CG动画制作——实训项目中期工作(三)

本文介绍了在CG动画制作中,如何利用Maya的父对象(父子关系)和约束技术来实现角色动作的精细控制。在处理如拉弓射箭等动作时,通过父子关系和约束的结合,确保模型如弓、箭袋随人物动作同步移动。同时详细讲解了挥旗、触摸剑等关键动作的控制器和k帧设置,以及动画表现的细节处理。
摘要由CSDN通过智能技术生成

对于一些更加细节的动作以及人物的面部表情,我们分工进行了角色动画k帧部分的工作,工作如下:

在我们的动画里,虽说有很大一部分是可以使用动作捕捉技术来实现的,但是也有一些精细的动作,或者使用动作捕捉技术会导致穿模的动作,需要我们的手动K帧来完成。

比如,下面的这个士兵的拉弓射箭的动作


除了士兵模型以外,还有弓的模型,箭袋的模型,以及弓箭的模型。而其中比如箭袋和弓是需要随着人物的动作的移动而移动。这就引出了我们今天需要用到的技术:父对象(父子关系)

而这里在编辑一栏里有父对象的操作,在约束一栏里也有父对象的操作,这两个也有一些区别:
父子关系中的子对象可以再key帧,被父子约束的不能再key,还有个技巧,父对象通道栏未归零,清了零的子对象直接P上去属性会相应变化,你shiftP,再P上去就好了,maya7.0是这样。还有约束有开关,可以随时关闭或打开,父子关系就只能跟着动。

而我们的实现,只需要弓一直在角色的手里,箭袋一直在角色的背上,使用简单的父子关系就可以了

而这时又有了一个问题,从右手抽出来的箭怎么让其跟着手动,这就可能需要用到我们的约束关系,需要的时候打开,不需要的时候关上就可以了。

小兵挥旗部分:

起始动作

这里主要涉及手指,腕部,肘部,肩部,脖子,胸部,腰部的几个控制器的控制加上k帧。

举起旗帜

这里要考虑举旗的停顿,然后曲线最好跳成渐缓的趋势。

伸出

伸出时还应考虑身体的一个前倾,既控制胸部以及腰部的控制器来实现。

抬起蓄力

同样应当考虑到身体后仰,也应调整曲线使得运动渐缓。

用力挥下

男主碰剑并被剑弹开的动画:

这里的动画主要涉及脖子,肩部,肘部,腕部,手指,腰部的控制器控制以及k帧。

起始姿势

头是看向剑的。

抬起准备触摸

抬起手的同时,手掌收缩,手指弯曲,腰部向前,头向前。

身子前倾并触摸

腰部进一步前倾,肩部带动肘部向下,手腕平伸,手指伸出食指准备触摸。


被弹开。这里腰部回弹,曲线应该是加速运动的曲线一样的,肩部肘部也要适当调整,手指是张开状态,头部最好也上扬一些。

男主被剑弹开后的懊恼:

此处主要涉及头部脖子,肩部,肘部,腕部,手掌手指,腰部胸部的配合运动,控制器控制k帧。

起始状态

抬起手看向手

头部歪向手部,手指手掌微曲。

手的张开

主要是手掌以及手指部分的k帧,同时头部可以稍微抬起。

放下手看向剑

放下前头部有略微抬起动作,腰部也应上仰。

抬头吸口气然后懊恼低头



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值