基于視頻的虛擬人群運(yùn)動(dòng)仿真方法

劉 艷，張 靜，呂 敏

(天津大學(xué)a．計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;b．軟件學(xué)院，天津300072)

1 概述

虛擬人群仿真是計(jì)算機(jī)圖形學(xué)中一個(gè)重要的研究課題。虛擬人群仿真在多個(gè)領(lǐng)域應(yīng)用廣泛，如電影制作、游戲制作以及虛擬城市等。近些年來(lái)，開(kāi)始有越來(lái)越多的人致力于虛擬人群運(yùn)動(dòng)仿真方法的研究。目前，如何提高人群仿真效果的真實(shí)性已經(jīng)成為虛擬人群運(yùn)動(dòng)仿真方法研究的熱點(diǎn)和難點(diǎn)。

在研究過(guò)程中，根據(jù)不同的研究方式，將研究方法主要分為基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法?；谀Ｐ偷姆椒ㄊ鞘姑總€(gè)代理人通過(guò)一些預(yù)定義的簡(jiǎn)單規(guī)則和情形生成最終的動(dòng)作［1］。文獻(xiàn)［2］提出了一種基于草圖(sketch-based)的虛擬人群方法。用戶(hù)通過(guò)一個(gè)交互界面，輸入幾條路徑，通過(guò)輸入的路徑預(yù)估計(jì)人群的相關(guān)參數(shù)進(jìn)行模擬。文獻(xiàn)［3］提出了一種基于網(wǎng)格的方法，群組作為一個(gè)整體進(jìn)行網(wǎng)格編輯，而代理人之間保持關(guān)系和原始路徑盡可能不發(fā)生大的變化。文獻(xiàn)［4］提出了一種基于動(dòng)機(jī)理論［5］的人群行為模型，將心理變量納入人群運(yùn)動(dòng)建模中。為了獲得最終期望的動(dòng)畫(huà)效果，很多規(guī)則參數(shù)需要進(jìn)行調(diào)整，比如初始位置、個(gè)體之間的距離及關(guān)系、移動(dòng)速度等。基于模型的方法可以快速生成大規(guī)模的人群動(dòng)畫(huà)效果，但不足之處在于現(xiàn)實(shí)中人的行為不能完全被映射到代理人身上，且在調(diào)節(jié)參數(shù)的過(guò)程中會(huì)產(chǎn)生一些不可估計(jì)的后果。

近年來(lái)，基于數(shù)據(jù)驅(qū)動(dòng)的方法被頻繁應(yīng)用于人群動(dòng)畫(huà)生成并且取得了很好的效果，一定程度上彌補(bǔ)了基于模型方法的不足?；跀?shù)據(jù)驅(qū)動(dòng)的方法通過(guò)運(yùn)動(dòng)捕獲或追蹤視頻獲得數(shù)據(jù)信息驅(qū)動(dòng)人的行為。文獻(xiàn)［6］在多數(shù)據(jù)庫(kù)時(shí)空路徑樣本構(gòu)建的應(yīng)用機(jī)器學(xué)習(xí)的代理人行走模型，文獻(xiàn)［7］從真實(shí)世界中學(xué)習(xí)行人動(dòng)態(tài)仿真以及文獻(xiàn)［8］提出的基于人群真實(shí)數(shù)據(jù)的人群評(píng)價(jià)方法都是應(yīng)用基于數(shù)據(jù)驅(qū)動(dòng)的方法。文獻(xiàn)［9］應(yīng)用數(shù)據(jù)驅(qū)動(dòng)的方法模擬真實(shí)人群展示人的行為，從空中架設(shè)攝像機(jī)拍攝行人的視頻，對(duì)行人的行為進(jìn)行標(biāo)記，從人群中提取出每個(gè)人的二維移動(dòng)路徑，從而保證了數(shù)據(jù)來(lái)源于視頻中真實(shí)的人群。文獻(xiàn)［10-11］同樣應(yīng)用數(shù)據(jù)驅(qū)動(dòng)的方法，根據(jù)預(yù)先捕獲的實(shí)例對(duì)行人進(jìn)行仿真。這種方法的特點(diǎn)是數(shù)據(jù)來(lái)源于視頻，仿真效果更加真實(shí)。雖然基于數(shù)據(jù)驅(qū)動(dòng)的方法在人群仿真效果上得到了一定提高，但在現(xiàn)實(shí)中，拍攝超大規(guī)模人群的視頻具有很大的難度，并且視頻中的人群如果太過(guò)密集，將會(huì)很難對(duì)其進(jìn)行處理，增大采集個(gè)體數(shù)據(jù)信息的難度。

針對(duì)以上問(wèn)題，本文引入故事板的概念，將數(shù)據(jù)驅(qū)動(dòng)的方法與圖像學(xué)的紋理合成算法相結(jié)合，將小規(guī)模人群視頻中的人群信息存儲(chǔ)于樣本故事板中，再利用紋理合成算法生成大規(guī)模故事板，最終通過(guò)大規(guī)模故事板人群數(shù)據(jù)信息驅(qū)動(dòng)生成超大規(guī)模人群動(dòng)畫(huà)。

2 基于視頻關(guān)鍵幀故事板的形成

2．1 技術(shù)路線

本文提出的虛擬人群運(yùn)動(dòng)仿真方法主要分為3個(gè)部分:

(1)將位置、站位方向、狀態(tài)以及動(dòng)作等人群信息提取出來(lái)集成到樣本故事板中;

(2)將樣本故事板作為紋理合成的輸入數(shù)據(jù)合成超大規(guī)模的故事板;

(3)應(yīng)用數(shù)據(jù)驅(qū)動(dòng)的方法，結(jié)合從大規(guī)模故事板中提取的人群信息，生成最終的動(dòng)畫(huà)效果。

該方法的整個(gè)流程如圖1所示。

圖1 基于視頻的虛擬人群運(yùn)動(dòng)仿真方法流程

2．2 故事板介紹

故事板是圖形組織者通過(guò)插圖或者照片的形式以預(yù)先可視化為目的展示的一系列運(yùn)動(dòng)圖像、動(dòng)畫(huà)效果、動(dòng)作圖片和交互媒體。故事板在影視制作、媒體交互以及軟件制作等領(lǐng)域應(yīng)用廣泛。故事板是一種有效的低保真原型工具，提供一個(gè)可視化的布局事件，利用故事板的特點(diǎn)，將視頻關(guān)鍵中的個(gè)體信息存儲(chǔ)于故事板中，達(dá)到圖形化的效果，為群體虛擬仿真提供數(shù)據(jù)。

2．3 關(guān)鍵幀中的信息提取

現(xiàn)實(shí)中的人具有差異性，性別、身高、行為、動(dòng)作、膚色、年齡、心理狀態(tài)等因素的組合使得每個(gè)個(gè)體都不一樣，個(gè)體所構(gòu)成的群體又使得個(gè)體具有群體的共性。對(duì)于一個(gè)超大規(guī)模人群，定義體現(xiàn)小群體共性的年齡、性別、膚色和狀態(tài)等集合對(duì)人群進(jìn)行分組，集合表示如下:

根據(jù)年齡可以將人群分為老年人、青年人、小孩，其中，Oa代表老年人;Ya代表青年人;Ca代表小孩。

根據(jù)性別可以將人群分為男人和女人，M代表男人，F(xiàn)代表女人。

根據(jù)膚色可以將人群分為白種人、黃種人和黑種人，其中，Wc代表白種人;Yc代表黃種人;Bc代表黑種人。

根據(jù)狀態(tài)可以將人群分為著急群體和閑散群體，其中，Ws代表著急群體;Fs代表閑散群體。

本文依據(jù)個(gè)體的狀態(tài)對(duì)人群進(jìn)行分組，對(duì)同一組別的個(gè)體賦予相同的三維模型和動(dòng)作信息。關(guān)鍵幀的處理過(guò)程、個(gè)體的位置信息、站位方向、狀態(tài)以及動(dòng)作信息通過(guò)手動(dòng)方式進(jìn)行標(biāo)記。通過(guò)標(biāo)記過(guò)的關(guān)鍵幀手動(dòng)繪制小規(guī)模樣本故事板，實(shí)驗(yàn)過(guò)程中自動(dòng)對(duì)樣本故事板的信息以數(shù)學(xué)表達(dá)方式提取到文本中。

2．4 基于故事板的人群描述方法

2．4．1 故事板定義

故事板作為一種視頻總結(jié)技術(shù)，成為了重要的輔助工具，被廣泛應(yīng)用于網(wǎng)絡(luò)視頻瀏覽與搜索領(lǐng)域。為了更好地仿真人群行為，本文設(shè)計(jì)一個(gè)簡(jiǎn)單易用的故事板。

去除背景，并且對(duì)每個(gè)人物用著色點(diǎn)與箭頭進(jìn)行標(biāo)記，手動(dòng)地將人物信息集成到故事板中。整個(gè)過(guò)程如圖2所示。

圖2 故事板繪制過(guò)程

首先，定義一個(gè)集合來(lái)表示人群運(yùn)動(dòng)的狀態(tài)，包括位置、方向和當(dāng)前狀態(tài)，表示如下:

其中，P表示人物在關(guān)鍵幀中的位置;D代表代理人的當(dāng)前方向。例如，在地鐵站或十字路口，人群會(huì)向固定方向行進(jìn)。人群的初始方向應(yīng)當(dāng)最先給出，方向作為初始信息獲取之后，將代理人置于場(chǎng)景中。Cs是動(dòng)態(tài)信息，代表個(gè)體的當(dāng)前狀態(tài)。本文設(shè)計(jì)的故事板，可以簡(jiǎn)單直接地描述上述人群運(yùn)動(dòng)信息。

在故事板中，每個(gè)代理人用4個(gè)像素表示，3個(gè)像素位于同一行，一個(gè)像素在另一行表示方向。用一個(gè)T型表示和描述一個(gè)任務(wù)。在圖2中，狀態(tài)、方向和動(dòng)作信息包含在幀中，即圖2(a)。圖2(b)用圓點(diǎn)和箭頭來(lái)表示所有信息。圖2(c)為最終的小規(guī)模故事板，人群的信息集成于故事板，圖2(d)中T形中間標(biāo)記0的地方表示之前提到的人物狀態(tài)。標(biāo)記1的部分用來(lái)表示不同的個(gè)體。標(biāo)記2表示每個(gè)人物的方向。其次，不同顏色代表不同信息。對(duì)于標(biāo)記0，當(dāng)人物漫步時(shí)，用橙色著色，當(dāng)人物遇到緊急情況或匆忙行走時(shí)，用紅色著色。對(duì)于標(biāo)記2，綠色代表代理人步行，黃色表示跑步，粉色代表交談，紅色代表跳躍。對(duì)于標(biāo)記1，顏色用來(lái)根據(jù)行為共性進(jìn)行分組。用戶(hù)可以自行定義顏色的含義。這些對(duì)應(yīng)于狀態(tài)集。P是標(biāo)記0對(duì)應(yīng)的坐標(biāo)位置，D是標(biāo)記2表示的方向，Cs表示標(biāo)記0的顏色。例如，在圖2(b)中，綠色箭頭表示它的方向?yàn)橄路角覄?dòng)作為行走。紅色和橙色的著色點(diǎn)為當(dāng)前狀態(tài)。圖2(d)中的方向?yàn)橄蛳拢鴪D2(e)中的方向?yàn)橛蚁?。故事板的T型定義如表1所示。

表1 故事板T型定義

2．4．2 方向定義

在判斷每個(gè)代理人的方向時(shí)，對(duì)于每一個(gè)代理人，定義一個(gè)3×3像素的方格，外層3個(gè)方格與中心方格所組成的T形，決定了代理人的方向，共有8個(gè)方向。將外層8個(gè)像素從左上角開(kāi)始順時(shí)針進(jìn)行編號(hào)，分別為 1，2，4，8，16，32，64，128，如圖 3 所示。這樣，在外層8個(gè)像素中任意選取任意多個(gè)像素，每種組合的編號(hào)之和都是唯一的，如果像素方向合法，對(duì)像素進(jìn)行一次掃描后便可得到代理人的方向。例如圖3(b)所示，其著色像素編號(hào)為8，16，64，其和為8+16+64=88，說(shuō)明代理人方向?yàn)镈own。

圖3 對(duì)像素進(jìn)行編號(hào)和Down方向的像素圖

方向編碼唯一性證明如下。

外層8個(gè)像素的編號(hào)分別對(duì)應(yīng)著二進(jìn)制編碼串:

001-00000001，002-00000010，004-00000100，

008-00001000，016-00010000，032-00100000，

064-01000000，128-10000000

每個(gè)像素不會(huì)重復(fù)著色，且各像素的二進(jìn)制編碼中非零位互不相同，因此，任意多個(gè)不同像素編碼之和在二進(jìn)制編碼中不會(huì)產(chǎn)生進(jìn)位，其和唯一確定一種著色組合。所以方向的標(biāo)識(shí)組合是唯一的。

8個(gè)合法方向的像素和如下:

Top=26，Left=74，Down=88，Right=82，

Top Left=37，Top Right=133，Left Down=161，

Right Down=164

方向二進(jìn)制編碼對(duì)應(yīng)表如圖4所示。其中，Y所示的為掃描到的非白色像素點(diǎn)對(duì)應(yīng)的編碼值;Sum為代表某個(gè)方向的所有值的和。

圖4 方向編碼表

3 大規(guī)模故事板的生成

3．1 紋理合成算法

本文應(yīng)用文獻(xiàn)［12］算法，該算法簡(jiǎn)單，而且得到的接縫誤差最小，視覺(jué)上也更加平滑。完整的算法描述如下:

(1)按照掃描線順序合成圖像。

(2)對(duì)于每一個(gè)位置，搜索輸入的紋理圖的塊集合，查找符合匹配條件的紋理塊，并隨機(jī)選取一塊Bi(i=0，1，…)。

(3)把新選擇的塊復(fù)制輸出圖像后再在輸入樣圖中查找Bi+1，當(dāng)把Bi+1放入輸出圖時(shí)Bi+1與前一塊已合成的Bi要有一定的邊界重疊，然后在重疊區(qū)域找出一條誤差最小的路徑作為Bi+1邊緣，把Bi+1復(fù)制到輸出圖中，返回步驟(2)繼續(xù)執(zhí)行，直到獲得合成紋理圖。

本文采用對(duì)輸入樣本進(jìn)行逐個(gè)塊復(fù)制的合成方法，通過(guò)這種合成方法創(chuàng)建的片形狀不規(guī)則，使人群仿真效果顯得更自然。

3．2 紋理合成過(guò)程

結(jié)合具體實(shí)例對(duì)紋理合成大規(guī)模人群信息圖，進(jìn)而完成人群靜態(tài)站位的整個(gè)過(guò)程進(jìn)行說(shuō)明。在本次實(shí)驗(yàn)中，主要場(chǎng)景是模擬地鐵站的甬道，地鐵站的人群規(guī)模為500人左右。

所用的視頻如圖5所示，由于所用視頻的要求為頂視圖，且人群規(guī)律性盡量明顯，這樣的視頻很難從網(wǎng)絡(luò)或者現(xiàn)實(shí)中取得，自行拍攝也費(fèi)時(shí)費(fèi)力，本文中應(yīng)用的視頻是由文獻(xiàn)［13］中使用的自行拍攝的一組公開(kāi)視頻。其中包括群體聊天、演講、排隊(duì)等車(chē)等諸多人群模式，非常符合本文實(shí)驗(yàn)對(duì)于視頻的要求。

圖5為第1幀經(jīng)過(guò)中間的處理過(guò)程，最終得到小規(guī)模故事板過(guò)程。

圖5 小規(guī)模故事板處理過(guò)程

圖6表示了通過(guò)輸入甬道模型的頂視圖的目標(biāo)圖像和故事板(圖6(a)中打圈的部分)，得到最終的大規(guī)模故事板至最終將代理人排布到場(chǎng)景中成功站位。

圖6 大規(guī)模代理人模型生成過(guò)程

4 基于視頻數(shù)據(jù)驅(qū)動(dòng)的人群動(dòng)畫(huà)

4．1 數(shù)據(jù)驅(qū)動(dòng)

近年來(lái)，數(shù)據(jù)驅(qū)動(dòng)方法已經(jīng)成為模擬復(fù)雜人群行為的重要方法。數(shù)據(jù)驅(qū)動(dòng)的方法［14］數(shù)據(jù)信息來(lái)源于2種途徑。一種是運(yùn)動(dòng)捕獲數(shù)據(jù)，另一種是追蹤視頻。通過(guò)捕獲或者追蹤到的數(shù)據(jù)信息驅(qū)動(dòng)人的行為。

同時(shí)，通過(guò)真實(shí)的視頻進(jìn)行觀察追蹤個(gè)體信息應(yīng)用越來(lái)越廣泛，這種方法能夠真實(shí)再現(xiàn)視頻中的多種場(chǎng)景，如談話、聽(tīng)演講、看演唱會(huì)等人的狀態(tài)，可以具體到肢體動(dòng)作。其過(guò)程描述如下，追蹤視頻中的每個(gè)個(gè)體，將每個(gè)個(gè)體的數(shù)據(jù)存儲(chǔ)在相應(yīng)文檔或數(shù)據(jù)庫(kù)中，在虛擬仿真過(guò)程中，通過(guò)查找的方式獲得每個(gè)代理人的數(shù)據(jù)。

通過(guò)衡量這2種數(shù)據(jù)驅(qū)動(dòng)方法的利弊，選擇基于視頻的數(shù)據(jù)驅(qū)動(dòng)方法。

4．2 故事板數(shù)據(jù)驅(qū)動(dòng)人群

本文數(shù)據(jù)驅(qū)動(dòng)的方法基于視頻追蹤并結(jié)合手動(dòng)提取一小段時(shí)間路徑向量信息。主要思想是從原始視頻的關(guān)鍵幀中半自動(dòng)提取人物位置信息組成連續(xù)的路徑向量信息，生成代理人根據(jù)得到的這些路徑向量序列生成各自的運(yùn)動(dòng)路徑。生成路徑的方式考慮到2種，一種是嚴(yán)格按照原始人物的路徑向量序列中元素的順序生成新路徑，另一種是每類(lèi)代理人在原始人物的路徑向量序列中隨機(jī)挑選某一位置的元素迭代生成新路徑。2種方式各有優(yōu)缺點(diǎn)，但考慮到原始人物路徑向量序列中各元素的差異性可能過(guò)大，并且隨機(jī)挑選元素可能會(huì)造成新代理人不能很好體現(xiàn)出原始人物特性的因素，因此選擇前者生成代理人的路徑。

代理人路徑計(jì)算過(guò)程簡(jiǎn)述如下:視頻以每一秒作為時(shí)間間隔設(shè)置時(shí)間點(diǎn)，每個(gè)時(shí)間點(diǎn)位置截取相應(yīng)的關(guān)鍵幀，從關(guān)鍵幀中手動(dòng)標(biāo)注個(gè)體的位置信息，自動(dòng)提取位置信息。通過(guò)相鄰2個(gè)關(guān)鍵幀中獲得的位置信息計(jì)算出時(shí)間段內(nèi)個(gè)體的運(yùn)動(dòng)路徑向量，利用此向量與生成代理人的起點(diǎn)位置信息計(jì)算得出代理人的終點(diǎn)位置。

例如，視頻中第i個(gè)人的路徑向量信息可以表示為:

其中，向量Pij的信息通過(guò)如下方式獲得:視頻中個(gè)體i在第j-1秒關(guān)鍵幀中的位置為(m，n)，在j秒關(guān)鍵幀中的位置為(p，q)。那么個(gè)體i在這一秒內(nèi)運(yùn)動(dòng)路徑的向量表示為:

通過(guò)上述計(jì)算公式，可以獲得視頻中所有個(gè)體的路徑向量信息，組成一系列向量集合，存儲(chǔ)在相應(yīng)格式的文檔中。代理人進(jìn)行路徑規(guī)劃的時(shí)候，只需要知道他當(dāng)前的位置以及下一秒所對(duì)應(yīng)的向量信息，通過(guò)下述方法獲得終點(diǎn)位置。例如代理人A是由視頻中的個(gè)體i獲得的，假設(shè)當(dāng)前代理人A在第j-1秒的初始位置為 Pstartj=(a，b)，終點(diǎn)位置設(shè)為Pendj=(c，d)，通過(guò)查找文檔找到其相應(yīng)的向量Pij，通過(guò)方程式解(c-a，d-b)=Pij，計(jì)算得到c和d的值，從而獲得終點(diǎn)位置。代理人獲取到終點(diǎn)位置，在第j秒時(shí)間段內(nèi)將一直朝向求得的終點(diǎn)位置前進(jìn)，此時(shí)代理人的面部方向可能一直在變化，但一直是朝向計(jì)算得到的終點(diǎn)。

4．3 碰撞躲避

從初始點(diǎn)走到終點(diǎn)的過(guò)程中，個(gè)體與個(gè)體之間會(huì)產(chǎn)生碰撞，為了使人群中的每個(gè)代理人能夠順利到達(dá)各自終點(diǎn)，需要對(duì)碰撞進(jìn)行檢測(cè)并采取相應(yīng)避免的措施。

本文的碰撞檢測(cè)算法基于行為心理學(xué)［15］。人類(lèi)會(huì)有一個(gè)自身認(rèn)可的安全距離，在安全距離的范圍內(nèi)會(huì)檢查他人或障礙物是否存在與自己發(fā)生碰撞的可能。根據(jù)安全距離概念，結(jié)合包圍盒的思想，本文實(shí)驗(yàn)中給定代理人一個(gè)以最小安全距離為半徑的圓柱體作為包圍盒，當(dāng)包圍盒發(fā)生相交時(shí)，也就是代理人與代理人發(fā)生碰撞時(shí)，代理人會(huì)瞬時(shí)調(diào)整自己的速度方向，隨機(jī)選擇在凝視角度范圍內(nèi)的一個(gè)角度，改變運(yùn)動(dòng)速度及方向。

代理人i的碰撞躲避算法流程如圖7所示。

圖7 碰撞躲避算法流程

算法并不復(fù)雜，但在實(shí)際應(yīng)用中效果甚佳。在走廊場(chǎng)景中生成大規(guī)模的人群，他們?cè)诖┰阶呃鹊倪\(yùn)動(dòng)仿真中可以輕易避開(kāi)即將發(fā)生的碰撞，沒(méi)有任何因卡死而導(dǎo)致代理人停止運(yùn)動(dòng)的情況發(fā)生。

5 實(shí)驗(yàn)及結(jié)果分析

本次實(shí)驗(yàn)在地鐵通道場(chǎng)景中進(jìn)行，主要對(duì)視頻中的地鐵通道場(chǎng)景中的人群進(jìn)行虛擬運(yùn)動(dòng)仿真。

將小規(guī)模故事板通過(guò)紋理合成方式合成大規(guī)模故事板，實(shí)現(xiàn)了以較小規(guī)模的視頻完成大規(guī)模虛擬人群運(yùn)動(dòng)仿真的目標(biāo)，并且實(shí)驗(yàn)中生成的虛擬人群運(yùn)動(dòng)效果與視頻中人群的運(yùn)動(dòng)效果具有較高的一致性。視頻幀序列如圖8所示，實(shí)驗(yàn)效果如圖9～圖11所示。

圖8 視頻幀序列

圖9 人群運(yùn)動(dòng)近景圖

圖10 100人運(yùn)動(dòng)效果

圖11 200人運(yùn)動(dòng)效果

同時(shí)，還對(duì)不同規(guī)模的人群做了相關(guān)實(shí)驗(yàn)，采集到的數(shù)據(jù)如表2所示。表2中第1列為單次實(shí)驗(yàn)人群規(guī)模，第2列～第4列分別表示單次實(shí)驗(yàn)中代理人靜態(tài)站位消耗時(shí)間、代理人從初始點(diǎn)到達(dá)目的地消耗時(shí)間以及單次實(shí)驗(yàn)消耗總時(shí)間。

表2 不同規(guī)模代理人的數(shù)據(jù)采集信息

隨著規(guī)模成倍數(shù)的擴(kuò)大，站位時(shí)間明顯不是成倍數(shù)增長(zhǎng)的。分析原因，由于人在靜態(tài)站位到場(chǎng)景中時(shí)，為了使得站位更自然，給每個(gè)代理人加了一個(gè)靜態(tài)站位的動(dòng)作，每個(gè)人站在原地都有自己的動(dòng)作，有的左顧右盼，有的抓耳撓腮，有的左晃右晃，當(dāng)人群規(guī)模不斷增大時(shí)，需要處理越來(lái)越多的靜態(tài)站位動(dòng)作，造成了時(shí)間的不成倍數(shù)增長(zhǎng)。從這個(gè)過(guò)程可以看出，隨著人群密度的增長(zhǎng)，時(shí)間增長(zhǎng)速度隨之增加，其中產(chǎn)生的碰撞躲避過(guò)程也隨之增多，影響實(shí)驗(yàn)效率。

6 結(jié)束語(yǔ)

本文提出一種基于數(shù)據(jù)驅(qū)動(dòng)的、紋理合成故事板的虛擬人群運(yùn)動(dòng)仿真方法。以故事板來(lái)收集視頻中的人群信息，通過(guò)紋理合成算法生成超大規(guī)模人群故事板，并在三維場(chǎng)景中提取大規(guī)模人群故事板數(shù)據(jù)信息，指導(dǎo)人群運(yùn)動(dòng)，生成虛擬人群動(dòng)畫(huà)。實(shí)驗(yàn)結(jié)果證明，大規(guī)模虛擬人群中的個(gè)體行為與視頻中對(duì)應(yīng)的個(gè)體行為相似，提高了大規(guī)模虛擬人群動(dòng)畫(huà)生成的效率。下一步將研究大規(guī)模人群渲染加速和實(shí)現(xiàn)實(shí)時(shí)渲染，并考慮環(huán)境問(wèn)題對(duì)人群運(yùn)動(dòng)產(chǎn)生的影響，提高虛擬人群運(yùn)動(dòng)仿真的真實(shí)性。

［1］ Reynolds C W．Flocks，Herds and Schools:A Distributed Behavioral Model［C］//Proceedings of the 14th Annual Conference on ComputerGraphics and Interactive Techniques．New York，USA:ACM Press，1987:25-34．

［2］ Oshita M，Ogiwara Y．Sketch-based Interface for Crowd Animation［C］//Proceedings of the 10th International Symposium on SmartGraphics．Salamanca，Spain:Springer，2009:253-262．

［3］ Kwon T，Lee K H，Lee J，et al．Group Motion Editing［J］．ACM Transactions on Graphics，2008，27(3)．

［4］ 黃 鵬，劉 箴．一種基于動(dòng)機(jī)理論的人群行為模型［J］．計(jì)算機(jī)工程，2013，39(12):290-293．

［5］ 劉 箴，潘志庚．虛擬人動(dòng)機(jī)驅(qū)動(dòng)的自主情緒模型研究［J］．中國(guó)圖象圖形學(xué)報(bào)，2009，14(5):773-781．

［6］ Torrens P，Li X，Griffin W A．Building Agent-based Walking Models by Machine-learning on Diverse Databases ofSpace-time Trajectory Samples［J］．Transactions in GIS，2011，15(S1):67-94．

［7］ Scovanner P， Tappen M F． Learning Pedestrian Dynamics from the Real World［C］//Proceedings of the 12th International Conference on Computer Vision．Washington D．C．，USA:IEEE Press，2009:381-388．

［8］ Lerner A，F(xiàn)itusiE，Chrysanthou Y，etal．Fitting Behaviors to Pedestrian Simulations［C］//Proceedings of Symposium on Computer Animation．New Orleans，USA:Institute of Electrical and Electronics Engineers Inc．，2009:199-208．

［9］ Lee K H，Choi M G，Hong Q，et al．Group Behavior from Video:A Data-driven Approach to Crowd Simulation［C］//Proceedings of Symposium on Computer Animation．New York，USA:ACM Press，2007:109-118．

［10］ Lerner A，Chrysanthou Y，Lischinski D．Crowds by Example［J］．Computer Graphics Forum，2007，26(3):109-118．

［11］ 王 鑫，孫守遷，侯 易，等．?dāng)?shù)據(jù)驅(qū)動(dòng)的人群場(chǎng)景動(dòng)畫(huà)合成方法［J］．計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2009，21(2):250-256．

［12］ Efros A A，Leung T K．Texture Synthesis by Nonparametric Sampling［C］//Proceedings of International Conference on Computer Vision．Washington D．C．，USA:IEEE Press，1999:1033-1038．

［13］ Gardner G Y．VisualSimulation ofClouds［C］//Proceedings of the 12th Annual Conference on Computer Graphics and Interactive Techniques．San Francisco，USA:ACM Press，1985:297-304．

［14］ Metoyer R A，Hodgins J K．Reactive Pedestrian Path Following from Examples［J］．The Visual Computer，2004，20(10):635-649．

［15］ Cutting J E，Vishton P M，Braren P A．How We Avoid Collisions with Stationary and Moving Objects［J］．Psychological Review，1995，102(4):627-651．