基于余弦距离的人体运动数据行为分割算法

对人体运动捕捉数据进行行为分割是人体运动数据分析与合成中的关键处理步骤,为此,提出一种新的人体运动数据行为分割算法。采用骨骼夹角直方图刻画人体运动统计特征,使用余弦相似度作为人体运动数据骨骼夹角直方图特征的相似性度量,实现对运动行为的自动分割。对于给定的人体运动捕捉序列,首先定义滑动比较窗口,计算当前窗口范围内运动序列前、后2部分骨骼夹角直方图统计特征的余弦相似度,然后通过在运动序列上滑动该窗口,获得运动序列的余弦相似度曲线,曲线最小值位置即为不同类型行为的分割点。在CMU人体运动捕捉数据库上进行数值实验。研究结果表明:本文算法能够实现对人体运动捕捉数据的自动行为分割;与广泛采用的基于PPCA的行为分割方法相比,本文算法具有良好的性能。

多粒度运动分割的时频分析算法

针对运动捕获数据分割问题,提出一种基于时频分析的多粒度分割算法.该算法在时域分析阶段利用稀疏重构对运动序列进行预分割,通过多尺度时序关联方法将原始运动序列分割为独立行为片段和混合运动基元,实现粗粒度分割;进一步,在频域分析阶段先在主频率下对每个独立行为片段进行特征提取,再结合零速度穿越点检测和自适应K-means算法将每个独立行为片段分割为多个重复子周期片段,实现细粒度分割.实验结果表明,预分割及多尺度分割策略的使用使得分割准确率更高,对混合运动基元的识别和分割更为精准,而且在主频率下进行特征提取使得算法对噪声具有更好的鲁棒性.

复杂背景下运动人体的提取

为了提取复杂背景下的运动人体目标,采用了改进的图像差分法提取前后两帧的人体区域,结合单帧静态边缘图像,提取动态人体的边缘.为减少成像系统噪声的干扰,图像差分前和差分后均采用基于统计特性的维纳滤波.从简单到复杂背景下的人体动目标提取的结果表明,该方法具有一定的有效性和鲁棒性.

基于MVU降维的捕捉数据自动分割

随着人体运动捕捉技术的不断发展,其在辅助训练,医疗康复等领域有着越来越广阔的前景。针对人工分割运动序列错误率高,效率底下等缺点,提出了一种基于最大方差展开的非线性降维的运动分割新方法。该方法包括以下几个步骤:首先选定检测窗口,对窗口内的片段采用最大方差展开方法对进行非线性降维,得到降维后的运动序列以及残差;然后在维度参数不变的情况下增大窗口区间,对其进行降维,同时通过迭代特征值估计降低计算复杂度;最后根据残差值的幅度跳变点衡量人体运动序列的分割点。通过实验,证明了该运动分割方法在准确率和召回率上均有良好的表现。