1.一种数字舞台创意场景智能生成方法，其特征在于：包括如下步骤，步骤S1、对舞台数据提取，并对舞台创意场景中的数据进行修正；

步骤S2、采用遗传算法将修正后的数据进行三维曲面图像数据配准；

步骤S3、利用3DGANs技术生成舞台创意场景并进行仿真实验；

所述步骤S1具体实现过程如下，

步骤S11、舞台数据提取：由于在3D舞台场景建模过程中，3D舞台场景是按照实际的舞台结构创建的，因此提取组成舞台的不同位置变化和姿态变化的多个单一维度数据；

步骤S12、对舞台创意场景中的数据进行修正：舞台机械运动的加速阶段与减速阶段的运动状态并非线性转折，它是一种缓慢变化的过程，所以舞台上升运动、下降运动的线性部分用线性函数表示，而在运动的转变点即开始停止、开始上升、上升转下降、下降转上升状态用拟合二次函数来表示；舞台上升运动和下降运动中的速度等于转变点的最大速度，公式表示如下：公式(1)中，Hm为舞台运动路程的一半，tm为舞台运动时间一半，a为舞台做变速运动时的加速度，Hb是变速运动结束时的总路程；通过Hb可以得到舞台运动的转变点H0，公式如下：H0为舞台运动的转变点即起点；

tm为舞台运动时间一半，所以整个舞台运动的时间为t＝2tm，通过路程与加速度、时间的关系可以得出以下计算公式：

Hf为舞台阶段性运动的总路程；从公式(3)可以推出变速运动的时间计算公式：以及舞台上升运动、下降运动的线性运动速度计算公式：在公式(4)、公式(5)的计算过程中，舞台做变速运动时的加速度的取值应满足以下要求，否则计算出的tb、V是不正确的；

精准计算舞台升降时的加速度是控制整个舞台运动效果的关键部分，设舞台做变速运动时的加速度a不变，舞台做变速运动的次数为n，则实际运动总时间计算公式如下：舞台设计时运动时间为：

公式(7)减公式(8)即可得到运动延迟时间值：在舞台设计时，运动延迟时间ΔT能够实际测得，所以可以通过以上公式计算出舞台做变速运动时的加速度a；

在舞台做变速运动时的加速度a的推算过程中，利用舞台运动的设计时间td类似修正设计速度：

以上全过程包括了舞台上升和下降时变速运动的全部需要数据，对修正后的数据进行配准可解决舞台运动过程中设计效果与实际运动时间的延迟问题，能够更好地提升舞台运动效果以及保障演员安全。

2.根据权利要求1所述的数字舞台创意场景智能生成方法，其特征在于：所述步骤S2具体实现过程如下，

S21、进行适应度函数设计：采用舞台三维图像曲面匹配点之间z值平均差距Daver；利用Daver为Dsum与正常曲面直接的误差作为适应度函数为：Ax+By+Cz＝D                                                        (11)其中，a,b,c为外界的真实物理坐标x,y,z值，m为舞台三维图像中的特征点数量，Daver表示超过误差的距离，Daver绝对值越小，表示匹配效果好，反之，说明匹配效果越差；

S22、遗传算法选择：采用轮盘赌选择算法，随机产生0‑1之间的非整数，根据选择的结果确定下一次选择的结果；在选取数据结果后，需要进行交叉操作，即将选取的数据结果进行结合，组成一个新的结果，这种结合过程需要遵循概率，以产生可进行下一代操作的新的数据，通过这种操作使得遗传算法的搜索能力大幅增加；对概率选择的计算方法如下：式中，favg表示舞台匹配结果的适应度值，fmax表示最大值，f'表示两个结果比较的较大的适应度值；上式中Pc1，Pc2都是可计算出来的；

在进行变异操作的时候，整个过程与交叉过程有相似之处，也是依靠概率Pm的大小，进而影响整个算法的结果；此处采用自适应的变异概率，其计算表达式如下：式中，favg适应度是平均计算结果，fmax为最大值，f表示单个值；

在进行曲面图像数据匹配的过程中，判断最终结果是十分必要的；当计算到预定程度，匹配过程必须终止，以保证算法的收敛。

3.根据权利要求1所述的数字舞台创意场景智能生成方法，其特征在于：所述步骤S3具体实现过程如下，

3d GANs优化舞台创意场景模型是一个对立博弈的过程，利用自然语言处理来理解输入中的描述，生成网络输出一个准确、自然的图像，对文字进行表达；最后的目的视频图像输出时要能够与实际舞台效果相似度极高，难辨真伪，也就是将虚拟与现实的相似度无限的增大的过程；过程如下：

1)生成式模型分析

将输入的舞台创意场景信息映射为新的样本数据，当目标生成的样本总数形式为Z＝{z1,z2,...,zN}       (17)其中每个舞台创意场景主题zi的关键特征可用一组关键词来表示：则舞台创意场景主题j的第i个特征项权重可表示为：式中： 为特征t在舞台创意场景主题j中出现的频率；nj为样本集中包含舞台创意场景主题j的数量；在此基础上，采用K‑means方法对样本空间进行划分聚类，生成更加接近实际的样本数据集，其两样本点之间的距离为：样本点间的平均距离为：

其中： 为从N个样本点中取出两个点的组合数；已知舞台创意场景信息映射为新的样本数据总数，其中样本zi的密度记作dens(zi)，密度参数为q，连接2个数据点间的数据点路径为pij，连接2个数据点路径的数据个数为l，则捕捉实际训练样本的概率分布密度可表示为：

2)判别式模型分析

在确定实际训练样本的概率分布密度后，对输入的样本数据进行是否为采样自训练集还是生成样本集的判别，优化舞台创意场景特征，确定舞台创意信息与场景相对应的索引值为：

index＝(row‑1)*n+col‑1                                             (23)其中，index为舞台创意信息与场景相对应的索引值，起始值为0，row为舞台横向创意信息；col为舞台竖向创意信息，n为创意场景中的舞台信息数；

以舞台创意场景构建为例，分别通过输入真实样本及生成样本为对比进行判别分析，输入真实样本x时，舞台创意场景的输出值，计算公式如下：其中，souX为横坐标，souY为纵坐标，dexW为图像宽度，Heightmax为获取舞台创新场景高度最大范围，为height获取舞台创新场景高度最新数据，Pn为投影屏慕的规格；

输入生成样本G(zi)时，舞台创意场景的输出值计算公式如下：以dexH为判断当前输入是真实数据，还是生成数据的置信度，判断G生成数据的好坏，结果如下：

其中，dexX为横坐标，dexY为纵坐标，dexH判断当前输入数据的置信度，souY为源舞台场景数据中重分区域纵坐标；

综上，通过对生成样本数据并进行判别，可确定舞台创意场景在建设过程中的各参数，生成舞台创意场景真实度较高。