3D virtual character animation driven by body tracking

Kod animacijskog sustava za virtualne ljude, kontroliranog direktno zadavanjem položaja pojedinog zgloba, potrebno je osigurati pouzdanost i dovoljnu količinu podataka. Dovoljna količina podrazumijeva i često uzorkovanje i semantički važne podatke za aproksimaciju onih pozicija koje nedostaju. U ovom radu je obrazložen postupak animacije kad su dostupne pozicije svih važnih zglobova u hijerarhiji te postupak kad su dostupni samo podaci o položaju glave i ruku. Oba pristupa koriste filtraciju podataka kako bi se prigušio šum uzrokovan nepovoljnim uvjetima praćenja i ostvario uglađen prijelaz između diskretnih pozicija uz očuvanje brzog odaziva. Za aproksimaciju pozicija zglobova koji nisu praćeni u drugom pristupu koristi se postupak inverzne kinematike. Iz RGB kamere se relativno lako mogu dobiti 2D pozicije (u ravnini ortogonalnoj na usmjerenje kamere). Za podatak o trećoj dimenziji potrebno je procijeniti udaljenost korisnika od kamere u stanju inicijalizacije, a za izračun daljnjeg pomaka tijekom praćenja koriste se trigonometrijskih pravila.In the virtual character animation system controlled by joint positioning, data accuracy and quantity must be provided. Data quantity implies both sufficient frame rate and semantically important data in order to approximate missing joint positions. In this thesis two animation approaches are proposed. One is based on the full upper body tracking, and second one is based on the face and hand tracking. Both approaches use filter to eliminate the noise caused by variations in lighting conditions, and partial or complete occlusions in order to preserve smooth position transitions without significant delay. In second approach for not tracked joints, iterative joint positioning by the inverse kinematics solver is used. From the RGB camera is easy to fetch 2D positions (in the plane orthogonal to camera direction). In order to get third dimension, approximation of user distance from the camera is used during initialization state and later on during tracking state, user shift is estimated from the triangle similarity rules