專利名稱：三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)三維動(dòng)畫技術(shù)及多媒體數(shù)據(jù)處理領(lǐng)域，尤其涉及一種三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法。
背景技術(shù)：
近年來隨著運(yùn)動(dòng)捕獲設(shè)備的廣泛使用，生成大量具有真實(shí)感的三維人體運(yùn)動(dòng)數(shù)據(jù)，這些數(shù)據(jù)被廣泛應(yīng)用于計(jì)算機(jī)游戲、動(dòng)畫生成及醫(yī)學(xué)仿真等多個(gè)領(lǐng)域。由于采用光學(xué)捕獲系統(tǒng)對入體運(yùn)動(dòng)捕獲時(shí)得到的人體運(yùn)動(dòng)序列較長，且往往包含了若干連續(xù)的但具有不同類型的運(yùn)動(dòng)數(shù)據(jù)(比如走、跑、跳等)，為了便于大量三維人體運(yùn)動(dòng)數(shù)據(jù)的壓縮存儲(chǔ)、檢索、瀏覽及更進(jìn)一步的運(yùn)動(dòng)編輯，對長序列人體運(yùn)動(dòng)數(shù)據(jù)中包含的不同類型的運(yùn)動(dòng)數(shù)據(jù)進(jìn)行自動(dòng)分割是非常有用的。
數(shù)據(jù)分割是一種廣泛應(yīng)用于多媒體數(shù)據(jù)分析領(lǐng)域的技術(shù)，比如視頻鏡頭分割，音頻分割等。與其它多媒體數(shù)據(jù)分割不同，三維人體運(yùn)動(dòng)數(shù)據(jù)是一種結(jié)構(gòu)化的多媒體數(shù)據(jù)?，F(xiàn)有人體運(yùn)動(dòng)數(shù)據(jù)分割方法主要分為兩類基于模型的運(yùn)動(dòng)數(shù)據(jù)分割方法與基于底層數(shù)據(jù)分析的運(yùn)動(dòng)分割方法。《美國計(jì)算機(jī)學(xué)會(huì)圖形學(xué)學(xué)報(bào)》2003年第三期中(ACM Transactions on Graphics2003，33(3)402-408)公布了一種基于模型的運(yùn)動(dòng)標(biāo)注方法，基于手工標(biāo)注的訓(xùn)練樣本集和構(gòu)建好的支持向量機(jī)分類器，運(yùn)動(dòng)數(shù)據(jù)序列中的不同運(yùn)動(dòng)類型會(huì)得到自動(dòng)標(biāo)注。2003年國際圖像處理大會(huì)論文集中(Proceedings of ICIP 2003，II105-108)公布了一種分層的人體行為分割方法，采用一種動(dòng)態(tài)分層數(shù)據(jù)結(jié)構(gòu)表示人體運(yùn)動(dòng)數(shù)據(jù)，進(jìn)而采用一種簡單的貝葉斯分類器完成人體行為分割?；谀Ｐ偷倪\(yùn)動(dòng)數(shù)據(jù)分割方法需要以大量訓(xùn)練數(shù)據(jù)為基礎(chǔ)，且分割結(jié)果受到訓(xùn)練數(shù)據(jù)影響較大，因此較難在實(shí)際中得到應(yīng)用。
《自治機(jī)器人學(xué)報(bào)》2002年第一期中(Autonomous Robots，2002，12(1)39-54)的方法采用檢測關(guān)節(jié)角度數(shù)據(jù)過零點(diǎn)的方法對人體手臂運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分割，該方法實(shí)現(xiàn)非常簡單，但分割結(jié)果精度不高。2005年圖形接口大會(huì)會(huì)議論文集中(Proceedings of GraphicsInterface，2004，185-194)公布的方法認(rèn)為不同類型的人體運(yùn)動(dòng)數(shù)據(jù)應(yīng)該具有不同的內(nèi)部維度，因此采用PCA、PPCA、GMM等方法對長序列的人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行維度分析，進(jìn)而達(dá)到數(shù)據(jù)分割的目的，該方法能夠達(dá)到較高的切分精度，且不需要訓(xùn)練數(shù)據(jù)支持，但是PCA、PPCA子空間的構(gòu)建及GMM等統(tǒng)計(jì)模型的建立耗時(shí)過多，因此分割效率不高。

發(fā)明內(nèi)容
本發(fā)明為克服上述現(xiàn)有方法的缺點(diǎn)和不足，提供了一種高效、自動(dòng)的三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法。
三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法包括以下步驟(1)首先采用具有16個(gè)關(guān)節(jié)點(diǎn)的人體骨骼模型表示三維人體運(yùn)動(dòng)數(shù)據(jù)，并在預(yù)處理時(shí)將與人體運(yùn)動(dòng)類型無關(guān)的根節(jié)點(diǎn)位移和旋轉(zhuǎn)向量數(shù)據(jù)過濾掉；(2)采用啟發(fā)式人體運(yùn)動(dòng)數(shù)據(jù)粗略分割算法確定整個(gè)人體運(yùn)動(dòng)數(shù)據(jù)序列中的粗略分割點(diǎn)；(3)以粗略分割點(diǎn)為界，將原始人體運(yùn)動(dòng)數(shù)據(jù)序列劃分為若干段，將每兩段運(yùn)動(dòng)數(shù)據(jù)作為輸入，采用基于ISOMAP的三維運(yùn)動(dòng)數(shù)據(jù)非線性降維及分割方法確定其精確分割點(diǎn)。
所述三維人體運(yùn)動(dòng)數(shù)據(jù)表示方法是將人體表示為由16個(gè)關(guān)節(jié)點(diǎn)構(gòu)成的樹狀模型，并采用如下方式表示三維人體運(yùn)動(dòng)數(shù)據(jù)M＝{F(1)，F(xiàn)(2)，...，F(xiàn)(t)，...，F(xiàn)(n)}F(t)＝{p(t)，q1(t)，...，qm(t)}其中F(t)是三維運(yùn)動(dòng)序列M中的第t幀，p(t)是根節(jié)點(diǎn)在第t幀中的位移，qi(t)是第i個(gè)關(guān)節(jié)點(diǎn)在第t幀中的旋轉(zhuǎn)向量。此外，在對三維人體運(yùn)動(dòng)數(shù)據(jù)序列進(jìn)行計(jì)算時(shí)，人體根節(jié)點(diǎn)的位移和旋轉(zhuǎn)向量數(shù)據(jù)會(huì)被過濾掉。
所述啟發(fā)式人體運(yùn)動(dòng)數(shù)據(jù)粗略分割算法是對輸入的整個(gè)三維人體運(yùn)動(dòng)序列中每一幀之間的歐拉距離進(jìn)行計(jì)算，形成整個(gè)運(yùn)動(dòng)序列的距離矩陣并選擇在第一幀的位置對距離矩陣切片，進(jìn)而采用一種啟發(fā)式的數(shù)字信號(hào)跳變檢測方法就可以得到整個(gè)運(yùn)動(dòng)序列的粗略分割點(diǎn)，該啟發(fā)式方法的偽代碼如下M＝LoadMotion(...)； ∥裝載運(yùn)動(dòng)數(shù)據(jù)D＝DistanceMatrix(D)； ∥計(jì)算運(yùn)動(dòng)序列的距離矩陣len＝Length(M)； ∥得到運(yùn)動(dòng)序列長度curFrm＝1； ∥設(shè)置當(dāng)前幀為第一幀while(curFrm＜len){curDistCurv＝D(curFrm，)； ∥得到當(dāng)前幀的距離曲線，及切片操作Set interval；∥設(shè)置算法步長∥計(jì)算當(dāng)前運(yùn)動(dòng)序列中幀與幀之間的最大距離(從第curFrm+sp幀到第curFrm+ep幀)diff＝MaxMinDiff(curDistCurv(curFrm+spcurFrm+ep))；i＝curFrm+ep；while(i＜len)
{[maxvalue maxindex]＝max(curDistCurv(ii+interval))；[minvalue minindex]＝min(curDistCurv(ii+interval))；if(maxvalue-minvalue)＞＝diff*a{segPt＝i+fix((maxindex+minindex)/2)；break；}if(maxvalue-minvalue)＜＝diff*β{segPt＝i+fix((maxindex+miniudex)/2)；break；}i＝i+interval；}Save(segPt)；curFrm＝segPt；}所述的基于ISOMAP的三維運(yùn)動(dòng)數(shù)據(jù)非線性降維及分割方法是將三維人體運(yùn)動(dòng)序列中的每一幀作為一個(gè)高維樣本點(diǎn)，整個(gè)三維人體運(yùn)動(dòng)序列作為樣本集，輸入到ISOMAP算法中進(jìn)行運(yùn)算，輸出得到低維流形空間中的三維人體運(yùn)動(dòng)序列樣本點(diǎn)分布；然后采用K平均聚類算法對這些低維流形空間中分布的樣本點(diǎn)進(jìn)行聚類，得到最終的精確分割點(diǎn)。
本發(fā)明所述的三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法具有如下特點(diǎn)1.該方法計(jì)算復(fù)雜度低，基于流形分析ISOMAP的非線性降維算法對數(shù)據(jù)維度不敏感，因此計(jì)算效率較高；2.該方法自動(dòng)化程度高，給定一段包含多種類型的人體運(yùn)動(dòng)數(shù)據(jù)后，不需要要設(shè)定計(jì)算參數(shù)即可進(jìn)行自動(dòng)計(jì)算；3.基于非線性降維算法得到的數(shù)據(jù)分割結(jié)果精確性高。


圖1是人體骨架模型；圖2表示三維人體運(yùn)動(dòng)序列的距離矩陣，紅色虛線表示這里可能是一個(gè)分割點(diǎn)；圖3是距離矩陣在第一幀出的一個(gè)切片表示，紅色小框表示這里可能是一個(gè)分割點(diǎn)；
圖4是本發(fā)明的三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法工作流程圖；圖5是人體運(yùn)動(dòng)數(shù)據(jù)經(jīng)過ISOMAP非線性降維及分割后的結(jié)果，其中(a)是三維人體運(yùn)動(dòng)數(shù)據(jù)在三維流形空間中的分布，(b)是采用K平均算法對該運(yùn)動(dòng)序列進(jìn)行分割的結(jié)果；圖6是對一段包含各種人體行為的長序列三維人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分割的結(jié)果。
具體實(shí)施例方式
本發(fā)明的三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法具體實(shí)施的技術(shù)方案及步驟如下1.三維人體運(yùn)動(dòng)數(shù)據(jù)預(yù)處理本發(fā)明采用如附圖1所示的人體骨架模型。該模型由16個(gè)關(guān)節(jié)組成。運(yùn)動(dòng)數(shù)據(jù)可以表示為如下形式M＝{F(1)，F(xiàn)(2)，...，F(xiàn)(t)，...，F(xiàn)(n)}(1)F(t)＝{p(t)，q1(t)，...，qm(t)} (2)其中F(t)是三維運(yùn)動(dòng)序列M中的第t幀，p(t)是根節(jié)點(diǎn)在第t幀中的位移，qi(t)是第i個(gè)關(guān)節(jié)點(diǎn)在第t幀中的旋轉(zhuǎn)向量。
在對三維人體運(yùn)動(dòng)數(shù)據(jù)序列進(jìn)行計(jì)算時(shí)，人體根節(jié)點(diǎn)的位移和旋轉(zhuǎn)向量數(shù)據(jù)會(huì)被過濾掉，因?yàn)楦?jié)點(diǎn)的位移和旋轉(zhuǎn)向量數(shù)據(jù)僅僅表示該時(shí)刻人體的空間位置和朝向，與人體行為本身沒有關(guān)系。
2.一種啟發(fā)式粗略分割算法得到前面描述的三維人體運(yùn)動(dòng)數(shù)據(jù)表示后，需要對其進(jìn)行粗略分割。這里對輸入的整個(gè)三維人體運(yùn)動(dòng)序列中每一幀之間的歐拉距離進(jìn)行計(jì)算，形成整個(gè)運(yùn)動(dòng)序列的距離矩陣(見附圖2)，可以看到該段三維人體運(yùn)動(dòng)序列可以大致切分為4或5段(見附圖2中紅色虛線的位置)。
但是要想用計(jì)算機(jī)方法從圖2中直接找出分割點(diǎn)非常困難，因此選擇在第一幀的位置對距離矩陣切片，得到附圖3所示的圖形。從圖3可以看到，采用一種啟發(fā)式的數(shù)字信號(hào)跳變檢測方法就可以得到整個(gè)運(yùn)動(dòng)序列的粗略分割點(diǎn)。
運(yùn)動(dòng)序列啟發(fā)式粗略分割方法偽代碼如下M＝LoadMotion(...)；∥裝載運(yùn)動(dòng)數(shù)據(jù)D＝DistanceMatrix(D)； ∥計(jì)算運(yùn)動(dòng)序列的距離矩陣len＝Length(M)；∥得到運(yùn)動(dòng)序列長度curFrm＝1； ∥設(shè)置當(dāng)前幀為第一幀while(curFrm＜len){
curDistCurv＝D(curFrm，)；∥得到當(dāng)前幀的距離曲線，及切片操作Set interval； ∥設(shè)置算法步長∥計(jì)算當(dāng)前運(yùn)動(dòng)序列中幀與幀之間的最大距離(從第curFrm+sp幀到第curFrm+ep幀)diff＝MaxMinDiff(curDistCurv(curFrm+spcurFrm+ep))；i＝curFrm+ep；while(i＜len){[maxvalue maxindex]＝max(curDistCurv(ii+interval))；[minvalue minindex]＝min(curDistCurv(ii+interval))；if(maxvalue-minvalue)＞＝diff*a{segPt＝i+fix((maxindex+minindex)/2)；break；}if(maxvalue-minvalue)＜＝diff*β{segPt＝i+fix((maxindex+minindex)/2)；break；}i＝i+interval；}Save(segPt)；curFrm＝segPt；}3.基于ISOMAP的三維運(yùn)動(dòng)數(shù)據(jù)非線性降維及分割由于三維人體運(yùn)動(dòng)數(shù)據(jù)維數(shù)高，且在原始數(shù)據(jù)空間當(dāng)中分布復(fù)雜，甚至高度扭曲或折疊。因此即使在得到整個(gè)三維人體運(yùn)動(dòng)序列的粗略分割點(diǎn)后，也很難在原始數(shù)據(jù)空間當(dāng)中確定其精確分割點(diǎn)。
考慮到三維人體運(yùn)動(dòng)數(shù)據(jù)序列是一種在空間中分部高度復(fù)雜、非線性的數(shù)據(jù)，這里采用基于ISOMAP的非線性降維算法對其進(jìn)行降維，將高維三維人體運(yùn)動(dòng)數(shù)據(jù)序列映射到結(jié)構(gòu)相對簡單的低維流形空間中進(jìn)行處理。ISOMAP是一種較為成熟的非線性降維方法，在本發(fā)明中將三維人體運(yùn)動(dòng)序列中的每一幀作為一個(gè)高維樣本點(diǎn)，整個(gè)三維人體運(yùn)動(dòng)序列作為樣本集，輸入到ISOMAP算法中進(jìn)行運(yùn)算。得到三維人體運(yùn)動(dòng)數(shù)據(jù)在低維流行空間中的分布后，采用K平均聚類算法對樣本點(diǎn)進(jìn)行聚類即可得到精確的三維人體運(yùn)動(dòng)數(shù)據(jù)分割點(diǎn)。
附圖4顯示本發(fā)明的人體運(yùn)動(dòng)數(shù)據(jù)自動(dòng)分割方法工作流程圖。該方法的具體實(shí)施流程包括三維人體運(yùn)動(dòng)數(shù)據(jù)輸入10、數(shù)據(jù)預(yù)處理20、運(yùn)動(dòng)序列粗略分割30及運(yùn)動(dòng)序列精確分割40。
三維人體運(yùn)動(dòng)數(shù)據(jù)輸入10，這里的三維人體運(yùn)動(dòng)數(shù)據(jù)包括通過光學(xué)運(yùn)動(dòng)捕獲設(shè)備及相關(guān)專業(yè)軟件(如Maya，Motion Builder等)產(chǎn)生的各種格式的三維人體運(yùn)動(dòng)數(shù)據(jù)，如本例采用美國Motion Analysis公司生產(chǎn)的捕獲設(shè)備MotionAnalysis Hawk采集各種類型的三維人體運(yùn)動(dòng)數(shù)據(jù)。
數(shù)據(jù)預(yù)處理20，對用戶輸入的各種格式的三維人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行格式轉(zhuǎn)換，將不同拓?fù)浣Y(jié)構(gòu)的骨骼轉(zhuǎn)換為本發(fā)明中使用的人體模型，將三維人體運(yùn)動(dòng)數(shù)據(jù)轉(zhuǎn)換為本發(fā)明定義的形式并將根節(jié)點(diǎn)位移和旋轉(zhuǎn)向量數(shù)據(jù)過濾掉。
運(yùn)動(dòng)序列粗略分割30，從數(shù)據(jù)預(yù)處理20出讀入處理好的三維人體運(yùn)動(dòng)數(shù)據(jù)序列，采用啟發(fā)式粗略分割算法確定整個(gè)人體運(yùn)動(dòng)序列中存在的粗略分割點(diǎn)，將原始人體運(yùn)動(dòng)序列分割為若干段。
運(yùn)動(dòng)序列精確分割40，每次從運(yùn)動(dòng)序列粗略分割30中讀入兩段經(jīng)過粗略分割后的人體運(yùn)動(dòng)序列片斷，采用ISOMAP算法對其進(jìn)行非線性降維后映射到低維流形空間，并采用K平均聚類算法對得到的低維流形空間中的樣本點(diǎn)進(jìn)行聚類，最終得到兩段運(yùn)動(dòng)序列片斷之間的精確分割點(diǎn)。
實(shí)施例1如圖5所示，給出了對一段包含兩種人體行為方式的三維運(yùn)動(dòng)序列進(jìn)行ISOMAP降維及精確分割的實(shí)例。下面結(jié)合本發(fā)明的方法詳細(xì)說明該實(shí)例實(shí)施的具體步驟，如下(1)獲取一段來自于光學(xué)運(yùn)動(dòng)捕獲系統(tǒng)或?qū)I(yè)動(dòng)畫制作軟件產(chǎn)生的三維人體動(dòng)畫序列，本例中的數(shù)據(jù)來自于光學(xué)運(yùn)動(dòng)捕獲系統(tǒng)(TRC數(shù)據(jù)格式)，包含了正常走路及側(cè)身走路兩種行為方式，且它們之間是自然過渡的；(2)以步驟(1)中捕獲得到的TRC格式原始運(yùn)動(dòng)數(shù)據(jù)作為輸入，采用已有的運(yùn)動(dòng)數(shù)據(jù)轉(zhuǎn)換方法將TRC數(shù)據(jù)轉(zhuǎn)換為滿足本發(fā)明定義的具有16個(gè)關(guān)節(jié)點(diǎn)的旋轉(zhuǎn)數(shù)據(jù)表示格式并將表示根節(jié)點(diǎn)的平移和旋轉(zhuǎn)數(shù)據(jù)過濾掉；(3)由于本實(shí)例中的運(yùn)動(dòng)序列只包含有兩種運(yùn)動(dòng)形式，因此不需要進(jìn)行運(yùn)動(dòng)序列粗略分割，而是將整段運(yùn)動(dòng)數(shù)據(jù)輸入給ISOMAP算法進(jìn)行非線性降維，得到如圖5(a)所示在低維流行上的分布；(4)以步驟(3)中得到的低維流形上的數(shù)據(jù)樣本點(diǎn)作為輸入，采用K平均聚類算法即可得到最終的運(yùn)動(dòng)數(shù)據(jù)精確分割點(diǎn)，如圖5(b)所示。
本實(shí)例的結(jié)果在附圖5中顯示，可以看到通過ISOMAP的非線性降維處理和K平均聚類算法，能夠非常容易的求解到兩個(gè)自然過渡行為方式之間的精確分割點(diǎn)。
實(shí)施例2如圖6所示，給出了對一段包含多種人體行為方式的三維運(yùn)動(dòng)序列進(jìn)行分割的結(jié)果。下面結(jié)合本發(fā)明的方法詳細(xì)說明該實(shí)例實(shí)施的具體步驟，如下(1)本實(shí)例采用光學(xué)運(yùn)動(dòng)捕獲系統(tǒng)獲取了一段TRC格式的原始三維人體運(yùn)動(dòng)序列，包含多種行為方式，依次是走、側(cè)身走、拖地板、走、蹲下敲打地面、蹲下擦洗地面、站立擦洗窗戶、走等8種行為方式，且各行為方式之間是自然過渡；(2)以步驟(1)中捕獲得到的TRC格式原始運(yùn)動(dòng)數(shù)據(jù)作為輸入，采用已有的運(yùn)動(dòng)數(shù)據(jù)轉(zhuǎn)換方法將TRC數(shù)據(jù)轉(zhuǎn)換為滿足本發(fā)明定義的具有16個(gè)關(guān)節(jié)點(diǎn)的旋轉(zhuǎn)數(shù)據(jù)表示格式并將表示根節(jié)點(diǎn)的平移和旋轉(zhuǎn)數(shù)據(jù)過濾掉；(3)使用本發(fā)明所述的啟發(fā)式粗略分割算法將輸入的長序列人體運(yùn)動(dòng)數(shù)據(jù)粗略分割為8段，分別標(biāo)記為S1...Si...S8，在初始化時(shí)令i＝1；(4)將Si與Si+1作為連續(xù)運(yùn)動(dòng)序列輸入到ISOMAP算法種中進(jìn)行非線性降維，得到其在低維流形空間中的分布；(5)以步驟(4)中得到的低維流形上的數(shù)據(jù)樣本點(diǎn)作為輸入，采用K平均聚類算法即可得到Si與Si+1之間的精確分割點(diǎn)；(6)令i＝i+1，回到步驟(4)，直到求解完每一個(gè)精確分割點(diǎn)。
本實(shí)例的結(jié)果在附圖6中顯示，可以看到通過對粗略分割得到的每兩個(gè)相鄰數(shù)據(jù)片斷進(jìn)行ISOMAP非線性降維處理和K平均聚類后，能夠精確得到各行為方式之間的分割點(diǎn)。
權(quán)利要求
1.一種三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法，其特征在于包括以下步驟(1)首先采用具有16個(gè)關(guān)節(jié)點(diǎn)的人體骨骼模型表示三維人體運(yùn)動(dòng)數(shù)據(jù)，并在預(yù)處理時(shí)將與人體運(yùn)動(dòng)類型無關(guān)的根節(jié)點(diǎn)位移和旋轉(zhuǎn)向量數(shù)據(jù)過濾掉；(2)采用啟發(fā)式人體運(yùn)動(dòng)數(shù)據(jù)粗略分割算法確定整個(gè)人體運(yùn)動(dòng)數(shù)據(jù)序列中的粗略分割點(diǎn)；(3)以粗略分割點(diǎn)為界，將原始人體運(yùn)動(dòng)數(shù)據(jù)序列劃分為若干段，將每兩段運(yùn)動(dòng)數(shù)據(jù)作為輸入，采用基于流形分析ISOMAP的三維運(yùn)動(dòng)數(shù)據(jù)非線性降維及分割方法確定其精確分割點(diǎn)。
2.根據(jù)權(quán)利要求1中所述的一種三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法，其特征在于所述三維人體運(yùn)動(dòng)數(shù)據(jù)表示方法是將人體表示為由16個(gè)關(guān)節(jié)點(diǎn)構(gòu)成的樹狀模型，并采用如下方式表示三維人體運(yùn)動(dòng)數(shù)據(jù)M＝{F(1)，F(xiàn)(2)，...，F(xiàn)(t)，...，F(xiàn)(n)}F(t)＝{p(t)，q1(t)，...，qm(t)}其中F(t)是三維運(yùn)動(dòng)序列M中的第t幀，p(t)是根節(jié)點(diǎn)在第t幀中的位移，qi(t)是第i個(gè)關(guān)節(jié)點(diǎn)在第t幀中的旋轉(zhuǎn)向量，此外，在對三維人體運(yùn)動(dòng)數(shù)據(jù)序列進(jìn)行計(jì)算時(shí)，人體根節(jié)點(diǎn)的位移和旋轉(zhuǎn)向量數(shù)據(jù)會(huì)被過濾掉。
3.根據(jù)權(quán)利要求1中所述的一種三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法，其特征在于所述啟發(fā)式人體運(yùn)動(dòng)數(shù)據(jù)粗略分割算法是對輸入的整個(gè)三維人體運(yùn)動(dòng)序列中每一幀之間的歐拉距離進(jìn)行計(jì)算，形成整個(gè)運(yùn)動(dòng)序列的距離矩陣并選擇在第一幀的位置對距離矩陣切片，進(jìn)而采用一種啟發(fā)式的數(shù)字信號(hào)跳變檢測方法就可以得到整個(gè)運(yùn)動(dòng)序列的粗略分割點(diǎn)，該啟發(fā)式方法的偽代碼如下M=LoadMotion(...); //裝載運(yùn)動(dòng)數(shù)據(jù)D=DistanceMatrix(D);//計(jì)算運(yùn)動(dòng)序列的距離矩陣len=Length(M); //得到運(yùn)動(dòng)序列長度curFrm=1;//設(shè)置當(dāng)前幀為第一幀while(curFrm＜len){ curDistCurv=D(curFrm,:);//得到當(dāng)前幀的距離曲線，及切片操作 Set interval; //設(shè)置算法步長 //計(jì)算當(dāng)前運(yùn)動(dòng)序列中幀與幀之間的最大距離(從第curFrm+sp幀到第curFrm+ep幀) diff=MaxMinDiff(curDistCurv(curFrm+sp:curFrm+ep));i=curFrm+ep;while(i＜len){[maxvalue maxindex]=max(curDistCurv(i:i+interval));[minvalue minindex ]=min(curDistCurv(i:i+interval));if(maxvalue-minvalue)＞=diff*α{segPt=i+fix((maxindex+minindex)/2);break;}if(maxvalue-minvalue)＜=diff*β{segPt=i+fix((maxindex+minindex)/2);break;}i=i+interval;}Save(segPt);curFrm=segPt；}。
4.根據(jù)權(quán)利要求1中所述的一種三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法，其特征在于所述的基于流形分析ISOMAP的三維運(yùn)動(dòng)數(shù)據(jù)非線性降維及分割方法是將三維人體運(yùn)動(dòng)序列中的每一幀作為一個(gè)高維樣本點(diǎn)，整個(gè)三維人體運(yùn)動(dòng)序列作為樣本集，輸入到流形分析ISOMAP算法中進(jìn)行運(yùn)算，輸出得到低維流形空間中的三維人體運(yùn)動(dòng)序列樣本點(diǎn)分布；然后采用K平均聚類算法對這些低維流形空間中分布的樣本點(diǎn)進(jìn)行聚類，得到最終的精確分割點(diǎn)。
全文摘要
本發(fā)明公開了一種三維人體運(yùn)動(dòng)數(shù)據(jù)分割方法。首先，將原始人體運(yùn)動(dòng)數(shù)據(jù)序列采用流形分析方法ISOMAP投影到低維流形空間；其次，應(yīng)用一種啟發(fā)式方法檢測運(yùn)動(dòng)數(shù)據(jù)序列中不同類型運(yùn)動(dòng)之間的粗略分割點(diǎn)，將長序列人體運(yùn)動(dòng)數(shù)據(jù)分割為若干段；最后，把低維流形空間中在時(shí)間上連續(xù)的每兩段人體運(yùn)動(dòng)數(shù)據(jù)作為輸入，采用K平均聚類算法求解它們之間的精確分割點(diǎn)。使用該方法對長序列人體運(yùn)動(dòng)數(shù)據(jù)進(jìn)行分割具有較高的正確率與運(yùn)算效率。
文檔編號(hào)G06T1/00GK1975779SQ20061005339
公開日2007年6月6日 申請日期2006年9月14日 優(yōu)先權(quán)日2006年9月14日
發(fā)明者莊越挺, 肖俊 申請人:浙江大學(xué)