2021-4-9 | 动画艺术论文
作者：邱国桥 廖洪辉 单位：井冈山大学艺术学院
许多用于动画的方法都根在生理或医学领域。捕捉运动只是使用此数据来创建动画的一部分，通常，运动捕捉这个术语是用来描述整个过程。问题是，它忽略了任务的其他方面，并建立了从传感器数据到动画，需要多少工作不合理的一些期望。不管怎样，让我们从抓住什么的问题开始。在某种意义上，一个摄像机对着一个人实际上是捕捉他们的运动。出于某种原因，这不是我们通常所说的运动捕捉。这种区别，至少对我来说，是动作捕捉创建一个从外观提取出运动的代表；以一种适合我们需要处理和分析的过程而编码。
运动捕捉的定义依赖于我们如何处理结果动作捕捉动画意味着我们会改变一些我们已经记录下来的东西，如果我们不打算改变什么，我们可以简单地重放视频。几乎总是，我们至少对要运用的人物的运动是从一个真实的人到一些图形模型的改变。根据定义，以动画意即赋予生命，所以在技术上，它使没有生命的物体（图形模式）动起来，即我们做动画。
运动捕捉和动画
在线运动捕捉是独特的，在于它是一种没有替代性的应用。然而，对于离线生产，运动捕获仅仅是创建运动动画几个方法中的一个。理解的替代品是有用的，可以帮助我们看到运动捕捉在哪个方面最有用的，了解创建动画为一个机制做点什么。传统上，运动动画已通过指定对象在每一个时刻的位置而创建。这些方法随着艺术的发展而得以高度发展的手册规范明显的缺点是劳苦的，但也需要通过一系列具体的姿势创作大量的技巧以创造令人信服的运动。而电脑可以自动插值帧减少一些劳动，手动规范运动仍然需要天赋和培训。创造运动，如一个具体的人，不管是现实和/或准确地模仿微妙的特点，是特别困难。对于离线生产，运动捕获必须提供优于其他现有的方法的优点。要成为一个可行的选择，无论在质量上产生的运动和范围，运动捕获必须提供足够的高质量的服务。例如，如果运动捕捉并没有提供足够的保真度区分不同的演员的微妙的差异，一个数据库中的一个标准的运动可能是足够的。或者，如果一个动作捕捉系统只能捕获范围有限的运动，可能被图书馆覆盖。现有运动创造的方法设定高标准，新的工具才能满足。
动作捕捉动画步骤
动作捕捉拍摄计划和随后的生产。使动画捕捉付诸实践，良好的规划是非常重要的。
1．动作捕捉动作捕捉动画历史很长但记录不足。最早的动作捕捉系统使用机械电枢测量角度。早期的例子用测角线束设计用于医疗驱动的计算机模拟分析。各种方法已被成功地用于“捕获”运动。因为不同的方法导致类似的结果，在每个层次上，实际记录和发送一个人的表现是不相关的。然而，每一个不同的方法都有一套不同的权衡并且会呈现结果的不同问题。而供应商的各种捕获系统正在不断改善所有品种的系统，用户体验在实践中仍然占主导地位，限制特定的设备。通常，这种后处理软件基于连续性的立场。光学系统通常喜欢高帧率以创造这样的连续性，即使所产生的数据将被下采样。当分析技术提高，软件技术尚不完善，需要手动清除。硬件解决使用如微型发光二极管的歧义活动的标志。由于光学捕获系统必须解决由于闭塞和对应失去标志，传统上磁系统一直偏爱表现动画。改进的光学加工软件正在改变这一点。同样，这两种技术正在迅速发展，改变了许多历史权衡其相对性价比。我们在光学捕获技术和计算机视觉捕捉技术之间做了一个主观性的区分。我们把一个基于视觉的技术定义为可以分析“标准”的视频流，进行某种形式的图像分析，确定演员在做什么。
2．运动编辑和运动捕捉运动捕捉技术，理想上应提供精彩的运动，何必要改变？如果一切都工作正常，运动捕捉数据是期望性能的现实的准确反映。然而，一旦我们拥有，而讨论如何改变运动捕捉是很大部分的一小部分。运动编辑技术和问题并非是动作捕捉独有的，是可用其他方法用于运动创造，如钥匙-校位和仿真等。有一些问题，与传统动画相比，使工作与运动捕捉数据更难。这些问题超出了用来捕捉运动的技术问题。运动捕捉系统通常不只是在重要的时间瞬间提供每个样本或框架的运动。这意味着大量的数据必须改变、编辑。只有描述性能的运动的数据。数据中没有迹象显示运动的重要性质，和什么应该改变以影响运动，也就是一个动画师所熟悉的“为什么”的运动。
计算机视觉和运动捕捉
基于视觉的运动捕捉潜能是巨大的：传统的视频技术更方便，成本更低，不妨碍的演员和工作在更广泛的各种各样的环境比当前捕获技术。如果标准视频可以分析，遗留下来的镜头可以被处理用来创建动画。然而，这些可能性需要捕获技术可以提供动画应用要求的保真度和质量。这些要求和视觉研究人员专注是不同的。
人体运动跟踪一直是计算机视觉中一个重要的主题。然而，对于大多数应用程序以创建一个三维重建的运动是不需要的。例如，创建二维运动的代表动作识别，和各种交互式演示是基于轮廓跟踪。如用户界面的应用需要实时性能，甚至不惜牺牲保真度。一些研究人员把重点放在确定的问题阐述数字图像的配置。最早试图重建图形模型的数字，一个反馈回路。类似的方法已被证明。到目前为止，这些努力提供了运动的保真度要求动画的制作，也表现出简单短暂的动作（除了一个需要控制的情况）。努力尝试利用视觉技术表现脸部捕捉运动。因为一定范围的运动和低速运动，视频已变为可行的脸部捕捉的方法。威廉姆斯早期面部捕捉是用一个单一的视频摄像头和一个反射镜产生多个视图所需的立体重建，正如zopolous和Waters用蛇形跟踪演员脸上的标志并使用这些曲线驱动肌肉人脸模型一样，事实上，随着最近的面部跟踪的发展，建立视觉运动捕捉的最大挑战似乎在利用可利用的形式提供面部动画数据。
正如我们前面所提到的，一些早期的例子包括利用稳健统计降噪，并自动约束识别。一个常见的误解是，重视运动编辑运动捕获来自于一个事实，即运动捕捉是不完美的，工具需要事实后清洁运动的。甚至在运动捕捉数据完全代表了一个理想的表现，但运动往往是需要改变的，原因包括：再利用运动捕捉数据准确记录事件。如果我们想重用数据略有不同，说一个不同的字符或不同的行动，我们需要修改数据。创造不可行的动议：因为动作捕捉记录真实事件，一些编辑必须是“不可能”的动作可能。现实的缺陷：真正的运动是不完美的。表演者不能完美无缺地击中标志以及重复性的动作的不完全循环。令人兴奋的消息是数字化视觉和捕捉可能链接是利用视觉技术协助使用动画数据。数字化视觉研究的经验在于处理噪声不明信号可以适用于运动数据以及图像。数字动画的需求和技术运动的替代给运动捕获技术提出很高的要求，但目前为止，视觉技术已经远远不足。