买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种基于神经运动控制的高物理真实感人体运动捕捉方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114550292B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210158059.8，技术领域涉及：G06V40/20；该发明授权一种基于神经运动控制的高物理真实感人体运动捕捉方法是由王雁刚;黄步真;潘亮;杨源设计研发完成，并于2022-02-21向国家知识产权局提交的专利申请。

本一种基于神经运动控制的高物理真实感人体运动捕捉方法在说明书摘要公布了：本发明提出一种基于神经运动控制的高物理真实感人体运动捕捉方法。该方法首先提出一种基于物理引擎的采样分布先验网络，训练得到准确的采样分布先验。其次提出一种场景接触约束，输入单视角视频通过优化框架获得人体参考运动。最后，利用训练完成的采样分布先验，从人体参考运动和物理角色当前状态中估计采样分布，进而使用采样控制的方法在不可微的物理引擎中实现高物理真实感的人体运动捕捉。本发明所提出的基于神经运动控制的人体捕捉框架使用物理引擎提供硬物理约束，避免了传统人体运动捕捉中的穿模、抖动等物理不真实的现象，采集方便，成本较低，易于实现。

本发明授权一种基于神经运动控制的高物理真实感人体运动捕捉方法在权利要求书中公布了：1.一种基于神经运动控制的高物理真实感人体运动捕捉方法，其特征在于：包括以下步骤： S1.人体运动学模型与人体动力学模型建模； S2.人体参考运动及物理角色状态定义； S3.采样分布先验神经网络训练；从现有运动学人体数据集中获取数据，离线运行协方差矩阵自适应进化策略，生成采样分布，用于监督分布编码器的预训练；预训练完成后，接入二分支的解码器，对编码器网络参数进行进一步优化训练，直至网络收敛；将训练完成的编码器网络作为采样分布先验，用于后续的人体运动捕捉；所述S3的具体方法包括： S31：训练数据准备：从现有运动学人体数据集中选取连续的两帧：t-1帧、t帧，通过对选取姿态进行差分，计算t-1帧的人体关节速度，进而将t-1帧的人体姿态和速度作为物理角色的状态，以第t帧的人体姿态作为参考姿态；构建标准正态分布作为初始采样分布，将对应的物理角色状态、参考姿态以及从初始分布采样的参考姿态修正值进行物理仿真，使用协方差矩阵自适应策略优化初始分布，优化完成的分布依次处理完数据集内所有数据，所估计分布即为用于预训练网络参数的监督数据；由于差分获取的结果与现实仿真有偏差，为了增强数据的真实性，在物理角色状态中加入随机噪声来模拟真实情况； 其中物理仿真包括以下步骤： S311：将参考姿态和采样得到的参考姿态修正值相加，得到目标姿态； S312：以目标姿态作为设定值，结合当前的物理角色状态，使用PD控制计算得到关节力矩； S313：将关节力矩应用于物理角色的关节上，使用物理引擎执行物理仿真； S314：读取仿真结果； S32：分布编码网络预训练：构建6层全连接的编码网络，输出为32维的均值和方差；将估计得到的均值和方差组成正态分布；使用离线协方差矩阵自适应策略生成的分布作为监督，训练网络直至收敛；以Kullback-Leibler散度作为约束，其损失函数公式为： 其中是由协方差矩阵自适应进化策略得到的分布，是由编码网络估计得到的分布，KL为Kullback-Leibler散度； S33：训练收敛后，由于协方差矩阵自适应进化策略具有随机误差，其生成的标注中存在噪声，预训练后的模型难以回归准确的采样分布；提出一种包括姿态解码网络和物理模拟分支的二分支解码器，用于辅助编码器训练得到准确的参数；其中姿态解码网络具有4层全连接层，从目标姿态中回归模拟后的人体姿态；物理模拟分支也接收目标姿态，经过仿真后获得模拟姿态；由于物理模拟分支不可微，其获得的模拟姿态作为监督，作用于姿态解码网络估计得到的人体姿态上，促使姿态解码网络回归得到与物理仿真相同的结果；其损失函数为： 其中，为姿态解码网络回归得到的人体姿态，和jt分别为回归得到的人体姿态和模拟人体姿态通过前向运动学获取的关节位置，‖·‖2为二范数； 为了让编码器回归正确的分布，重建约束进一步被用于约束估计得到的人体姿态： 其中是参考姿态通过前向运动学获取的关节点位置； 为了避免网络过拟合，正则项为： 其中φ为网络参数；加入二分支解码器后完整的损失函数为： 该过程中Kullback-Leibler散度损失的权重系数λ降低为0.2；训练网络直至再次收敛；将训练完成的编码器及其参数取出，作为采样分布先验； S4.人体参考运动及人体体型估计； S5.高物理真实感人体运动捕捉；所述S5具体方法包括： S51：从视频的第一帧开始实现基于神经运动控制的人体运动捕捉；使用人体参考运动的第一帧和第二帧姿态进行差分，以获取得到的角速度和第一帧的姿态对物理角色进行初始化； S52：从人体参考运动中取出下一帧参考姿态，将物理角色当前状态和参考姿态送入训练好的分布先验估计采样分布； S53：从估计分布中采样k个参考姿态的修正值，与估计输入的参考姿态相加后构成目标姿态； S54：使用物理引擎在当前物理角色的状态下，依次仿真每个目标姿态； S55：使用运动一致性损失评价采样结果；其中，模拟姿态与参考姿态的损失函数用于衡量姿态和关节位置的一致性： 人物的动态特性对于基于物理的动作捕捉尤其重要，因而引入动态损失用于衡量速度一致性： 其中和为关节角速度和线速度； 为了保持物理角色的平衡，加入了平衡项来调节质心： 其中，dm＝jm-jCoM|z＝0,为肢体末端关节点到质心的二维向量；jCoM为质心的线速度；M为末端的数量； 此外，进一步使用图像特征对采样质量进行评估，加入图像层面的损失函数，增强遮挡情景下的鲁棒性： 基于神经运动控制的运动捕捉的整体损失函数为： S56：所有结果中损失最小的仿真结果被用作下一帧物理角色的起始状态；重复步骤S52-步骤S56，直至运动序列的所有视频帧处理完成； S57：运动序列的所有帧中具有最小运动损失的仿真结果作为重建结果输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。