 설문 조사에서 얻어낸 프레임 을 토대로 가우시안 혼합 곡선을 생성하여 비교하였다. 그림에서 알 수 있듯이 설문 조사의 결과와 어느 정도 유사한 형태의 결과豊 얻어 낼 수 였다’ 그림 2의 (a)와 (b)는 JMSM과 DMSM을 罟하여 계산한 각각의 F너SM에 Assa[7] 등이 제안한 기하적 선택법에 따라 대표 포 즈를 찾아낸 것

성능/효과

• 우리는 가우시안 거리 방법을 웅용하여 모션의 각 관절이 임의의 프레 임에서 시선을 꼬는 정도를 수치적으로 표현하는 모션 특징점 맵을 계 산하는 방법을 제안하였다’ 우리가 정의한 모션 특징점 맵에 보다 더 부함하는 값을 계산하기 위해, 모션 특징점 맵을 계산하는 데에 있어 관절 동선 모션 특징점 맵과 관절 구동 모션 븍징점 맵을 제안하고 이를 이용하여 하나의 포즈가 전체 모션에서 시선을 끄는 정도를 측정하는 프레임 모션 툭징점 맵을 계산하였다. 또한 모션 특징점 맵을 계산 하여 이身 정운동학 간소화, 모션 시놉시스 추출, 자동적 카메라 동선생성 등 다양한 어풀리케이션에 적용함으로써 적합한 방법을 홍해 계 산된 모션 톡징점 맵을 사용하면 모션 데이터의 시각적 품질을 높이거 나 퍼포먼스을 높이는데 유용하게 사용할 수 있음을 증명하였다.
• 。이 유 지 되도록 생성하였다. 류트 관절 추적 방식의 카메라는 카메라의 시 선이 루트 관절의 위치와 기저에 의존적이기 패문에 주어진 모션이 어 떠한 모션만지 분간하기가 쉽지 않은 반면, 우리가 제안한 방법을 이 용해 만들어진 장면은 화면이 동적으로 보이면서도 동작의 뜩징을 쉼 게 알 수 있다.
• 그림 3는 이렇게 모션 톡징점 맵에 따라 단계 별로 일정 개수의 중요 하지 않윤 관절을 제거引여 얻어낸 모션을 이용하여 군중 장면을 생성 한 화면을 보B주고 있다. 설험 결과 이 방법을 사용하면 전체 연산량 의 7%, 정운동학 연산량의 50%만큼을 감소하였으나 원본 장면과 비 숫한 장면을 생성할 수 있음을 알 수 있었다.
• Lee[2] 등은 그들이 제안한 메쉬 특장점 맵율 사용하여 메쉬의 특징을 가장 잘 표현할 수 있는 시점을 찾는 어퓰리케이션을 만들 수 있음을 언급하고 있다. 우리가 제안한 모션 특징점 맵을 사용하면 이러한 개 념을 확장하여 모션 데이터의 특징율 가장 잘 표현하는 카메라 움직임 을 만들어 낼 수 있다. 우리가 제안하는 자동적 카페라 움직임 생성 알고리즘은 순수하게 캐릭터의 모션만을 고려하여 결과를 제시함으로 써, 간단히 모션 데이터를 볼 수 있는 모션 브라우져나 간단한 게임 등 여러가지 응용 프로그램에 적용이 가능하다.

후속연구

• 그러나 아직 이혼적인 부분에서 제안한 모션 톡징점 맵01 시선의 집중 되는 정도를 나타내는 지에 대한 검증이 부족하므로 시선을 집중시키 는 관절을 찾는 방법과 야를 검증하는 심리학적 실험에 대한 설계는 차후에 할 중요한 과제이다. 모션 특징점 맵을 계산하는 다른 접근 방법으로 시야 의존적인 접근 방법도 고려해 볼 수 있다.
• 따라서 우리는 위에서 소개한 연구를 바탕으로 하여 모션에 적용할 수 있는 인식 기반의 수犬I척 접근 방 법인 모션 특징점 맵을 제안하고자 한다. 또한 제안하는 방법을 운동 학 연산 간소화, 모션 시놉시스, 자동적 카메라 동선 생성 방법 등 여러 가지 어플리케이션에 적용함으로써, 모션에 대한 인식 기반적인 접 근이 모션의 질적인 향상은 물론 계산적인 퍼포먼스의 향상에도 많은 기여를 할 수 있음율 증명하려한다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기