风翼冰舟的博客

前言之前介绍了使用传统算法求解BS系数的表情驱动方法，其中提到过的三种方法之一是基于网格形变迁移做的，那么这篇文章就是对《Deformation Transfer for Triangle Meshes》做表情驱动的解析。国际惯例，参考博客：论文原文《Deformation Transfer for Triangle Meshes》大佬的代码本博文实现几乎照搬大佬代码，但是大佬代码实在是太多太复杂了，搞了很多库和函数，还有很多重复的实现，所以本博客一边解析论文，一边按照大佬的代码简化实现，把几

前言头部驱动除了之前关注的表情驱动外，还有眼球驱动和头部方向驱动。本博客基于opencv官方文档和部分开源代码来研究如何基于人脸关键点获取头部的朝向。国际惯例，参考博客：opencv:Camera Calibration and 3D Reconstructionopencv:Real Time pose estimation of a textured objectcv.solvePnP位姿估计旋转向量精度分析头部姿态估计原理及可视化重磅！头部姿态估计「原理详解 + 实战代码」来啦！相机矩

前言分析完ThreeDPoseTracker来做卡通角色的身体驱动，接下来在卡通驱动领域还有一个是表情驱动。对这个真的是一窍不通啊，只能慢慢看论文了。国际惯例，参考博客/论文：《Landmark-guided deformation transfer of template facial expressions for automatic generation of avatar blendshapes》《FACSvatar: An Open Source Modular Framework fo

前言之前对ThreeDPoseTracker的深度学习模型和unity中的驱动方法进行过解析，还有一个比较重要的就是从深度学习模型出来的3D关键点数据会有抖动，在ThreeDPoseTracker源码中有做两次平滑，一部分是卡尔曼滤波，还有一部分是低通滤波。这次就是对这部分类型进行解析。国际惯例参考博客：ThreeDPoseTracker源码VNectBarracudaRunner.cs理论与代码复现在源工程的VNectBarracudaRunner.cs脚本中，有一个函数KalmanUpdate

前言之前解析过ThreeDPoseTracker这个项目中的深度学习模型，公众号有兄弟私信一些问题，我刚好对这个项目实现有兴趣，就分析一波源码，顺便把问题解答一下。这个源码其实包括很多内容：3D姿态估计，坐标平滑，骨骼驱动，物理仿真等，非常值得分析。参考博客：ThreeDPoseTracker源码理论与实现核心代码是源码中的VNectModel.cs，主要是用预测出的3D坐标驱动卡通人体模型，包括内容有：根关节位置各关节旋转信息其核心在于旋转量的确定，至于根关节位置的确定，感觉涉及到很

前言找了很久使用BVH到unity中驱动骨骼动画的代码，但是都不是特别好用，自己以前写过，原理很简单，这里记录一下。理论初始姿态在BVH或者其它骨骼动画中，一般涉及到三种姿势：A-pose，T-pose，其它姿势。其中A-pos或者T-pos通常是作为骨骼定义的姿势或者第一帧骨骼姿势。比如在unity中，导入某个模型时，通常为T-pose的姿态，如unity娘模型刚导入的时候：这个Tpose在CMU提供的BVH骨骼动画数据中，第一帧数据也是T-pose，比如：但是在Maya中设计角色，或者

前言终于到了最喜欢的模型: 受限玻尔兹曼机(RBM)了, 发现关于RBM是如何从能量模型发展过来的介绍非常不错, 而关于详细理论证明, 可以去看我前面的受限玻尔兹曼机的一系列博客. 国际惯例, 参考博客,超级强推第二个博客, 证明过程很给力:Restricted Boltzmann Machines (RBM)Contrastive divergence multi-layer R

前言上一篇学习了softmax, 然后更进一步就是学习一下基本的多层感知机(MLP)了. 其实多层感知机同时就是w*x+b用某个激活函数激活一下, 得到的结果作为下一层神经元的输入x, 类似于 output=⋯f3(f2(f1(x∗w1+b2)∗w2+b2)∗w3+b3)⋯output=\cdots f^3(f^2(f^1(x*w^1+b^2)*w^2+b^2)*w^3+b^3)\cdots

好吧，先说一个坑~~~千万千万不要擅自去安装CUDNN的v5版本，caffe貌似真的是不支持哇，表示本人已跳进这个坑，花了一下午才发现此坑，并跳出来了先来波地址：CUDA：链接：http://pan.baidu.com/s/1nvyA3Qp 密码：h0f3   官方网址：https://developer.nvidia.com/cuda-toolkitcudnn：链接：http:/

前言前面写过一篇obj格式解析的博客，但是这篇文章中可视化的工作是参考PRNet的源码进行的，后来细细思考了一下，有点问题，具体看下面。问题来源在PRNet源码的render.py中有个函数render_texture，是作者用于将uv展开图重新映射回3D模型中，具体流程可以看出是：找到当前三角形的uv坐标和3D坐标将三个顶点的uv图颜色取平均，作为当前面片的颜色tri_tex = (colors[:, triangles[0,:]] + colors[:,triangles[1,:]]

协方差矩阵是衡量样本的属性(即维度)之间的关系，而不是样本与样本之间的关系。比如有100个样本，每个样本10个属性，那么计算得到的协方差矩阵一定是10*10的，而不是100*100的，这个一定要注意。协方差矩阵主要是为了分析属性与属性之间的相关性，而非样本与样本之间的相关性，这一点我一直反着理解了，今天纠正一下自己。比如样本是人，属性是胡子，皱纹，岁数，性别。那么利用协方差矩阵可以测量

简单的调用方法：bsxfun(@plus，A，B)，其中@plus代表的是加法，还可以换成减法@minus，乘法@times等，可以参考matlab里面的帮助文档，对着bsxfun按F1即可。有何用处？   我目前用来就是实现对矩阵A和B的加减乘除操作，它的优势在于，当A和B的维度不相等，并且A和B各自有一个维度必须为1时，简单的说就是使用bsxfun的前提条件是A和B的维度分别为1*m和

前言Keras中有一个图像数据处理器ImageDataGenerator，能够很方便地进行数据增强，并且从文件中批量加载图片，避免数据集过大时，一下子加载进内存会崩掉。但是从官方文档发现，并没有一个比较重要的图像增强方式：随机裁剪，本博客就是记录一下如何在对ImageDataGenerator中生成的batch做图像裁剪国际惯例，参考博客：官方ImageDataGenerator文档Ker...

前言上一篇学习了RNN，也知道了在沿着时间线对上下文权重求梯度的时候，可能会导致梯度消失或者梯度爆炸，然后我们就得学习一波比较常见的优化方法之LSTM国际惯例，参考网址：LSTM Networks for Sentiment AnalysisUnderstanding LSTM Networks简介传统的循环神经网络RNN在梯度反传阶段，梯度信号经常被上下文连接权重矩阵...

前言前面介绍的案例都是leveldb的格式，但是比较流行和实用的格式是lmdb，原因从此网站摘取它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。因此lmdb取代了leveldb成为Caffe默认的数

前言之前写过径向基函数(RBF)神经网络做分类或者拟合。然后挖了个坑说在《Phase-Functioned Neural Networks for Character Control》里面提到了用于做地形编辑，所以这篇博客就是解析一下如何用RBF做网格编辑系统。参考博客：Noe’s tutorial on deforming 3D geometry using RBFs基于参考博客的人脸网格编辑code有很多网格变形算法的python包PyGem《Real-Time Shape Editing