CN119941934B 基于三维立体技术的智能动画建模方法及系统 （长春大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN119941934B(65)同一申请的已公布的文献号(43)申请公布日2025.05.06(73)专利权人长春大学地址130022吉林省长春市卫星路6543号(72)发明人张会东(74)专利代理机构重庆壹手知专利代理事务所(普通合伙)50267专利代理师彭放强审查员王盼盼(54)发明名称基于三维立体技术的智能动画建模方法及系统本发明公开了基于三维立体技术的智能动画建模方法及系统，具体涉及动画建模技术领域；通过实时获取表演者的动作数据，并对捕捉数据进行预处理，结合骨骼建模技术完成动作数据与三维角色的映射和优化；针对多演员互动场景，分析标记点遮挡率和误匹配率的异常变化，评估系统对多角色动作跟踪的准确性；当捕捉系统达到预期精度后，对生成的三维动画进行模拟与测试，并结合物理引擎优化动画数据，使其符合物理规律，将优化后的动画以兼容格式导出，并通过实时渲染技术完成角色与场景的整合，生成高质量的三维动画效果，显著提升了多角色复模。物理规律最终的高质量动画效果2S1:利用多视角运动捕捉设备实时获取表演者的动作数据，包括在表演者关键部位设S4:针对多演员互动场景，对捕捉系统在标记点跟踪过程中的标记点遮挡率和标记点具体包括：对捕捉系统在标记点跟踪过程中的标记点遮挡率异常变化情况进行分析后时间序列R={r₁,r₂,…,rn},其中r表示第N帧的标记点遮挡率，取值范围为0≤rn≤i帧的遮挡率；对于第t帧，遮挡率r与滑动平均值MA的绝对偏差计算公式为：Dt=Irt-MA|;D为第t帧的偏差值表示当前遮挡率与滑动平均趋势的差异，计算标S5:当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，对生成的三维动画根据三维角色的体型，对骨骼长度进行调整，使其与目标模型匹配，具体为：使用自动对捕捉系统在标记点跟踪过程中的标记点误匹配率异常变化情况进行分析后生成标记点序列M={m₁,m2,.….,mg},其中mg表示第G帧的误匹配率，计算序列的均值并对每个3进行FFT变换，得到频域表示F={F₁,F₂,….,FG};;式中，为频率分量k的复数表示，包含幅值和相位信息,为傅里叶变换的核函数；对每个频率分量，计算幅值： Im(Fk)²为的实部和虚部；确定高频范围Fhigh,,提取高频分量的幅值集合AhighCAk;根据高频分量的幅值，计算标记点误匹配率异常指数，表达式为：FGH=∑keEFnghAk;式中，FGH为标记点误匹配率异常指数。4.根据权利要求3所述的基于三维立体技术的智能动画建模方法，其特征在于：将标记点遮挡率波动指数和标记点误匹配率异常指数转换为综合特征向量，将综合特征向量作为机器学习模型的输入，机器学习模型以每组综合特征向量预测捕捉系统对多角色的动作跟踪准确性值标签为预测目标，以最小化对所有捕捉系统对多角色的动作跟踪准确性值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定捕捉系统对多角色的动作跟踪准确性值，其中，机器学习模型为多项式回归模型。5.根据权利要求4所述的基于三维立体技术的智能动画建模方法，其特征在于：将获取到的捕捉系统对多角色的动作跟踪准确性值与根据历史数据预先设定的动作跟踪准确性参考阈值进行比较，若捕捉系统对多角色的动作跟踪准确性值大于等于预先设定的动作跟踪准确性参考阈值，说明捕捉系统对多角色的动作跟踪准确性高，此时生成动作跟踪准确信号，即捕捉系统对多角色的动作跟踪能力强；若捕捉系统对多角色的动作跟踪准确性值小于预先设定的动作跟踪准确性参考阈值，说明捕捉系统对多角色的动作跟踪准确性低，此时生成动作跟踪不准确信号，即捕捉系统对多角色的动作跟踪能力弱。6.根据权利要求5所述的基于三维立体技术的智能动画建模方法，其特征在于：S5中，当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，即在固定时间段内生成的捕捉系统对多角色的动作跟踪准确性值大于等于预先设定的动作跟踪准确性参考阈值，对生成的三维动画进行模拟与测试，并将后续固定时间段内生成的大于等于预先设定的动作跟踪准确性参考阈值的动作跟踪准确性值进行收集，并建立数据集合，计算数据集合的均值和标准差，对其进行分析后，根据分析结果对潜在问题进行提前预测。7.根据权利要求6所述的基于三维立体技术的智能动画建模方法，其特征在于：若数据集合内的动作跟踪准确性值均值大于等于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差小于动作跟踪准确性值标准差的参考阈值，表明捕捉系统能够准确地分辨和记录每个角色的独立动作轨迹，生成的三维动画误差小，符合物理规律，在当前配置下继续保持捕捉设备和算法；若动作跟踪准确性值均值大于等于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差大于等于动作跟踪准确性值标准差的参考阈值，表明捕捉系统在部分时间段内仍存在波动，动作跟踪能力不稳定，影响三维动画的局部质量，需要优化捕捉算法的鲁棒4性和抗遮挡能力，增强对动态变化场景的适应性；若动作跟踪准确性值均值小于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差大于等于动作跟踪准确性值标准差的参考阈值，表明捕捉系统整体性能不足，同时表现出不稳定性，捕捉系统对多角色的动作跟踪能力存在严重缺陷，从设备配置和算法层面进行全面优化；若动作跟踪准确性值均值小于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差小于动作跟踪准确性值标准差的参考阈值，表明捕捉系统性能差但表现稳定，但无法满足高精度需求，需要对设备和算法进行优化，以提升动作跟踪的准确性。8.基于三维立体技术的智能动画建模系统，用于实现权利要求1-7任一项所述的基于三维立体技术的智能动画建模方法，其特征在于：包括动作捕捉模块、数据预处理与骨骼建模模块、AI动画优化模块、多角色跟踪评估模块，动画模拟与物理优化模块以及动画渲染与整合模块：动作捕捉模块：利用多视角运动捕捉设备实时获取表演者的动作数据，包括在表演者数据预处理与骨骼建模模块：对捕捉的动作数据进行预处理后，创建目标三维角色的骨骼模型，包括关节位置和层级关系，并将预处理的动作数据映射到骨骼模型上，通过比例调整和权重优化；AI动画优化模块：使用人工智能优化骨骼动画，包括动作平滑和关键帧提取，同时生成角色面部动画以实现表情与动作的自然匹配，通过深度学习补全未捕捉部分动作，生成流畅的过渡动画；多角色跟踪评估模块：针对多演员互动场景，对捕捉系统在标记点跟踪过程中的标记点遮挡率和标记点误匹配率的异常变化情况进行分析，评估捕捉系统对多角色的动作跟踪能力；动画模拟与物理优化模块：当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，对生成的三维动画进行模拟与测试，发现并修正潜在问题，包括穿模和关节超限，并结合物理引擎优化动画数据，使其符合物理规律；动画渲染与整合模块：将优化后的动画以兼容格式导出，并集成到目标场景中，通过实时渲染技术完成角色与场景整合，添加灯光、材质和特效，生成最终的高质量动画效果。5基于三维立体技术的智能动画建模方法及系统技术领域[0001]本发明涉及动画建模技术领域，具体涉及基于三维立体技术的智能动画建模方法及系统。背景技术[0002]三维立体技术的智能动画建模是一种基于三维(3D)技术的智能化建模方法，它通过算法和自动化工具，将复杂的动画制作过程大幅简化，提高效率和精度。这种技术结合了计算机图形学、人工智能(AI)和动画制作的原理，使得动画建模不再完全依赖手工操作，而更多地依靠数据驱动的生成方式，例如通过机器学习从现有数据中学习生成动画模型。[0003]例如，在传统动画建模中，为了制作一个角色，需要手工绘制角色的每一帧动作，而三维立体技术的智能动画建模可以通过运动捕捉技术获取演员的真实动作数据，并结合AI进行自动优化和骨骼绑定，从而生成流畅且真实的三维角色动画。这种方式已经在电影和游戏制作中广泛应用，比如《阿凡达》中使用了动作捕捉技术生成角色动作，结合智能算法完善角色的面部表情和身体动态模型，从而实现逼真的三维动画效果。[0004]现有技术存在以下不足之处：[0005]在动作捕捉过程中，多个演员之间的遮挡、动作重叠或标记点混淆会导致设备难以准确跟踪各角色的独立动作。例如，在模拟拥抱、摔跤或密集交互场景时，捕捉系统可能无法区分不同演员的运动轨迹，导致动作数据出现丢失、误绑定或合并错误，从而生成动画时动作显得混乱或不自然。此外，由于标记点混淆，不同演员的动作轨迹可能被错误合并，导致智能动画建模生成的角色行为与预期严重不符。从而破坏角色间的互动逻辑，尤其在需要高度精准交互的场景(如电影特效或训练模拟)中，直接导致输出动画无法使用。发明内容[0006]本发明的目的是提供一种基于三维立体技术的智能动画建模方法及系统，以解决背景技术中不足。[0007]为了实现上述目的，本发明提供如下技术方案：基于三维立体技术的智能动画建[0008]S1:利用多视角运动捕捉设备实时获取表演者的动作数据，包括在表演者关键部[0009]S2:对捕捉的动作数据进行预处理后，创建目标三维角色的骨骼模型，包括关节位置和层级关系，并将预处理的动作数据映射到骨骼模型上，通过比例调整和权重优化；[0010]S3:使用人工智能优化骨骼动画，包括动作平滑和关键帧提取，同时生成角色面部动画以实现表情与动作的自然匹配，通过深度学习补全未捕捉部分动作，生成流畅的过渡动画；[0011]S4:针对多演员互动场景，对捕捉系统在标记点跟踪过程中的标记点遮挡率和标记点误匹配率的异常变化情况进行分析，评估捕捉系统对多角色的动作跟踪能力；6[0012]S5:当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，对生成的三维[0016]构建标记点遮挡率的时间序列R={r₁,r²,…,rn},其中IN表示第N帧的标记点绝对偏差计算公式为：Dt=|rt-MAt|;Dt为第t帧的偏差值表示当前遮挡率与滑动平帧数，对误匹配率序列进行FFT变换，得到频域表示F={F₁,F₂,...,FG};Re(Fk)²和Im(Fk)²为F的实部和虚部；确定高频范围Fhigh,提取AhighCAk;根据高频分量的幅值，计算标记点误匹配率异常指数，表达式为：7量，将综合特征向量作为机器学习模型的输入，机器学习模型以每组综合特征向量预测捕捉系统对多角色的动作跟踪准确性值标签为预测目标，以最小化对所有捕捉系统对多角色的动作跟踪准确性值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定捕捉系统对多角色的动作[0020]优选的，将获取到的捕捉系统对多角色的动作跟踪准确性值与根据历史数据预先设定的动作跟踪准确性参考阈值进行比较，若捕捉系统对多角色的动作跟踪准确性值大于等于预先设定的动作跟踪准确性参考阈值，说明捕捉系统对多角色的动作跟踪准确性高，此时生成动作跟踪准确信号，即捕捉系统对多角色的动作跟踪能力强；若捕捉系统对多角色的动作跟踪准确性值小于预先设定的动作跟踪准确性参考阈值，说明捕捉系统对多角色的动作跟踪准确性低，此时生成动作跟踪不准确信号，即捕捉系统对多角色的动作跟踪能[0021]优选的，S5中，当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，即在固定时间段内生成的捕捉系统对多角色的动作跟踪准确性值大于等于预先设定的动作跟踪准确性参考阈值，对生成的三维动画进行模拟与测试，并将后续固定时间段内生成的大于等于预先设定的动作跟踪准确性参考阈值的动作跟踪准确性值进行收集，并建立数据集合，计算数据集合的均值和标准差，对其进行分析后，根据分析结果对潜在问题进行提前预[0022]优选的，若数据集合内的动作跟踪准确性值均值大于等于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差小于动作跟踪准确性值标准差的参考阈值，表明捕捉系统能够准确地分辨和记录每个角色的独立动作轨迹，生成的三维动画误差小，符合物理规律，在当前配置下继续保持捕捉设备和算法；[0023]若动作跟踪准确性值均值大于等于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差大于等于动作跟踪准确性值标准差的参考阈值，表明捕捉系统在部分时间段内仍存在波动，动作跟踪能力不稳定，影响三维动画的局部质量，需要优化捕捉算法的鲁棒性和抗遮挡能力，增强对动态变化场景的适应性；[0024]若动作跟踪准确性值均值小于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差大于等于动作跟踪准确性值标准差的参考阈值，表明捕捉系统整体性能不足，同时表现出不稳定性，捕捉系统对多角色的动作跟踪能力存在严重缺陷，从设备配置和算法层面进行全面优化；[0025]若动作跟踪准确性值均值小于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差小于动作跟踪准确性值标准差的参考阈值，表明捕捉系统性能差但表现稳定，但无法满足高精度需求，需要对设备和算法进行优化，以提升动作跟[0026]本发明还提供了基于三维立体技术的智能动画建模系统，包括动作捕捉模块、数据预处理与骨骼建模模块、AI动画优化模块、多角色跟踪评估模块，动画模拟与物理优化模块以及动画渲染与整合模块：[0027]动作捕捉模块：利用多视角运动捕捉设备实时获取表演者的动作数据，包括在表演者关键部位设置标记点，记录其位置、旋[0028]数据预处理与骨骼建模模块：对捕捉的动作数据进行预处理后，创建目标三维角8色的骨骼模型，包括关节位置和层级关系，并将预处理的动作数据映射到骨骼模型上，通过比例调整和权重优化；[0029]AI动画优化模块：使用人工智能优化骨骼动画，包括动作平滑和关键帧提取，同时生成角色面部动画以实现表情与动作的自然匹配，通过深度学习补全未捕捉部分动作，生成流畅的过渡动画；[0030]多角色跟踪评估模块：针对多演员互动场景，对捕捉系统在标记点跟踪过程中的标记点遮挡率和标记点误匹配率的异常变化情况进行分析，评估捕捉系统对多角色的动作跟踪能力；[0031]动画模拟与物理优化模块：当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，对生成的三维动画进行模拟与测试，发现并修正潜在问题，包括穿模和关节超限，并结合物理引擎优化动画数据，使其符合物理规律；[0032]动画渲染与整合模块：将优化后的动画以兼容格式导出，并集成到目标场景中，通过实时渲染技术完成角色与场景整合，添加灯光、材质和特效，生成最终的高质量动画效理引擎整合，显著提升了多角色复杂交互场景中的动作捕捉和三维动画建模能力。利用标记点遮挡率波动指数与误匹配率异常指数量化捕捉性能，并通过综合特征向量驱动机器学习模型，对捕捉系统的动作跟踪准确性进行动态评估和优化。该方法能够快速发现并修正潜在问题，包括标记点混淆、动作误差和数据缺失，使捕捉系统在多角色复杂场景中表现更加稳定、高效，并为生成高精度的三维动画奠定了坚实基础。[0035]2、本发明结合深度学习和物理引擎技术，在动画生成环节实现了动作平滑、关键帧优化和自然过渡，支持复杂表情和细节的高精度呈现。通过对捕捉数据的实时分析和优化决策，确保动画输出符合物理规律且误差最小，最终通过实时渲染技术完成角色与场景的高质量整合。整体技术体系提升了动作捕捉的精度和鲁棒性，有效解决了现有技术在多角色场景中动作混乱、不自然的难题，为影视特效、虚拟现实和游戏动画等应用提供了强大的技术支持。附图说明[0036]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。[0037]图1为本发明的方法流程图。[0038]图2为本发明的系统模块图。具体实施方式[0039]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员9在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0040]实施例1,请参阅图1所示，本实施例所述基于三维立体技术的智能动画建模方法，包括以下步骤：[0041]S1:利用多视角运动捕捉设备实时获取表演者的动作数据，包括在表演者关键部[0042]S2:对捕捉的动作数据进行预处理后，创建目标三维角色的骨骼模型，包括关节位置和层级关系，并将预处理的动作数据映射到骨骼模型上，通过比例调整和权重优化；[0043]S3:使用人工智能优化骨骼动画，包括动作平滑和关键帧提取，同时生成角色面部动画以实现表情与动作的自然匹配，通过深度学习补全未捕捉部分动作，生成流畅的过渡动画；[0044]S4:针对多演员互动场景，对捕捉系统在标记点跟踪过程中的标记点遮挡率和标记点误匹配率的异常变化情况进行分析，评估捕捉系统对多角色的动作跟踪能力；[0045]S5:当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，对生成的三维动画进行模拟与测试，发现并修正潜在问题，包括穿模和关节超限，并结合物理引擎优化动[0046]S6:将优化后的动画以兼容格式导出，并集成到目标场景中，通过实时渲染技术完[0047]利用多视角运动捕捉设备实时获取表演者的动作数据，具体实施步骤包括：设备配置与布置：选择适合的多视角运动捕捉设备(如光学捕捉系统、惯性捕捉系统或混合捕捉系统),确保覆盖捕捉场景的所有角度。在捕捉场地布置多个高分辨率摄像头，摄像头之间具有一定重叠区域，以确保标记点不被单一视角遮挡。校准设备，统一多摄像头的坐标系，确保捕捉数据的一致性和准确性。标记点的选择与设置：关键部位选择：根据表演者的解剖手指等位置。标记点数量与分布：根据动作复杂程度和三维模型的需求，分布足够数量的标记点，确保每个关节和部位的运动轨迹能够被精准捕捉。[0048]表演者进行动作表演，运动捕捉设备以高帧率(通常为60fps或更高)实时捕捉每个标记点的三维位置和旋转角度。捕捉系统通过多视角数据融合，计算标记点的空间坐标，生成完整的动作轨迹。同步记录时间戳和轨迹数据，为后续处理提供时间序列基础。在多视角融合过程中，通过算法自动检测被遮挡的标记点，并利用其他视角数据补充遮挡信息。调整摄像头布置或引入动态遮挡补偿技术，降低因表演者动作交叠或重叠造成的数据丢失。[0049]S2:对捕捉的动作数据进行预处理后，创建目标三维角色的骨骼模型，包括关节位置和层级关系，并将预处理的动作数据映射到骨骼模型上，通过比例调整和权重优化。[0050]对捕捉的动作数据进行预处理，利用滤波算法(如卡尔曼滤波或低通滤波)消除捕捉数据中的抖动和噪声。针对短时的异常数据(如标记点偏移),使用插值方法修复。针对遮挡或标记点丢失的部分，通过轨迹预测算法(如基于深度学习的时序预测模型)还原缺失数据。确保运动轨迹的时间连续性和空间完整性。将捕捉到的动作数据转换为标准化格式(如FBX或BVH),方便与不同动画软件和工具兼容。对数据进行时间轴对齐，确保不同片段间的时间同步。[0051]根据三维角色的解剖学结构，定义关节位置(如肩、肘、膝等)和旋转轴。确保关节位置与捕捉数据中的关键点位置一致。建立骨骼的父子层级关系，确保动作传递的正确性，例如大腿骨骼的动作会传递到小腿和脚。确定骨骼的自由度(D0F),限制关节的旋转范围以符合生理规律。[0052]根据三维角色的体型(如大小、比例),对骨骼长度进行调整，使其与目标模型匹配。使用自动Retargeting算法，将捕捉数据中的动作比例缩放到适配角色的骨骼。将清理后的动作数据与骨骼模型绑定，生成初步动画。利用Retargeting技术，将预处理后的动作数据对应到角色骨骼的关节上，确保动作轨迹的空间一致性。对不同角色的骨骼比例差异进行自动调整，确保动作自然。为角色模型的骨骼绑定设置权重分布，优化角色皮肤的自然变形。关节部位的权重需要均匀分布，以避免过度拉伸或形变。使用皮肤权重自动计算工具或人工微调以实现更高精度。[0053]S3:使用人工智能优化骨骼动画，包括动作平滑和关键帧提取，同时生成角色面部动画以实现表情与动作的自然匹配，通过深度学习补全未捕捉部分动作，生成流畅的过渡动画。[0054]骨骼动画的AI优化，消除动作捕捉数据中的细微抖动或不连续现象，使骨骼动画更加流畅。使用深度学习模型(如RNN或Transformer)对动作数据进行时序分析，预测每帧的平滑过渡值。应用贝塞尔曲线或卡尔曼滤波技术对关节轨迹进行平滑优化，确保动作符合人体自然运动规律。[0055]关键帧提取是为了减少骨骼动画的冗余数据，通过提取关键帧高效描述动作核心内容。利用AI算法(如主成分分析PCA)分析动作数据中的关键点变化，自动选择关键帧。提取帧时优先保留动作峰值点和方向改变点，同时删除中间冗余帧，以减少计算复杂度。[0056]面部动画生成与优化，生成与骨骼动作自然匹配的面部动画，增强角色的情感表现力。使用表情识别算法(如基于卷积神经网络的表情分类模型)对面部动作捕捉数据进行识别和分类，提取基础表情数据(如高兴、愤怒、惊讶等)。将面部捕捉数据映射到角色面部骨骼或BlendShape控制点上，确保表情变化的自然性和流畅性。[0057]动态表情生成，通过AI生成未捕捉到的细微面部表情，使动画更真实。使用生成对抗网络(GAN)或变分自编码器(VAE)预测细节表情(如微表情、嘴角上扬等)。实时调整面部骨骼与皮肤网格的权重分布，优化面部表情的自然性，避免不必要的拉伸或扭曲。[0058]深度学习补全未捕捉动作，通过AI预测未捕捉到的动作轨迹，生成完整的动画数据。使用深度学习模型(如LSTM或Transformer)对时间挡或未捕捉的关节轨迹。模型输入包括已捕捉的关节位置、速度和方向变化，输出为补全后的完整动作轨迹。[0059]在动作片段间生成自然的过渡动画，使动作衔接顺畅。通过时序生成模型(如TemporalGAN)生成动作片段之间的过渡帧。优化关节加速度和惯性变化，确保过渡动画符合物理规律且视觉效果自然。[0060]S4:针对多演员互动场景，对捕捉系统在标记点跟踪过程中的标记点遮挡率和标记点误匹配率的异常变化情况进行分析，评估捕捉系统对多角色的动作跟踪能力。[0061]在多演员互动场景中，利用多视角运动捕捉设备记录每个演员的标记点位置、轨迹和时间序列数据。确保捕捉系统同时采集所有标记点的可见性状态，包括被遮挡的标记点信息。[0065]对捕捉系统在标记点跟踪过程中的标记点遮挡率异常变化情况进行分析后生成[0066]构建标记点遮挡率的时间序列R={r₁,r₂,….rn},其中rN表示第N帧的标记点[0067]当标记点遮挡率波动指数较大时，说明捕捉系统的标记点遮挡率存在剧烈的变意味着捕捉系统在复杂场景中缺乏鲁棒性，可能导致某些角色的动作轨迹[0069]对捕捉系统在标记点跟踪过程中的标记点误匹配率异常变化情况进行分析后生第G帧的误匹配率，计算序列的均值m并对每个点减去均值，得到零均值序列s为帧数；对误匹配率序列频域表示F={F₁,F₂,….,FG};;式中，Fk为分量Fk,计算幅值：Ak=IFkI=√Re(Fk)²+Im(Fk)²;式中，Ak为频率分量k的幅[0071]确定高频范围Fhigh,高频部分通常表示误匹配率的快速变化特性。设高频范围为总频率的后30%或应用具体频率阈值(如>1Hz的频率);提取高频分量的幅值集合AhighCAk;根据高频分量的幅值，计算标记点误匹配率异常指数，表达式为：[0076]将获取到的捕捉系统对多角色的动作跟踪准确性值与根据历史数据预先设定的跟踪准确性低，此时生成动作跟踪不准确信号，即捕捉系统对多角色的动作跟踪能力弱。[0077]S5:当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，对生成的三维动画进行模拟与测试，发现并修正潜在问题，并结合物理引擎优化动画数据，使其符合物理[0078]当捕捉系统能够准确分辨并记录每个演员的独立动作轨迹时，即在固定时间段内生成的捕捉系统对多角色的动作跟踪准确性值大于等于预先设定的动作跟踪准确性参考阈值，对生成的三维动画进行模拟与测试，并将后续固定时间段内生成的大于等于预先设定的动作跟踪准确性参考阈值的动作跟踪准确性值进行收集，并建立数据集合，计算数据集合的均值和标准差，对其进行分析后，根据分析结果对潜在问题进行提前预测。[0079]若数据集合内的动作跟踪准确性值均值大于等于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差小于动作跟踪准确性值标准差的参考阈值，表明系统在固定时间段内具有较高的动作跟踪能力，同时表现出较好的稳定性和一致性。捕捉系统能够可靠地分辨和记录每个角色的独立动作轨迹。生成的三维动画误差小，符合物理规律，后续优化成本低。在当前配置下继续保持或略微优化捕捉设备和算法，可专注于后续动画物理增强和细节优化。[0080]若动作跟踪准确性值均值大于等于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差大于等于动作跟踪准确性值标准差的参考阈值，表明系统在部分时间段内仍存在波动，动作跟踪能力不够稳定。虽然总体性能达标，但局部时间段可能出现跟踪不准确或误差较大的情况，影响三维动画的局部质量。可能在复杂交互场景中发生短期标记点误匹配或遮挡问题。重点排查误差较大的时间段(高标准差来源),优化捕捉算法的鲁棒性和抗遮挡能力。增强对动态变化场景(如角色快速交互)的适应性。[0081]若动作跟踪准确性值均值小于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差大于等于动作跟踪准确性值标准差的参考阈值，表明捕捉系统整体性能不足，同时表现出显著的不稳定性。系统对多角色的动作跟踪能力存在严重缺陷，可能频繁出现标记点丢失或误匹配问题。生成的三维动画错误较多，难以满足物理规律和应用需求。从设备配置(如增加视角或提高分辨率)和算法层面(如增强多目标跟踪)进行全面优化。针对误差波动大的时间段进行逐帧分析，找出导致系统性能波动的关键因素。[0082]若动作跟踪准确性值均值小于动作跟踪准确性值均值的参考阈值，且动作跟踪准确性值标准差小于动作跟踪准确性值标准差的参考阈值，表明系统性能较差但表现稳定，误差幅度较为一致。系统在捕捉多角色动作时，可能存在系统性偏差或能力不足的问题，但波动性较低。生成的动画质量低，整体一致性较好，但无法满足高精度需求。针对系统性问题(如标记点分辨率不足或遮挡处理不佳)进行结构性改进。优化设备或算法的基本能力，以提升动作跟踪的准确性。[0083]S6:将优化后的动画以兼容格式导出，并集成到目标场景中，通过实时渲染技术完[0084]根据目标应用需求选择适当的文件格式：FBX(Filmbox):支持骨骼动画、材质、灯光和场景数据，适用于游戏引擎(如Unity、UnrealEngine)和影视制作。OBJ:仅导出静态三维模型，适合静态场景或进一步建模处理。Alembic(ABC):高效存储复杂动画数据(如布料或毛发模拟),适合电影特效制作。[0085]确保动画数据完整导出：骨骼数据：包括关节位置、层级关系和动作关键帧。材质和贴图：绑定材质和UV贴图，避免模型导入目标软件后材质丢失。特效信息：如粒子动态模拟(布料、毛发等)。压缩或简化多余数据(如冗余关键帧或高分辨率纹理),提高导出文件的性能，确保兼容性和加载效率。[0086]将导出的动画文件导入目标场景编辑工具(如Unity、UnrealEngine或Maya)。检查导入后的动画是否完整加载，特别是骨骼动画的绑定关系和动作流畅性。设置角色在场景中的初始位置和动作路径：确保角色动画与场景元素(如地形、障碍物)动态匹配，避免穿模现象。引入碰撞检测，确保角色动作与场景物理规则一致。[0087]添加并调整场景中的灯光类型和参数：点光源：用于模拟局部光源(如火炬、灯光影效果：引入动态阴影和全局光照技术，增强场景的真实感和视觉深度。[0088]应用物理渲染材质(PBR):根据角色和场景需要设置反射率、粗糙度、金属度等参添加粒子特效：角色动态表现(如奔跑时的尘土效果、挥舞武器的轨迹)。场景特效(如雨滴、[0089]启用实时渲染技术(如RayTracing或光栅化):动态光影实时计算，实现逼真的光线反射、折射和散射效果。优化帧率，保证高质量动画在目标设备上的流畅播放。添加后期处理特效(Post-processing):景深：突出前景角色，模糊背景细节。动态模糊：[0090]根据目标平台输出高质量视频或可交互的动画文件：视频格式：如MP4、MOV,用于证光影效果和特效是否符合预期。根据反馈进一步优化，确保动画的最终质量满足应用需[0092]在本实施例中，利用多视角运动捕捉设备实时获取表演者的动作数据，通过标记点记录其位置、旋转和运动轨迹，对捕捉数据进行预处理后，创建目标三维角色的骨骼模型，并将数据映射到骨骼模型上，通过比例调整和权重优化完成基础动画生成。随后，使用人工智能技术优化骨骼动画，包括动作平滑、关键帧提取及表情生成，通过深度学习补全未捕捉动作，实现流畅自然的过渡动画。针对多演员互动场景，分析标记点遮挡率和误匹配率的异常变化情况，评估系统的多角色跟踪能力。当动作跟踪达到准确性要求后，对生成的动画进行模拟与测试，发现并修正潜在问题，如穿模和关节超限，并结合物理引擎优化动画数时渲染技术添加灯光、材质和特效，生成高质量的三维动画效果。[0093]实施例2,请参阅图2所示，本实施例所述基于三维立体技术的智能动画建模系统，包括动作捕捉模块、数据预处理与骨骼建模模块、AI动画优化模块、多角色跟踪评估模块，动画模拟与物理优化模块以及动画渲染与整合模块：[0094]动作捕