CG插画入门教程之人体动态基础与面部画法分析

最新推荐文章于 2025-01-13 10:02:47 发布
最新推荐文章于 2025-01-13 10:02:47 发布
阅读量1.7k 收藏 1
点赞数 1
分类专栏： 学画画上轻微课 文章标签： 原画武器设计 武器设计绘画教程 武器绘画教程 武器绘画设计 原画设计教程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Mingdongman/article/details/78681111
版权

CG插画入门教程之人体动态基础与面部画法分析第一章：人体动态的画法分析与技巧讲解视频地址：https://www.qingwk.com/course/detail/10

章节1：人体动态的画法分析与技巧讲解

章节2：人物面部细节分析与五官的画法讲解

轻微课签约讲师，游戏原画设计师，毕业于湖北美术学院，参与项目：《全民奇迹》《神话永恒》《全名奇迹2》《太古传奇》《绝世武神》《逆天邪神》页游项目，以及《仙道西游》《全名武侠》《怪物联盟》拥有专业的美术基础与多年的实战项目经验，总结出了相当丰富的绘画学习经验与方法。

能够快速而准确的表达出形态各异的性感身材当然是每个人都梦寐以求的事情，在动态人体速写中，如果你能注意“5线法”，离这个目标就不远了，其分别为：肩线，髋线，躯干线，重心线和脖子线，我的意思是说，只要你能掌握这5条线的精髓，就足够满足我们前面说到的愿望了。
千万不要一开始就被什么锁骨，胫骨，肩胛骨，胸锁乳突肌，二头肌，三头肌什么的细节吸引，也不用考虑观影关系和色彩，那对初学者的你来说都是很高深而难以理解的知识。否则从一个更大的角度看，一开始你就陷入了细节，你唯一需要做的就是遵循并牢记我的法则：找到构建并决定人体动态的五条线，这样你才可能做到一天画上100个动态。
如果你以为做到这一点很容易，那你又打错特错了，注意这五条线并非简单的直线，他们存在前后左右或S形的空间弯曲关系，所以你可以想象他们能够结合衍生出多少种变化情况。

要想将动态速写画好，必须学会抓住和表现“动态线”。动态线是表现人物动作

特征的主线，一般体现在人体大的动势关系变化上。表现正、背面人物时，动态

线主要体现在脊椎和四肢的变化上；

表现侧面人物时，

动态线往往体现在外轮廓

的一侧。抓住动态线对于画好动态速写至关重要。


学画画，上轻微课（ www.qingwk.com）原创教程适合无美术基础或者没有经过正规专业基础培训的人群. 最齐全、最系统的高清网络教程！由基础、色彩、人体、场景、职场、高级系列组成，涉及到素描. 基础、人体结构、透视、肌肉画法、五官画法、手脚画法、人体体块、毛发的画法、衣着设计、头 饰设计、色彩搭配、色彩原理、上色技巧、色彩系统、场景气氛、场景构图、场景道具、场景透视 等一系列完善的教程。

第九章：AI大模型的产业应用与前景9.1 产业应用案例9.1.2 医疗
AI天才研究院
01-10 445
1.背景介绍 随着人工智能技术的不断发展，AI大模型已经成为了许多产业中的重要组成部分。在医疗领域，AI大模型的应用也逐渐增多，为医生和病患带来了许多便利和优势。本文将从以下几个方面进行探讨： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具
Convolutional Neural Networks (CNN)原理与代码实例讲解
AI天才研究院
10-13 879
《Convolutional Neural Networks (CNN)原理与代码实例讲解》 关键词： 卷积神经网络，CNN，深度学习，图像识别，图像分类，目标检测，图像分割，实战应用
Faster RCNN发展过程总结
WYXHAHAHA123的博客
09-06 1066
感谢https://www.bilibili.com/video/av15949356?from=search&seid=10709304168993056773 将卷积神经网络应用到物体检测中的模型发展过程：1.R-CNN 2.Fast R-CNN 3.Faster R-CNN。 （1）CNN 卷积神经网络 （2）RPN region proposal network （3）Fa...
R-CNN 到 Faster R-CNN的发展过程
乐亦亦乐的博客
09-22 486
R-CNN R-CNN（Regional CNN）是第一个将卷积神经网络用于目标检测的深度学习模型。 主要思路：首先使用无监督的选择性搜索（Selective Search，SS）方法将输入图像中具有相似颜色直方图特征的区域进行递归合并，产生约2000个候选区域。然后从输入图像中截取这些候选区域对应的图像，将其裁剪缩放至合适的尺寸，并相继送入一个CNN特征提取网络进行高层次的特征提取，提取出的特征再被送入一个SVM分类器进行物体分类，以及一个线性回归器进行边界框位置和大小的修正。最后对检测结果进行非极大
R-CNN系列算法的发展历程
RayChiu757374816的博客
03-14 3000
目标检测中R-CNN系列网络的发展历程
深度学习目标检测(object detection)系列（四） Faster R-CNN
weixin_34124577的博客
09-12 184
阅读原文 Faster R-CNN简介 RBG团队在2015年，与Fast R-CNN同年推出了Faster R-CNN，我们先从头回顾下Object Detection任务中各个网络的发展，首先R-CNN用分类+bounding box解决了目标检测问题，SPP-Net解决了卷积共享计算问题，Fast R-CNN解决了end-to-end训练的问题，那么最后还能下一个ss算法，依旧**于网络，是...
详解R-CNN，Fast R-CNN，Faster R-CNN 发展史
进击的龙
06-12 1999
一、任务描述 目标检测是为了解决图像里的物体是什么，在哪里的问题。输入一幅图像，输出的是图像里每个物体的类别和位置，其中位置用一个包含物体的框表示。 需要注意，我们的目标，同时也是论文中常说的感兴趣的物体，指我们关心的类别（行人检测只检测人，交通检测只关心交通工具等），或者数据集包含的类别，并不是图像里所有的物体都是目标，比如建筑，草坪也是物体，但他们常常是背景。 从计算机视觉的角度看，目标检测是分类+定位，从机器学习的角度看，目标检测是分类+回归。 二、设计思路 今天介绍的 R-CNN 系
大模型在计算机视觉中的前沿应用
最新发布
AI天才研究院
01-13 938
《大模型在计算机视觉中的前沿应用》 关键词 大模型 计算机视觉 图像分类 目标检测 图像分割 人脸识别 视频分析 自动驾驶
AI大模型软件开发的最佳实践
AI天才研究院
11-05 1033
文章标题 AI大模型软件开发的最佳实践 关键词： AI大模型、软件开发、最佳实践、算法、深度学习、神经网络、预训练模型、迁移学习、文本生成、机器翻译、图像识别、推荐系统、金融风控、安全与伦理
开源模型的优势：促进研究创新，Meta的支持为开源社区带来机遇
AI天才研究院
11-17 692
开源模型的优势：促进研究创新，Meta的支持为开源社区带来机遇 关键词： 开源模型 研究创新 Meta支持 技术优势 开源社区 摘要
Faster RCNN发展
weixin_44268208的博客
08-05 179
整体构架发展简介 整体参考链接 RCNN的介绍 RCNN介绍 SPP Net 介绍 从 R-CNN 到 SPP Net
RCNN发展史
努力充实，远方可期
02-25 8986
学习总结 排版不是非常整齐，适合当做查阅字典。 前言与知识预热 目标检测由来：1966年，Marvin Minsky让他的学生Gerald Jay Sussman花费一个暑假把相机连接到电脑上以使电脑能描述看到的东西。 实例分割（instance Segmentation）：标记实例和语义, 不仅要分割出人这个类, 而且要分割出这个人是谁, 也就是具体的实例。即不仅要分类，而且同类间需要区...
目标检测发展史归纳R-CNN，Fast R-CNN， Faster R-CNN
bobbr的博客
10-15 558
简单归纳R-CNN，Fast R-CNN， Faster R-CNN早期R-CNNFast R-CNNFaster R-CNN 早期 滑动窗口根据设定步长对图像进行分割，对每一小块分割出的图像用分类器进行分类（object 1 or 0） 局限：1. 滑动窗口的设定；2. 步长的设定 局限于精度和计算成本 R-CNN 采用图像分割算法，筛选出2000个色块，在这2000个色块上放置边界框（候选区...
目标检测近5年发展历程概述，从R-CNN到RFBNet（2013--2018）
小C的博客
09-24 7872
【时间】2018.09.24 【题目】目标检测近5年发展历程概述，从R-CNN到RFBNet（2013--2018） 目录 概述 一、目标检测相关背景 1.1 目标检测的类别 1 .2 目标检测遇到的主要难题 1.3 过去二十年的进展 二、 框架 2.1框架发展历程 2.2一些里程碑式的框架 三、基础性子问题 3.1 基于 DCNN 的目标表示 3.2 形境建模 3.3...
经典目标检测网络RCNN、Fast-RCNN和Faster-RCNN之间的发展脉络
weixin_42912710的博客
08-23 454
引言 现如今目标检测的方法常用YOLO系列模型，毫无疑问YOLO框架在速度性能和预测准确度上都能很好的满足工业上的需求。通过仔细分析YOLO系列模型，不难发现它的架构是基于RCNN系列模型而进行的优化拓展。本篇文章详细探讨RCNN系列模型的演变过程，包括最初的RCNN以及后面对其优化的Fast-RCNN和进一步优化的Faster-RCNN模型的分析。 RCNN 网络流程 RCNN作为开创性的目标检测框架，它首次将卷积神经网络结合到目标检测的过程中，将传统的特征(如 SIFT、HOG 特征等)换成了深度卷积网
一文读懂 R-CNN，Fast R-CNN，Faster R-CNN 发展史
CatOneTwo的专栏
05-06 1750
任务描述 目标检测是为了解决图像里的物体是什么，在哪里的问题。输入一幅图像，输出的是图像里每个物体的类别和位置，其中位置用一个包含物体的框表示。 需要注意，我们的目标，同时也是论文中常说的感兴趣的物体，指我们关心的类别（行人检测只检测人，交通检测只关心交通工具等），或者数据集包含的类别，并不是图像里所有的物体都是目标，比如建筑，草坪也是物体，但他们常常是背景。 从计算机视觉的角度看，目标检测是分...
从R-CNN到Faster-R-CNN——两阶段目标检测的演进过程
gaoxueyi551的专栏
08-01 1545
关于
R-CNN系列算法精讲：R-CNN —》Fast R-CNN —》Faster R-CNN 进阶之路
热门推荐
不积跬步，无以至千里！
05-15 2万+
【计算机视觉—目标检测篇】持续更新，R-CNN系列、SSD、YOLO系列等等。理论+实战，手把手教学，小白也可轻松上手！ ...
Faster RCNN发展粗略叙述
weixin_44523062的博客
03-04 175
1、R-CNN 取框 单个CNN提特征 SVM分类 box回归 2、SPP 共享卷积层 空间金字塔 3、fast R-CNN 先对图像送入CNN，可以找到对应的特征图上的ROI进行cnn再分类 时间花在了roi的框的选择上 4、faster R-CNN通用检测框架 Region Proposal Network End to end 4个loss 通用的框架，适合任何检测（几分类自...
DXperience-9.1.2简体中文WINFORM无密匙版发布
DXperience-9.1.2是DevExpress公司发布的一款面向Windows窗体应用程序的软件开发工具包(SDK)，提供了全面的用户界面控件和框架，广泛应用于开发.NET环境下的桌面应用程序。DXperience的中文版DXperience-9.1.2简体...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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