專利名稱：一種基于光學的運動捕獲數據的骨骼運動提取方法
技術領域：
本發(fā)明主要涉及到一種運動捕獲數據的骨骼運動提取方法，特別是涉及一種基于光學的運動捕獲數據的骨骼運動提取方法。
背景技術：
運動捕獲技術是一種能夠直接捕捉運動對象的動作，用數字表示這些動作，并利用計算機對結果運動數據進行處理的技術。有關運動捕獲技術的相關信息可參考參考文獻1，中國專利名稱為“獲取運動捕獲數據的方法”，專利申請?zhí)?br> 的申請，文中指出運動捕獲技術是利用標志點或傳感器以三維的形式記錄真實人或動物的動作，比較典型的運動捕獲設備有四大類聲學型，光學式、電磁式和機械式；其中實用范圍最廣，精度最高的是光學式的運動捕獲設備。
基于光學的運動捕獲數據是指用光學捕獲設備捕捉到的運動數據，實際上是運動過程中貼在人或動物身體上的標志點每一時刻在三維空間中的位置信息的數字化表示，更進一步來說，一個被捕獲的運動的時間可能長幾秒到幾十秒鐘不等，而每一秒鐘進行捕獲的相機要聯合拍攝30張到120張三維照片，每一張三維照片表示的就是某一個時刻貼在人或動物身體上的所有標志點的三維空間位置，也被稱為一個基于光學的運動捕獲數據幀。而一個基于光學的運動捕獲數據是由一組連續(xù)的基于光學的運動捕獲數據幀構成的，實際上就是一組連續(xù)的三維坐標值。目前基于光學的物體運動過程的捕獲技術已經非常成熟，標志物體的三維空間坐標值已達到亞毫米級精度。
然而在計算機人體運動仿真的過程中，人體是依靠皮膚下的骨骼系統(tǒng)來驅動的，人體的骨骼系統(tǒng)由關節(jié)和骨骼構成，只有通過輸入關節(jié)角度旋轉相應的關節(jié)來帶動骨骼，才能驅動人體做出各種運動。但是基于光學的運動捕獲數據只是一組連續(xù)的三維坐標置，輸入計算機后，必須要有一個數據處理程序，即基于光學的運動捕獲數據的骨骼運動提取程序，來將輸入的三維坐標值轉換成關節(jié)角度值也就是骨骼運動數據，才能驅動人體做出相應的動作。
目前實現基于光學的運動捕獲數據的骨骼運動提取程序所用的方法，基本上都針對各自相應的標志點貼法，并且要求貼的位置非常準確，當標志點貼的位置有稍有偏移時就得不到正確的結果；另一方面在處理過程中采用一種被稱為逆運動學的關節(jié)角度求解技術，這種技術對一些關節(jié)的靈活度做了人為的限制，使得他們只能繞一個或兩個軸旋轉，而實際上這些關節(jié)是繞三個軸旋轉，因此這些骨骼運動提取程序所提取的骨骼運動只能是近似地反映了被捕獲的運動而不是精確地表示被捕獲的運動。
另外，當計算機人體運動仿真應用于體育運動或軍事運動仿真時，人體運動的逼真度要求遠遠高于一般的人體運動仿真，必須盡可能精確再現被捕獲的運動，而目前基于光學的運動捕獲數據的骨骼運動提取程序所用方法是達不到這個要求的。

發(fā)明內容
本發(fā)明的目的是為了克服已有方法中貼標志點的精確位置難以控制，而造成捕獲數據也難以得到正確的結果的缺陷，從而提供一種基于光學的運動捕獲數據的骨骼運動提取方法，該方法能提取出與輸入的基于光學的運動捕獲數據精確匹配的骨骼運動。
為了實現上述目的，本發(fā)明提供了一種基于光學的運動捕獲數據的骨骼運動提取方法，該方法包括如下步驟將光學捕獲設備捕捉到的基于光學的運動捕獲數據輸入電腦，由標志點的位置估計相鄰骨骼間關節(jié)中心的位置，進而構造與捕獲對象粗糙匹配的骨骼系統(tǒng)；在構造的骨骼系統(tǒng)上建立骨骼局部坐標系；根據骨骼局部坐標計算初始的骨骼運動數據，并建立起與運動捕獲對象匹配的骨骼系統(tǒng)和虛擬標志點系統(tǒng)；將建立的骨骼系統(tǒng)劃分骨骼鏈，建立骨骼鏈中真實標志點與虛擬標志點的距離函數，對距離函數逐鏈逐幀進行距離最小優(yōu)化，不斷更新虛擬標志點的坐標，使最后的虛擬標志點與真實標志點之間的距離穩(wěn)定后所得到的骨骼運動數據就是基于光學的運動捕獲數據的骨骼運動數據。
上述技術方案中，一個優(yōu)選方法是，還包括對最終得到的骨骼運動數據采用四元數線性時不變?yōu)V波系統(tǒng)進行過濾，得到平滑的骨骼運動。
上述技術方案中，所述的建立與運動捕獲對象匹配的骨骼系統(tǒng)是通過將各幀中估計得到的骨骼長度相加求平均值得到各幀統(tǒng)一的骨骼長度，從而建立骨骼系統(tǒng)。
上述技術方案中，所述的與運動捕獲對象匹配的虛擬標志點系統(tǒng)是以運動捕獲數據幀中第一幀中的每一真實標志點在相應的局部骨骼系統(tǒng)中的坐標位置，作為虛擬標志點的初始坐標。
上述技術方案中，所述的將建立的骨骼系統(tǒng)劃分骨骼鏈分為世界坐標系原點-人體根，人體根-腰-髖-膝-踝，人體根-腰-胸，人體根-腰-胸-頸-頭，人體根-腰-胸-鎖-肩-肘-腕五類骨骼鏈。
上述技術方案中，所述的對真實標志點與虛擬標志點的距離函數進行優(yōu)化是采用非線性優(yōu)化方法逐鏈逐幀進行距離最小優(yōu)化，逐步得到所有骨骼運動數據。
所述的對真實標志點與虛擬標志點的距離函數的非線性優(yōu)化方法是采用BFGS校正的擬牛頓方法。
上述技術方案中，所述的更新虛擬標志點的坐標采用了均值法，均值法將某一實際標志點在每一幀中的局部坐標值加起來，除以總的幀數，得到該實際標志點所對應的虛擬標志點的更新坐標。
上述技術方案中，所述的虛擬標志點與真實標志點之間的距離穩(wěn)定的判斷標準為在每一條骨骼鏈上，對真實標志點與虛擬標志點的距離函數逐幀進行距離最小優(yōu)化，每一幀得到一個距離函數值，一次優(yōu)化后將每一幀的距離函數值加起來作為該次優(yōu)化總的函數值，將它與下一次優(yōu)化的總的函數值比較，若兩者的差在設定的范圍以內，則認為虛擬標志點與真實標志點距離穩(wěn)定。
本發(fā)明所述方法的優(yōu)點在于1、本發(fā)明的方法能夠提取出與輸入的基于光學的運動捕獲數據精確匹配的骨骼運動。
2、本發(fā)明的方法既降低了對輸入的基于光學的運動捕獲數據的標志點貼的位置的準確性要求，又不影響運動捕獲數據的精確度。
3、本發(fā)明的方法不僅適用于人體運動的捕獲而且還適用于動物運動的捕獲。
4、本發(fā)明的方法并不局限于某一種特殊的標志點貼法，因此具有很好的通用性。


圖1是人體骨骼及關節(jié)示意圖；圖2是人體虛擬標志點初始圖；圖3是采集的真實人體標志點視圖幀；圖4虛擬真實標志點匹配結果示意視圖幀；圖5是本發(fā)明方法的處理流程圖。
圖面說明1.人體根關節(jié) 2.左髖關節(jié) 3.左膝關節(jié) 4.左踝關節(jié) 5.左足6.腰關節(jié) 7.胸關節(jié) 8.頸關節(jié) 9.頭關節(jié) 10.左鎖關節(jié)11.左肩關節(jié) 12.左肘關節(jié)1 3.左腕關節(jié) 14.左掌.
具體實施例方式
參照附圖，對本發(fā)明所述方法做詳細說明。
參照圖5，為本發(fā)明方法的一種優(yōu)選實施方式的流程圖。
本發(fā)明的一種基于光學的運動捕獲數據的骨骼運動提取方法包括以下步驟步驟10、利用背景技術中所提到的光學運動捕獲設備，如本實施例是采用VICON公司生產的捕獲設備VICON 4.5，得到基于光學的運動捕獲數據，本實施例是要利用這些已獲取的數據信息，求取骨骼運動數據，即骨骼的關節(jié)角度值。有了骨骼運動數據才能驅動運動對象做出相應的動作。參照圖3，為利用光學運動捕獲設備得到的人體標志點的視圖。
步驟20、依據已知的基于光學的運動捕獲數據中的標志點的位置估計相鄰骨骼之間關節(jié)中心的位置，進而構造與捕獲對象粗糙匹配的骨骼系統(tǒng)。如附圖1、2所示，無論對于何種運動形式，人體每一個主要關節(jié)，包括肩，肘，腕，髖，膝，踝，頸，頭的附近都貼有一個或幾個標志點，標志點的具體貼法，即標志點的數目和所貼的位置在各種貼法中大致相同，只有一些細微的差別，本領域的一般技術人員很容易知道，本實施例中，肘，肩，膝，踝各貼一個，腕關節(jié)貼兩個，頭部四個外，腰部四個、胸部四或五個(包含頸部的兩個)、足部三個或一個，手掌一個，由此可以建立每一關節(jié)中心與附近的標志點以及附近的關節(jié)中心的一個粗糙的幾何關系，利用該幾何關系，可以近似構造出關節(jié)中心。例如腕關節(jié)近似為貼在腕部的左右兩個標志點的中點；肩關節(jié)近似是肩上標志點沿垂直于兩肩連線向下移動肩寬的十分之一；肘關節(jié)中心與近似肩關節(jié)中心，肘部標志點構成直角三角形并且肘關節(jié)中心為直角頂點，它到肘部標志點的距離為測量的肘寬數據；其他的關節(jié)中心可以依據類似方法近似構造。在近似構造出所有的關節(jié)中心以后，將這些關節(jié)中心相連，就能夠初步構造出一個與捕獲對象粗糙匹配的骨骼系統(tǒng)。由于在每一幀中，標志點的位置不同，用該方法初步構造出的骨骼系統(tǒng)在不同幀中的同一骨骼長度是可變的。
步驟30、依據構造的骨骼系統(tǒng)建立骨骼局部坐標系，根據局部坐標計算生成初始的骨骼運動數據。以人體骨骼系統(tǒng)為例，參考附圖1，可以選擇肘關節(jié)中心到肩關節(jié)中心的連線作為上臂局部坐標系的Y軸，選擇垂直肘關節(jié)中心到肩關節(jié)中心的連線以及肘關節(jié)中心到腕關節(jié)中心的連線的方向作為上臂局部坐標系的X軸，然后依據xY軸構造相應的Z軸，并且選擇肘關節(jié)中心作為上臂局部坐標系的坐標原點。得到骨骼的局部坐標以后，就可以計算初始的骨骼運動數據。例如上臂和下臂是兩個相鄰的骨骼，在上臂上可以構造一個局部坐標系P，在下臂上可以構造一個局部坐標系C，下臂通過肘關節(jié)繞著上臂轉，那么作為兩個相鄰坐標系P和C，如果C繞著P轉，則其中P為父坐標系，C為子坐標系，P-1C為P到C的過渡旋轉矩陣；P-1C可直接轉為歐拉角或四元數，此處所述的歐拉角或四元數就是用來表示骨骼的關節(jié)角度值的變量，所得到的歐拉角或四元數即為骨骼運動數據。此處所得到的初始骨骼運動數據用于下面優(yōu)化計算的初值。
步驟40、計算每段骨骼的長度，構造與捕獲對象匹配的骨骼系統(tǒng)。在步驟20中已依據標志點的位置估計相鄰骨骼之間關節(jié)中心的位置，兩個相鄰的關節(jié)之間的骨骼長度為所有幀中這兩個相鄰關節(jié)中心之間的距離的平均值。以計算人體骨骼系統(tǒng)上臂的骨骼長度為例，每一幀的肩和肘關節(jié)中心的三維坐標值在上述計算初始骨骼運動數據的步驟20中已經估計出來，每一幀上臂的骨骼長度為該幀肩和肘關節(jié)中心之間的距離，將所有幀的上臂長度加起來除以總的幀數即為上臂長度。在本步驟中，得到的骨骼長度與步驟20相比，在各個幀中的骨骼長度都是一致的。
步驟50、依據計算所得的骨骼，自動計算運動捕獲數據幀第一幀中的每一真實標志點在相應的局部骨骼系統(tǒng)中的坐標位置，作為虛擬標志點的初始坐標，從而建立與捕獲對象匹配的虛擬標志點系統(tǒng)。參照附圖2，該圖是人體虛擬標志點初始圖。所述的真實標注點是指基于光學的運動捕獲數據中的標志點，虛擬標志點是指附著在相應的骨骼上，隨著骨骼的運動而改變它在三維空間中的位置，但在相應的骨骼局部坐標系的坐標保持不變的虛擬的標志點。以人體為例；當前肩部坐標系為P，其坐標原點即肩關節(jié)中心為O，肩部一真實標志點的坐標為M，則該真實標志點所對應的虛擬標志點坐標為P*(M-O)，這是一個局部坐標系坐標值。
步驟60、劃分樹狀骨骼系統(tǒng)成若干分枝鏈狀結構，建立鏈狀系統(tǒng)的虛擬標志點與真實標志點距離函數。例如參考圖1，人體骨骼系統(tǒng)可以劃分為世界坐標系原點-人體根，人體根-腰-髖-膝-踝，人體根-腰-胸，人體根-腰-胸-頸-頭，人體根-腰-胸-鎖-肩-肘-腕等五類骨骼鏈；例如，設某個鏈有N個虛擬標志點，且有三個關節(jié)，從人體根開始依次為i＝1，2，3；該骨骼鏈第j個虛擬標志點的坐標VJ，它剛好位于第三關節(jié)上；每個關節(jié)的旋轉角度參數記(ai，bi，ci)，每個關節(jié)的旋轉角度參數就是步驟30中所求得的骨骼運動數據；每一關節(jié)中心相對其父關節(jié)的局部坐標系偏移量為Pi，所述的父關節(jié)是指剛體鏈上該關節(jié)的前一關節(jié)，而人體根的父關節(jié)為世界坐標系原點(O，O，O)，此處所述的世界坐標系與本實施例中的全局坐標系是同一個概念。而除了人體根關節(jié)以外，關節(jié)中心的偏移量Pi就是步驟40中得到的所在關節(jié)與父關節(jié)中心之間的骨骼長度，因此為常數不變。每一組((ai，bi，ci)，Pi))可計算得出所對應的4x4的旋轉矩陣Mi，則第三關節(jié)上的虛擬標志點全局坐標為M1M2M3VJ，記為Pj(虛擬標志點位于第幾關節(jié)計算它的全局坐標就左乘上幾個相應的父坐標系矩陣)，而它所對應的真實標志點的坐標為Tj，則該鏈N個虛擬標志點與真實標志點距離函數為f(a1,b1,c1,a2,b2,c2,a3,b3,c3)=Σj=1N(Pj-Tj)2·]]>另外世界坐標系原點-人體根鏈上的距離函數比較特殊，因為人體根關節(jié)不僅有旋轉角度參數(a，b，c)，還有位移參數p＝(x，y，z)，通過(a，b，c，p)可計算人體根的旋轉矩陣M，設人體根上有N個虛擬標志點，它們的局部坐標分別記Vj，j＝1，2，3，...，N，則虛擬標志點的全局坐標為MVj，記為Pj，而它所對應的真實標志點的坐標為Tj，因此世界坐標系原點-人體根鏈上距離函數為f(a,b,c,x,y,z)=Σj=1N(Pj-Tj)2·]]>步驟70、采用非線性優(yōu)化方法逐鏈反復逐幀進行距離最小優(yōu)化，在優(yōu)化過程中不斷更新虛擬標志點的坐標，直到虛擬標志點與真實標志點距離穩(wěn)定，逐步得到所有骨骼運動數據。
所述的逐鏈是指先優(yōu)化鏈世界坐標系原點-人體根，然后優(yōu)化鏈人體根-腰-髖-膝-踝，然后依次優(yōu)化鏈人體根-腰-胸，人體根-腰-胸-頸-頭，人體根-腰-胸-鎖-肩-肘-腕。
所述的逐幀是優(yōu)化某一條鏈時對所有運動捕獲數據幀逐幀進行計算，比如先優(yōu)化計算第一幀的(ai，bi，ci)，然后計算第二幀的(ai，bi，ci)，然后第三幀，依次直到最后一幀的(ai，bi，ci)。所有幀的(ai，bi，ci)數據合起來構成骨骼運動數據。
這里所述的反復指的是優(yōu)化某一鏈時，反復進行一個過程，即當對該鏈所有幀做完一次優(yōu)化，得到該鏈骨骼運動數據之后，采用均值法重新計算出虛擬標志點坐標，再將新的虛擬標志點坐標帶入該鏈的距離函數，對該鏈再一次進行距離最小優(yōu)化。此處的均值法指的是按照步驟50中的方法分別計算在新的骨骼運動數據驅動下該鏈某一實際標志點在每一幀中相對于新的對應的骨骼坐標系的三維局部坐標值，把每一幀的局部坐標值加起來除以總的幀數就得到該實際標志點所對應的虛擬標志點的更新坐標。
這里所述的直到虛擬標志點與真實標志點距離穩(wěn)定，是指在對每一條鏈進行優(yōu)化時采用的是一個反復優(yōu)化的過程，即優(yōu)化-更新-再優(yōu)化的一個循環(huán)過程，而每一次優(yōu)化都是對所有幀逐幀進行，逐幀得到相應的(ai，bi，ci)參數值，每一幀都有一個距離函數值，一次優(yōu)化后將每一幀的距離函數值加起來作為該次優(yōu)化總的函數值，將它與下一次優(yōu)化的總的函數值比較，若兩者的差在±0.5以內，則認為虛擬標志點與真實標志點距離穩(wěn)定，終止該鏈的反復優(yōu)化過程。將該鏈中最后一次優(yōu)化所得到的各幀的(ai，bi，ci)數據合成得到該鏈的骨骼運動數據。用同樣的方法得到各骨骼鏈的骨骼運動數據，也就得到了最終的結果。
這里的優(yōu)化方法推薦使用BFGS校正的擬牛頓方法，因為BFGS校正是迄今最好的擬牛頓公式，具有總體收斂性，并且可以與低精度收斂算法一起連用。具體實施細節(jié)如下若虛擬標志點與真實標志點距離函數為f(a1,b1,c1,a2,b2,c2,a3,b3,c3)=Σj=1N(Pj-Tj)2]]>本實施例要做一個無約束非線性優(yōu)化，極小化距離函數MinimizeF(X)其中，X＝(a1，b1，c1，a2，b2，c2，a3，b3，c3)等價于解一個非線性方程組f(X)＝0，其中f=∂F∂Xi]]>i＝1，2，3，...9具體實施步驟(1)選取初值若對第一幀數據進行優(yōu)化求解時x0取步驟30計算出來的相應值，否則x0取前一幀的計算結果。G0＝I，給定允許誤差ε＞0，其中I為單位矩陣，ε取0.05。
(2)檢查是否滿足終止條件。計算f(x0)，若‖f(x0)‖＜ε，迭代終止，x0為近似最優(yōu)解否則轉第三步。
(3)構造初始BFGS方向。取d0＝-G0f(x0)，令k＝0；
(4)進行一維搜索，求出λ0和xk+1，使f(xk+λkdk)＝min(f(xk+λkdk))(5)檢查是否滿足終止條件。計算f(xk)，若‖f(xk)‖＜ε，迭代終止，xk為近似最優(yōu)解否則轉第六步。
(6)構造BFGS方向，用BFGS迭代公式Gk+!=Gk+ΔxkΔxkTΔxkTΔgk(1+ΔgkTGkΔgkΔxkTΔgk)-1ΔxkTΔgk(ΔxkΔgkTGk+GkΔgkΔxkT)]]>其中，Δxk＝xk+1-xk，Δgk＝f(xk+1)-f(xk)，Δgk＝Gk+1-Gk上文實現了對距離函數f(a1,b1,c1,a2,b2,c2,a3,b3,c3)=Σj=1N(Pj-Tj)2]]>的優(yōu)化，而對于特殊的距離函數，即世界坐標系原點-人體根鏈上的距離函數f(a,b,c,x,y,z)=Σj=1N(Pj-Tj)2,]]>上述的BFGS校正的擬牛頓方法也同樣適用。
以人體骨骼系統(tǒng)及標志點系統(tǒng)為例，圖4為相應一幀的最終計算結果。通過對虛擬標志點與真實標志點間距離的反復優(yōu)化過程，可以從輸入的基于光學的運動捕獲數據中提取出精確匹配的骨骼運動，并降低了對輸入的基于光學的運動捕獲數據的標志點貼的位置的準確性要求。
步驟80、基于四元數線性時不變?yōu)V波系統(tǒng)對骨骼運動數據進行過濾，得到平滑的骨骼運動；其具體的過濾過程為將歐拉角數據轉換成對應的四元數，然后將四元數通過對數運算映射到切空間，在切空間用線性時不變?yōu)V波器進行濾波，得到一條平滑的曲線，然后將濾波的結果用指數運算映射回四元數空間，再轉換成歐拉角度數。上述的過濾方法是現有技術，在此不再詳述。
通過本實施例中所述方法的上述步驟，完全可以實現從基于光學的運動捕獲數據中提取骨骼運動，以精確再現被捕獲物體的運動。
權利要求
1.一種基于光學的運動捕獲數據的骨骼運動提取方法，包括以下步驟將光學捕獲設備捕捉到的基于光學的運動捕獲數據輸入電腦，由標志點的位置估計相鄰骨骼間關節(jié)中心的位置，進而構造與捕獲對象粗糙匹配的骨骼系統(tǒng)；在構造的骨骼系統(tǒng)上建立骨骼局部坐標系；根據骨骼局部坐標計算初始的骨骼運動數據，并建立起與運動捕獲對象匹配的骨骼系統(tǒng)和虛擬標志點系統(tǒng)；將建立的骨骼系統(tǒng)劃分骨骼鏈，建立骨骼鏈中真實標志點與虛擬標志點的距離函數，對距離函數逐鏈逐幀進行距離最小優(yōu)化，不斷更新虛擬標志點的坐標，使最后的虛擬標志點與真實標志點之間的距離穩(wěn)定后所得到的骨骼運動數據就是基于光學的運動捕獲數據的骨骼運動數據。
2.根據權利要求1所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，還包括對最終得到的骨骼運動數據采用四元數線性時不變?yōu)V波系統(tǒng)進行過濾，得到平滑的骨骼運動。
3.根據權利要求1或2所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的建立與運動捕獲對象匹配的骨骼系統(tǒng)是通過將各幀中估計得到的骨骼長度相加求平均值得到各幀統(tǒng)一的骨骼長度，從而建立骨骼系統(tǒng)。
4.根據權利要求1或2所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的與運動捕獲對象匹配的虛擬標志點系統(tǒng)是以運動捕獲數據幀中第一幀中的每一真實標志點在相應的局部骨骼系統(tǒng)中的坐標位置，作為虛擬標志點的初始坐標。
5.根據權利要求1或2所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的將建立的骨骼系統(tǒng)劃分骨骼鏈分為世界坐標系原點-人體根，人體根-腰-髖-膝-踝，人體根-腰-胸，人體根-腰-胸-頸-頭，人體根-腰-胸-鎖-肩-肘-腕五類骨骼鏈。
6.根據權利要求1或2所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的對真實標志點與虛擬標志點的距離函數進行優(yōu)化是采用非線性優(yōu)化方法逐鏈逐幀進行距離最小優(yōu)化，逐步得到所有骨骼運動數據。
7.根據權利要求6所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的對真實標志點與虛擬標志點的距離函數的非線性優(yōu)化方法是采用BFGS校正的擬牛頓方法。
8.根據權利要求1或2所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的更新虛擬標志點的坐標采用了均值法，均值法將某一實際標志點在每一幀中的局部坐標值加起來，除以總的幀數，得到該實際標志點所對應的虛擬標志點的更新坐標。
9.根據權利要求1或2所述的一種基于光學的運動捕獲數據的骨骼運動提取方法，其特征在于，所述的虛擬標志點與真實標志點之間的距離穩(wěn)定的判斷標準為在每一條骨骼鏈上，對真實標志點與虛擬標志點的距離函數逐幀進行距離最小優(yōu)化，每一幀得到一個距離函數值，一次優(yōu)化后將每一幀的距離函數值加起來作為該次優(yōu)化總的函數值，將它與下一次優(yōu)化的總的函數值比較，若兩者的差在設定的范圍以內，則認為虛擬標志點與真實標志點距離穩(wěn)定。
全文摘要
本發(fā)明公開一種基于光學的運動捕獲數據的骨骼運動提取方法，含以下步驟由標志點位置估計關節(jié)中心位置，構造與捕獲對象粗糙匹配的骨骼系統(tǒng)；在骨骼系統(tǒng)上建立骨骼局部坐標系；由骨骼局部坐標計算初始的骨骼運動數據，建立與運動捕獲對象匹配的骨骼系統(tǒng)和虛擬標志點系統(tǒng)；在骨骼系統(tǒng)上劃分骨骼鏈，建立真實與虛擬標志點的距離函數，并逐鏈逐幀進行距離最小優(yōu)化，不斷更新虛擬標志點坐標，當虛擬標志點與真實標志點距離穩(wěn)定后，所得到的骨骼運動數據就是結果。采用本發(fā)明的方法能夠提取出與基于光學的運動捕獲數據精確匹配的骨骼運動；降低對標志點所貼位置的準確性要求，且不影響運動捕獲數據的精確度；不局限于某一種特定的標志點貼法。
文檔編號G06T1/00GK1766831SQ20051005359
公開日2006年5月3日 申請日期2005年3月10日 優(yōu)先權日2004年10月29日
發(fā)明者王兆其, 文高進, 朱登明, 夏時洪 申請人:中國科學院計算技術研究所