三維人體運(yùn)動(dòng)分析與動(dòng)作識(shí)別方法.pdf

1、隨著運(yùn)動(dòng)捕獲技術(shù)的成熟和推廣，高效、快捷的獲取大量基于三維的運(yùn)動(dòng)數(shù)據(jù)集已經(jīng)成為現(xiàn)實(shí)。由于三維運(yùn)動(dòng)捕獲數(shù)據(jù)較好地保持了運(yùn)動(dòng)細(xì)節(jié)，并真實(shí)地記錄了運(yùn)動(dòng)軌跡，數(shù)據(jù)精度高，已被廣泛應(yīng)用在計(jì)算機(jī)動(dòng)畫、影視制作、數(shù)字娛樂、體育仿真、醫(yī)學(xué)理療等領(lǐng)域。在此背景下，基于運(yùn)動(dòng)捕獲數(shù)據(jù)的人體運(yùn)動(dòng)分析已經(jīng)成為近年來圖形學(xué)領(lǐng)域的一大熱點(diǎn)。其中，實(shí)現(xiàn)對(duì)于三維人體運(yùn)動(dòng)數(shù)據(jù)的關(guān)鍵幀提取、自動(dòng)識(shí)別和分類是人體運(yùn)動(dòng)分析的重要研究?jī)?nèi)容，是實(shí)現(xiàn)對(duì)于運(yùn)動(dòng)捕獲數(shù)據(jù)進(jìn)行有效管理與重用

2、的重要前提和基礎(chǔ)。
　　關(guān)鍵幀提取以原始三維運(yùn)動(dòng)捕獲數(shù)據(jù)為基礎(chǔ)，提取出最能表示運(yùn)動(dòng)序列的語義信息的若干關(guān)鍵姿態(tài)，是數(shù)據(jù)壓縮、降維、特征提取與表示的重要方法和手段，在關(guān)鍵幀動(dòng)畫創(chuàng)作、人體運(yùn)動(dòng)分析與重用等領(lǐng)域已得到了廣泛應(yīng)用。人體運(yùn)動(dòng)識(shí)別通過分析提取人體運(yùn)動(dòng)特征參數(shù)，實(shí)現(xiàn)自動(dòng)分析和理解人體各類運(yùn)動(dòng)和行為。運(yùn)動(dòng)識(shí)別技術(shù)在高級(jí)人機(jī)交互、康復(fù)工程、體感游戲控制、基于內(nèi)容的檢索方面具有廣泛的應(yīng)用前景和極大的經(jīng)濟(jì)價(jià)值與社會(huì)價(jià)值。本文基于捕獲的三

3、維人體運(yùn)動(dòng)數(shù)據(jù)，在運(yùn)動(dòng)數(shù)據(jù)的關(guān)鍵幀提取、動(dòng)作識(shí)別與運(yùn)動(dòng)分割以及帶拒識(shí)能力的連續(xù)動(dòng)作識(shí)別三個(gè)方面展開工作，具體為:
　　(1)運(yùn)動(dòng)數(shù)據(jù)的關(guān)鍵幀提取方法研究。將影響關(guān)鍵幀提取效果的重建能力和壓縮率兩個(gè)重要因素作為優(yōu)化目標(biāo)，提出了兩種關(guān)鍵幀提取方法。第一種方法將關(guān)鍵幀提取劃分為幀預(yù)選和基于重建誤差優(yōu)化的精選2個(gè)階段，首先提取運(yùn)動(dòng)序列的“極限姿態(tài)”作為候選關(guān)鍵幀，在第二個(gè)階段，定義幀消減誤差作為關(guān)鍵幀重要性的度量標(biāo)準(zhǔn)，將重建誤差作為關(guān)鍵幀

4、提取過程中的優(yōu)化目標(biāo)，并且同時(shí)考慮壓縮率目標(biāo)，基于幀消減方法提取滿足重建誤差要求或者壓縮率要求的關(guān)鍵幀序列。這一方法的主要特點(diǎn)和優(yōu)點(diǎn)是可以直接對(duì)重建誤差或壓縮率目標(biāo)要求進(jìn)行設(shè)置，設(shè)置方式簡(jiǎn)單直觀。第二種方法考慮重建誤差和壓縮率兩個(gè)目標(biāo)的競(jìng)爭(zhēng)性和矛盾性，將關(guān)鍵幀提取問題轉(zhuǎn)換為帶約束的多目標(biāo)優(yōu)化問題，提出一種基于Pareto多目標(biāo)遺傳算法的關(guān)鍵幀提取方法。這一方法的主要特點(diǎn)和優(yōu)點(diǎn)是不需要用戶指定任何參數(shù)即可得到一組具有Pareto最優(yōu)性的候

5、選關(guān)鍵幀序列集合。實(shí)驗(yàn)結(jié)果表明了本文方法的有效性。
　　(2)基于概率主成分分析的動(dòng)作識(shí)別與分割方法研究。屬于同一類型的人體運(yùn)動(dòng)數(shù)據(jù)應(yīng)具有相同內(nèi)在維度和相似結(jié)構(gòu)，形成獨(dú)立類別，因此對(duì)每個(gè)運(yùn)動(dòng)類型可以采用一個(gè)統(tǒng)一的分布模型來表示。提出采用概率主成分分析方法建立各類動(dòng)作的高斯概率分布模型，并基于期望最大法學(xué)習(xí)得到模型參數(shù)，然后根據(jù)各個(gè)已知分類的高斯模型，基于最小錯(cuò)誤率貝葉斯決策理論定義分類決策規(guī)則，并實(shí)現(xiàn)了動(dòng)作分類算法。利用基于概率主

6、成分分析方法建立的模型能夠?qū)\(yùn)動(dòng)變化信息建模的特點(diǎn)，本文擴(kuò)展動(dòng)作分類算法，提出了針對(duì)包含多個(gè)動(dòng)作的長(zhǎng)運(yùn)動(dòng)序列的在線識(shí)別和自動(dòng)分割算法。實(shí)驗(yàn)結(jié)果表明了本文方法的有效性。
　　(3)基于自組織增長(zhǎng)運(yùn)動(dòng)圖的動(dòng)作識(shí)別及拒識(shí)方法研究。針對(duì)存在非訓(xùn)練類型動(dòng)作樣本的長(zhǎng)運(yùn)動(dòng)序列識(shí)別問題，提出了結(jié)合支持向量機(jī)方法和自組織增長(zhǎng)運(yùn)動(dòng)圖方法的帶拒識(shí)能力的動(dòng)作識(shí)別系統(tǒng)框架。提出了將支持向量機(jī)用于運(yùn)動(dòng)數(shù)據(jù)在線識(shí)別的方法，分析了不能直接簡(jiǎn)單采用支持向量機(jī)的邊緣

7、信息進(jìn)行拒識(shí)的現(xiàn)象和原因。分析了自組織特征圖用于描述樣本數(shù)據(jù)的結(jié)構(gòu)分布的能力;針對(duì)傳統(tǒng)自組織特征圖學(xué)習(xí)方法缺少自適應(yīng)能力的局限性，提出了自組織增長(zhǎng)運(yùn)動(dòng)圖學(xué)習(xí)算法，用于根據(jù)不同運(yùn)動(dòng)類型的內(nèi)在復(fù)雜性學(xué)習(xí)自適應(yīng)結(jié)構(gòu)和大小的運(yùn)動(dòng)圖;然后基于學(xué)習(xí)的運(yùn)動(dòng)圖定義了拒識(shí)規(guī)則;最后基于自組織增長(zhǎng)運(yùn)動(dòng)圖上提取的關(guān)鍵模式集進(jìn)行分段分類結(jié)果驗(yàn)證，以提高識(shí)別精度。由于本文的方法結(jié)合了支持向量機(jī)和運(yùn)動(dòng)圖兩者的優(yōu)勢(shì)，因此不僅具有良好的鑒別區(qū)分已知分類樣本的能力，也具