运动捕获系统中基于PCA的标记点标识初始化方法

摘要

本发明公开了一种运动捕获系统中基于PCA的标记点标识初始化方法，首先构建一个能够描述人体骨架结构的类骨架模型；然后使用至少两路相机同步采集相应的图像数据；对各个视点获得的图像进行二值化处理和聚类分析，得到标记点；计算出标记点分布的两个主轴作为新坐标系的两个坐标轴；将标记点坐标变换到新坐标系下；将变换后的标记点投影到两个主轴上，得到二维点集序列，在骨架模型约束关系下，根据投影点集坐标顺序获取投影点集与关节点的对应关系，得到各个标记点的人体学骨骼信息，并将此识别出的标记点和关节的对应关系作为跟踪算法的初始姿态。本发明可将标记点初始化的大量工作自动化，提高了运动捕获系统初始阶段的效率。

权利要求

1.运动捕获系统中基于PCA的标记点标识初始化方法，其特征在于包括下述步骤：(1)描述粘贴于人体各个关节处的标记点之间的骨骼段长度约束关系和各个标记点在类骨架模型中的父子节点约束关系，构建一个能够描述人体骨架结构的类骨架模型；

(2)令表演者保持简单的预定初始状态：双臂伸展，两腿并拢，挺直站立，至少两路相机同步采集相应的图像数据，保证至少有两路相机可以看到全部的标记点；

(3)对各个视点获得的图像进行二值化处理，采用k-means算法对二值化所得结果进行聚类分析，得到的聚类中心即为要标识的标记点；

(4)在上述各视点获取的多幅二维图像中，通过PCA分析方法计算出步骤(3)中检测出的标记点分布的两个主轴，分别是臂展方向与躯干方向，作为新坐标系的两个坐标轴；

(5)将步骤(3)检测到的标记点坐标变换到步骤(4)形成的新坐标系下；

(6)将(5)得到的变换后的标记点投影到两个主轴上，得到二维点集序列，在骨架模型约束关系下，根据投影点集坐标顺序获取投影点集与关节点的对应关系，得到各个标记点的人体学骨骼信息，并将此识别出的标记点和关节的对应关系作为跟踪算法的初始姿态。

说明书

运动捕获系统中基于PCA的标记点标识初始化方法

技术领域

[0001] 本发明涉及计算机视觉领域与图像处理技术，尤其是一种运动捕获系统中标记点标识初始化的方法。

背景技术

[0002] 在基于标记点的运动捕获系统中，初始阶段通常采用手工标记建立各标记点与人体各关节的对应关系。在这一过程中，随着使用的摄像机数量增多，工作变得繁琐且工作量增大，极易出现错误，导致这种系统在产业化应用过程中有很大的局限性。

发明内容

[0003] 为了弥补现有技术工作量大而且准确率不高的不足，本发明通过预定义表演者初始姿态，利用一种基于PCA(principal components analysis，主成分分析)的标记点标识初始化方法，实现对标记点位置及其标识的自动识别与标记，为后续的运动跟踪提供初始化数据，实现人体标记点自动初始化的过程。

[0004] 本发明解决其技术问题所采用的技术方案包括以下步骤：

[0005] (1)描述粘贴于人体各个关节处的标记点之间的骨骼段长度约束关系和各个标记点在类骨架模型中的父子节点约束关系(marker protocol)，构建一个能够描述人体骨架结构的类骨架模型(如附图1)(skeleton-like structure)：该骨架模型满足各个关节点之间的连接关系，但是并不要求完全满足人体骨架的大小与各骨骼的长度约束，因此该模型并不是唯一的；

[0006] (2)在运动捕获开始阶段，为了便于PCA计算标记点分布的两个主轴，令表演者保持简单的预定初始状态：双臂伸展，两腿并拢，挺直站立。至少两路相机同步采集相应的图像数据，根据计算机视觉原理，要保证至少有两路相机可以看到全部的标记点；

[0007] (3)对各个视点获得的图像进行二值化处理，采用k-means算法对二值化所得结果进行聚类分析，得到的聚类中心即为要标识的标记点。

[0008] (4)在上述各视点获取的多幅二维图像中，通过PCA分析方法计算出步骤(3)中检测出的标记点分布的两个主轴，分别是臂展方向(水平)与躯干方向(竖直)，作为新坐标系的两个坐标轴；

[0009] (5)将步骤(3)检测到的标记点坐标变换到步骤(4)形成的新坐标系下；

[0010] (6)将(5)得到的变换后的标记点投影到两个主轴上，得到二维点集序列，在骨架模型约束关系下，根据投影点集坐标顺序获取投影点集与关节点的对应关系，得到各个标记点的人体学骨骼信息(关节点名称)；本步骤确定了标记点与人体各关节的对应关系，完成了标记点标识的自动初始化，并将此识别出的标记点和关节的对应关系作为跟踪算法的初始姿态。

[0011] 本发明的有益效果是：在运动捕获中只要求表演者保持简单的预定初始姿态，可将标记点初始化的大量工作自动化，提高了运动捕获系统初始阶段的效率。

[0012] 下面结合附图和实施例对本发明进一步说明。

附图说明

[0013] 图1是本发明所述类骨架模型的示意图。

[0014] 图2是本发明的流程图。

[0015] 图3是本发明具体实施方式的流程图。

具体实施方式

[0016] 本发明包括以下步骤：

[0017] 1、本实验环境面积约为7m*7m，四周为黑幕布，幕布内环绕放置16台相机，表演者各关节点位置贴普通白色乒乓球，总共23个标记点，具体可见附图2。

[0018] 2、令表演者保持初始状态站立在场地中央，调节各相机视角至所要求的视野范围。根据计算机视觉原理，保证至少两台摄像机可同时看到所有标记点。

[0019] 3、对采集到的各路图像进行二值化处理，二值化阈值通常根据实际情况调整，本实验选取的阈值为120，对二值化后的图像进行连通域分析，得到一个个独立的连通区域，对各连通域用k-means算法进行聚类，聚类中心即为标记点的中心坐标，此时得到一组无序的标记点二维坐标数据，作为PCA分析的输入数据。

[0020] 4、运用PCA算法进行数据分析，计算期望、方差、协方差等统计特性，构建协方差矩阵。

[0021] 对于初始数据的二维点集，用X表示，总共有n个检测出的标记点，i表示第i个点，表示这组数据的期望： s表示这组数据的标准差：2

[0022] 为 便 于 计 算 采 用 与 其 意 义 相 同 的 方 差 s ：标准差和方差表现了数据的“散度”，但是对于二维数据而言，各维之
间的关系需要用协方差cov(X，Y)来描述： 构建协方差矩
阵为：

[0023]

[0024] 5、计算协方差矩阵的特征值和特征向量，特征向量所对应的正交系代表的是标记点的主轴方向分布，也即身体的臂展方向与躯干方向。

[0025] 6、将标记点变换到通过PCA计算得到的坐标系下，并将变换后的坐标投影在两个主轴方向上，得到二维点集序列，在骨架模型约束关系下，根据投影点集坐标顺序获取投影点集与关节点的对应关系，得到每一个标记点所附属的关节信息。

[0026] 7、将(6)中得到的带有关节信息的标记点变换回原始图像(即采集到的图像)坐标系下，则原始图像中的标记点也附带有关节信息。对能检测到所有标记点的各图像重复进行步骤(2)至(6)，可得到至少两组的二维数据。

[0027] 8、根据计算机视觉原理，将(7)得到的二维数据恢复出三维坐标，这就是跟踪初始化所需要的数据信息。