基于小波变换的数据运动捕获在虚拟人运动建模中的应用

对运动数据进行编辑处理,是生成新的复杂动画和提高运动数据重用性的关键技术。本文提出了一种将小波变换引入运动编辑的方法,对信号进行多分辨率分析,实现了多种算法,从而可以较好地保持运动的真实性。

预选策略和重建误差优化的运动捕获数据关键帧提取

为了从运动捕获数据中提取关键帧来进行人体动画创作,提出一种以重建误差或压缩率为目标的运动捕获数据关键帧提取方法.该方法将关键帧提取划分为帧预选和基于重建误差优化的精选2个阶段,在第一阶段,对原始动作序列筛选边界姿势作为候选关键帧,使最终关键帧序列具有较强运动类型描述能力;在第二阶段,定义帧消减误差作为关键帧重要性的度量标准,并定义最大重建误差作为关键帧提取过程中的优化目标,同时考虑压缩率目标,精选候选帧获得满足指定重建误差或压缩率要求的最终关键帧集合.实验结果表明,文中方法具有良好的数据压缩效果,能满足实时压缩的需要.

人体运动捕获数据的向量空间建模与检索

为了精确、高效地检索人体运动数据库,将三维人体运动捕获数据表示成类似于文本的形式,提出一种基于内容的运动检索方法.首先对人体上/下半身两部分数据分别提取关键帧,并进行相似传播聚类分析,获得数据中最具代表性的一组人体姿势,称之为运动词汇;然后将运动片段的每一帧都替换成运动词汇中与其最相近的姿势来构建运动文档,利用Bigram向量空间模型对人体运动进行检索.整个算法流程不需要人为干预,能够自动完成对已分割运动数据片段的索引.实验结果表明,与现有方法相比,文中方法具有更高的检索精度和召回率.

基于运动序列分割的运动捕获数据关键帧提取

采用线性时不变系统把高维运动数据映射到低维状态空间;在低维状态空间中,定义了姿态之间的相似性度量;并采用误差平方和准则对时序的低维数据点集进行运动分割,分割点上的运动姿态被定义为关键帧.实验结果表明:该算法能够较好地提取出运动序列中的关键帧,并且这些关键帧能够很好地概括原始运动序列的内容.

重建误差最优化的运动捕获数据关键帧提取

为了实现运动捕获数据的实时压缩,提出一种重建误差最优化的关键帧提取方法.定义重建误差作为关键帧有效性的度量标准;利用帧消减算法得到各消减帧的重建误差,并根据误差大小对消减帧进行排序;最后以消减帧排序为基础计算出重建误差曲线,并依据曲线确定最优压缩率来提取出相应数量的关键帧.实验结果表明,该方法能够高效地从运动捕获数据中提取出具有最优重建误差的关键帧,较好地满足了数据实时压缩的需要.

基于隐空间的运动捕获数据自动分割

提出一种运动捕获数据自动分割方法。利用高斯过程隐变量模型对运动捕获数据进行降维,将其从高维观察空间映射到低维隐空间;在隐空间中构造运动特征函数,该函数具有结构简单、对所有关节敏感等优点,通过分析运动特征函数几何特征的变化,探测运动捕获数据的分割点,实现运动自动分割。实验结果表明,该方法具有较高的准确度和较好的普适性。

基于谱聚类的运动捕获数据分割

为将长运动中所包含的不同运动自动分割出来,提出一种基于谱聚类的长运动数据分割算法.首先将运动捕获数据分解成长度相等的运动数据片段,并基于主成分分析来计算这些小片段之间的相似度,得到运动数据相似度矩阵;然后用谱聚类算法将相似度矩阵转换为相应的拉普拉斯矩阵,计算其前若干个特征向量,并采用K均值算法获得聚类结果;由于上述相似度矩阵直接实施谱聚类算法所得到的类别标签序列包含大量噪声,采用统计滤波算法对分类结果进行了处理,获得最终的分割点.在14个运动数据上进行自动分割测试,验证了文中算法的有效性.

人体运动捕获数据压缩技术研究进展

数据驱动的角色动画技术是计算机图形学研究的热点之一.该技术依赖于对庞大的人体运动捕获数据的重用.为了便于存储和网络传输数据,高效实时的人体运动捕获数据压缩方法是非常重要的.文中从消除时域冗余、空域冗余及片段域冗余等多个角度对近年来的人体运动数据压缩方法进行介绍,总结归纳了人体运动捕获数据压缩流程,梳理出了人体运动数据压缩方法的分类原则,并以冗余类别为主线回顾与综述了人体运动压缩领域的最新研究成果.最后展望了该研究领域未来的发展趋势.

基于关节联动特征的运动捕获数据分割方法

运动捕获数据分割中,针对关节角度或关节点中心距离作为描述人体姿态的特征所存在的局限性,提出一种关节联动特征。该特征从人体运动学角度对人体关节之间的联动关系进行建模,将关节角度与关节点中心距离作为一组关节联动特征点转换到极坐标空间表示。通过计算任意时刻的人体姿态与初始时刻人体姿态的关节联动特征点的偏移量来描述人体姿态的变化。提取每一帧捕获数据的关节联动特征,并使用主成分分析方法对运动序列进行分割。对CMU人体运动捕获数据库的实验结果表明,使用该特征得到的运动捕获数据分割结果要优于使用关节角度或中心距离特征的分割结果。

基于运动捕获数据的人体运动融合

为了提高运动捕获数据的重用性和重用效率,引入注册曲线思想。以多个已有的捕获数据为输入,通过运动融合生成一段新的运动数据。首先建立时间对齐曲线,基于时间对齐曲线建立坐标对齐曲线,然后基于对齐曲线和坐标对齐曲线进行姿势融合。最后进行约束处理,扩展了可以用于运动融合的运动集合。实验结果证明方法可行且效果好。

分段式低秩逼近的运动捕获数据去噪方法

运动捕获数据去噪旨在从含有噪声干扰的运动数据中恢复出能够较好表达原始数据特性的帧序列。针对人体运动捕获数据在较短时间段内的帧序列常常具有相同或相似的运动行为语义的特点,提出了一种分段式低秩逼近策略的运动捕获数据去噪方法。该方法首先将含有噪声的运动数据划分为多个连续子区间,接着利用不精确拉格朗日乘子法(IALM)对每个分段子区间的含噪声干扰数据批矩阵进行低秩矩阵逼近和稀疏噪声误差估计,达到分段数据去噪目的;最后利用时序特性组合去噪后的分段低秩逼近矩阵进行整体运动捕获数据去噪恢复。仿真实验结果表明,所提方法能够对含有任意拓扑结构的人体运动捕获数据进行去噪,达到了很好的效果,具有一定的通用性和实用性。

基于量子粒子群优化算法的运动捕获数据关键帧提取

关键帧提取是人体运动捕获数据分析与处理的重要研究内容,为此提出一种基于量子粒子群优化算法的运动捕获数据关键帧提取方法。量子粒子群优化算法具有较快的搜索能力,编码方式采用有序整数编码来保证搜索中运动序列的时序性。该方法既可以提取出确定数目的关键帧序列,也可以根据目标函数来提取关键帧序列。其中目标函数由重构误差和关键帧数目来定义,重构误差由原始运动与重构运动之间的平均帧间距离来度量。实验结果表明,该方法能够有效地从运动捕获数据中提取出具有最优重建误差的关键帧序列,并具有较好的视觉效果。

一种基于索引空间的三维运动捕获数据检索方法

为能有效检索当前大量的三维人体运动捕获数据从而投入使用,针对三维人体运动捕获数据的独有特性,提出一种高效的检索方法。首先通过关键帧提取对原始运动数据降维,然后采用自定义的符合人体运动语义的特征将原始角度数据转换为特征序列。根据数据库中所有运动片段对应的特征序列构建一种基于姿态特征的索引空间。检索时通过在索引空间上顺序匹配姿态特征来查找时序一致的匹配运动片段。实验结果表明,与大多数现有方法相比,该方法由于较好的运动语义特征提取,因此具有更好的时间效率,更高的灵活性和检索精度,能够满足多种运动数据的检索需要。

基于极大间隔最近邻学习的运动捕获数据检索

随着人体运动捕获技术的迅猛发展,逐渐积累了大量的捕获数据,人体运动检索技术成为运动数据管理和重用过程中必不可少的关键环节。由于逻辑相似的运动在数值上并不一定相似,使用欧式距离度量两个运动间的逻辑相似性难以取得理想的结果。为此,利用极大间隔最近邻度量学习算法,学习得到运动间的马氏距离度量,用以判断两个运动的逻辑相似性,进而进行运动的检索。实验结果表明,与欧式距离和线性回归相比,该方法能够获得更高的检索精度。

一种运动数据检索的相关反馈算法

本文提出了一种基于Rank Boost的运动数据检索相关反馈算法.该算法具有以下二个方面的特点:首先,以KNN-DTW作为Rank Boost集成学习的弱排序器,在适应变长多变量时间序列(Variable-Length Multivariate Time Series,VLMTS)数据的同时,利用Rank Boost的集成性与高效性解决相关反馈实时性要求与VLMTS数据计算复杂度高的矛盾;其次,以本文提出的最小化排序经验损失和泛化损失风险作为Rank Boost集成学习目标,有效地克服了相关反馈小样本学习环境下的过拟合问题.在CMU动作库上的实验结果验证了该方法的有效性.

基于双向参考索引的大规模人体运动数据库的检索

因为运动特征数据的高维复杂性,采用非线性的Isomap流形学习的降维算法来对运动特征数据进行降维,为了能让Isomap方法处理训练数据集之外的数据,通过学习主成分特征核函数逼近降维结果,以扩展传统Isomap的局限性.在运动数据降维之后,为大规模运动捕获数据库建立一种双向参考索引(DRI),在检索过程中索引用来排除绝大部分与查询例子无关的运动数据,这样运动检索中的相似度的计算通过索引被缩小到一个小范围候选数据集合中,避免了大量不必要的匹配开销,从而提高了检索的效率.

人体运动传感数据的无线采集方案设计

提出运用无线传感网络的方法实现人体运动传感数据的采集.该系统包含传感节点、簇首节点和汇聚节点.采用分层分簇的组网形式,传感节点通过无线的形式自适应地连接到某个簇首节点.每个簇首节点采用分时的形式组织各自的传感节点,并进行数据融合,转发到汇聚节点,汇聚节点通过USB接口把数据传到上位PC机.针对该方案的特点,对传感节点和簇首节点之间的无线传感器网络设计了一套协议,主要包含节点间的时间同步机制和节点申请入网竞争的时延退避机制.实验结果表明,该协议具有数据通信可靠性高、丢包率低的优点.

基于逆运动学和重构式ICA的人体运动风格分析与合成

使用独立成分分析(Independent component analysis,ICA)来建模运动风格、合成风格化的人体运动,是一种有效且有前景的手段.为了避免现有方法在设定独立成分个数或子空间结构时的人为影响,并提高风格成分的质量,提出一种基于重构式独立成分分析的运动风格分析方法.由于放弃了混合矩阵的正交性约束,一方面,拥有了更多的自由度来表示各独立成分;另一方面,利用特征的过完备性以及自身在特征选择时的稀疏特性,能够自动地确立独立成分数目.此外,通过结合基于主测地线分析的逆运动学与运动过渡技术,该方法能够合成包含多种风格、任意长度的行走运动,同时还能通过编辑特定帧的人体姿势来约束合成的结果.实验结果表明,该方法能够有效地分析出行走、跳跃和踢腿等运动中代表风格的独立成分,并根据用户对风格的编辑,实时地生成自然、平滑的运动.

人体运动的稀疏语义参数化模型与交互式合成

为了解决参数化运动合成方法中普遍存在的参数结构不统一和可理解性差的问题,提出一种稀疏语义参数化模型.该模型对预处理后的运动样本进行时序成组的稀疏主成分分析,得到若干个稀疏基向量;将运动参数表示为原始变量的稀疏线性组合,而组合系数对应着稀疏基向量的分量,因此运动参数具有鲜明语义.实验结果表明,采用文中模型只需简单地修改运动参数的数值,就能够实时地控制如摆臂幅度、肘部弯曲程度、行走路径、步幅、跳跃距离等运动属性,从而直观、高效地合成出符合用户要求的逼真运动.

基于分块主成分分析的人体运动合成

在高维运动数据处理中,传统降维方法过度关注于保护拓扑结构和重构信息,导致低维子空间参数具有不可理解性。针对该问题,提出一种基于分块主成分分析的运动合成方法。对根据人体骨骼结构特点分组的运动数据进行分块主成分分析,获得具有特定语义的低维子空间参数。以跳跃运动为例进行实验,结果表明,该方法通过直观地改变具有语义的运动参数,可实时合成满足要求的运动结果。