Ogre 手动控制 骨骼运动

Ogre 作为一个强大的图形引擎,很好的支持骨骼动画,主要包括:(1)提供了从.max模型导出到.mesh和.skeleton动画文件的工具;(2)支持软 硬件顶点混合技术,也就是Vertex Blending。关于这两个方面的阐述颇多,在此不再叙述。

       此外,Ogre的程序还可以方便的手动控制骨骼运动,也就是不利用.mesh和.skeleton中的骨骼关键桢,而是直接用函数调用来控制。这样做可以 使动画更加灵活,例如使人物的头部随着某个目标物体的移动而转动,当然你还可以通过外部输入(例如鼠标)来控制骨骼。手动控制骨骼的方法如下:

        其中manuallyControlledBone是定义的全局变量

       Bone* manuallyControlledBone=NILL;

      mAnimState是添加的成员函数 AnimationState *类型

        (1)在初始化( 如CreateScene() )时,做以下工作:

                     Entity *ent = mSceneMgr->createEntity("Sample", "Sample.mesh");
                     SkeletonInstance* skel = ent->getSkeleton();
                     manuallyControlledBone = skel->getBone("Bone01");
                     manuallyControlledBone->setManuallyControlled(true);

        (2)在每桢循环( 如FrameStarted() )时加上控制骨骼的函数:

                     manuallyControlledBone->yaw(Degree(evt.timeSinceLastFrame*100));

        好了,就这么简单!

       如果想在手动控制的同时利用.mesh和.skeleton的骨骼动画,同样简单,只需在上述代码中加上几行就可以了(着色内容):

(1)Entity *ent = mSceneMgr->createEntity("Sample", "Sample.mesh");
     SkeletonInstance* skel = ent->getSkeleton();
     //删掉这句,更改为
   Animation* anim = skel->getAnimation("Hit");
     mAnimState=ent->getAnimationState("Hit");        
    manuallyControlledBone = skel->getBone("Bone01");
    manuallyControlledBone->setManuallyControlled(true);
    //貌似Animation没有destroyTrack这个方法,删掉这句
   anim->destroyTrack(manuallyControlledBone->getHandle());//不能少  
(2)           //保留这句
             mAnimState->addTime(evt.timeSinceLastFrame);
           manuallyControlledBone->yaw(Degree(evt.timeSinceLastFrame*100));
如果按照蓝色的字体添加,会出现访存错误。加以修改后可以运行,修改为上面紫色的字体。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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