基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法

摘要

一种基于度量MDS和改进斜交空间距离的人体运动捕捉数据分割方法，包括以下步骤：S1：对原始序列进行多维尺度分析，实现高维原始数据到低维空间的映射；S2：在低维空间中划出指定窗口，计算指定窗口中数据到前一片段各帧之间的改进斜交空间距离；S3：通过对改进斜交空间距离进行相似性检测得到最终的分割点集，获得具有独立语义的运动片段。该方法在保持原始数据相关性和拓扑结构的前提下，对数据的分割准确率有较大的提升。

权利要求

1.基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法，其特征在于,包括以下步骤：S1：对原始序列进行多维尺度分析，实现高维原始数据到低维空间的映射；

S2：在低维空间中划出指定窗口，计算指定窗口中数据到前一片段各帧之间的改进斜交空间距离；具体包括以下步骤：S21：令m＝1；

S22：m＝m+1，以第m个初始分割点pm为中心设置一个长度为L＝2α+1的窗口，然后计算窗口[pm-α,pm+α]中的每一帧到前一个片段[pm-1,pm-α-1]每一帧的帧间距离DD(i,j)，帧间距离可选择改进斜交空间距离，改进斜交空间距离为：其中，xi,k表示运动序列第i帧第k维的运动数据，且i,j＝1,2,...,N，N为序列的长度，n＝93，ri,j为运动序列第i帧和第j帧的相关系数：当i＝j时，表示指标的自相关系数，ri,j＝1；当i≠j时，相关系数的取值在-1～1之间；

S3：通过对改进斜交空间距离进行相似性检测得到最终的分割点集，获得具有独立语义的运动片段；

具体包括以下步骤：

S31：判断相似性，将各帧间的帧间距离存入矩阵DIS中，在此定义一阈值β，且令β＝

5min(DIS)，如果帧间距离DD(i,j)小于阈值β，则在相应的窗口中标记1，否则此帧属于后一片段，标记0；

S32：对窗口中标记为1的数据个数进行统计，记为M，将分割点重新定为pm-α+M；

S33：判断当前分割点是否为最后一个分割点，是则结束，否则执行S22。

2.根据权利要求1所述的基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法，其特征在于，所述多维尺度分析具体包括以下步骤：S11：采用一包括N个输入向量的数据点集X描述运动数据；

S12：求得距离平方矩阵D：

D＝(d2(Xi,Xj))N×N＝BeT-2XXT+eBT其中，i,j＝1,2,...,N，X＝(X1,X2,...,XN)T,e为N×1维全1阵，B＝(||X1||2,...,||XN||2)T；

S13：将距离平方矩阵双中心化：设J＝I-eeT/N；其中，e为N×1维全1阵，I为N×N维单位矩阵，则Je＝0,eTJ＝0,JT＝J；对任意包含N个样本点的输入X＝(X1,X2,...,XN)T，则有JX＝[Xi-μ], 利用J将距离平方矩阵双中心化，则有：JDJ＝-2[Xi-μ][Xi-μ]T

S14：得到原始数据低维坐标表示：令H＝-JDJ/2，将H阵特征分解：H＝UΛUT；令λ1≥λ2≥...≥λN≥0为矩阵H的特征值，令U1,U2,...,UN∈RN为其对应特征向量，取其前d个最大特征值λ1,λ2,...,λd和其对应前d个特征向量U1,U2,...,Ud，进而得到输入X的低维坐标表示Y：将Y作为降维结果输出。

说明书

基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法

技术领域

[0001] 本发明涉及一种基于度量MDS和改进斜交空间距离的人体运动捕捉数据分割方法，属于计算机图像处理技术领域。

背景技术

[0002] 近年来，随着人体运动捕捉技术的发展，计算机动画的应用领域也在不断扩展，我们通过使用运动捕捉设备来高效、快捷的获取真实感三维人体运动数据，并将所得到的数据应用到各个领域。人体运动通常都是由多个运动组合而成，而且复杂多变，所以直接对长序列的运动捕捉数据进行处理，不仅复杂且费时费力。因此，需要将长运动序列分割成具有独立语义的片段，以便后期对其重用。

[0003] 寻找不同动作之间的分割特征是对人体运动序列分割的关键。现有的分割算法广泛应用到了降维技术。人体运动捕捉数据是一种多维度的数据，复杂度高，而且运动捕捉数据绝大部分都是非线性的，直接对高维数据进行处理分析费时费力，为了降低分割难度，并在保持原始数据原有拓扑结构及相关性的前提下，本发明提出了一种基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法。

发明内容

[0004] 鉴于已有技术方法存在的缺陷，本发明提供基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法，该方法通过MDS降维，用改进的斜交空间距离求得最终分割点，在保持原始数据相关性和拓扑结构的前提下，对数据的分割准确率有较大的提升，克服了原有技术的缺点。

[0005] 为实现上述目的，本发明所采用的技术方案是基于度量MDS和改进斜交空间距离的运动捕捉数据分割方法，包括以下步骤：

[0006] S1：对原始序列进行多维尺度分析，实现高维原始数据到低维空间的映射；

[0007] S2：在低维空间中划出指定窗口，计算指定窗口中数据到前一片段各帧之间的改进斜交空间距离；

[0008] S3：通过对改进斜交空间距离进行相似性检测得到最终的分割点集，获得具有独立语义的运动片段。

[0009] 进一步的S1中所述的方法是将度量MDS应用于对人体运动捕捉数据的降维，得到的低维特征曲线能够更好地反映人体运动的本质特征，体现研究对象间的相似性和差异性，具体包括以下步骤：

[0010] S11：采用一包括N个输入向量的数据点集X描述运动数据。

[0011] S12：求得距离平方矩阵D：

[0012]

[0013] 其中，i,j＝1,2,...,N，X＝(X1,X2,...,XN)T,e为N×1维全1阵，B＝(||X1||2,...,||XN||2)T。

[0014] S13：将距离平方矩阵双中心化：设J＝I-eeT/N。其中，e为N×1维全1 阵，I为N×N维单位矩阵，则Je＝0,eTJ＝0,JT＝J。对任意包含N个样本点的输入X＝(X1,X2,...,XN)T，则有 利用J将距离平方矩阵双中心化，则有：

[0015] JDJ＝JBeTJ-2JXXTJ+JeBTJ

[0016] ＝-2JXXTJ＝-2JXXTJT＝-2(JX)(JX)T

[0017] ＝-2[Xi-μ][Xi-μ]T

[0018] 令V＝JX＝[Xi-μ]，则JDJ＝-2VVT。

[0019] S14：得到原始数据低维坐标表示：令H＝VVT＝-JDJ/2，将H阵特征分解： H＝UΛUT。令λ1≥λ2≥...≥λN≥0为矩阵H的特征值，令U1,U2,...,UN∈RN为其对应特征向量，取其前d个特征值λ1,λ2,...,λd和其对应前d个特征向量U1,U2,...,Ud，进而得到输入X的低维坐标表示Y，如下表示：

[0020]

[0021] 将Y作为降维结果输出，从而达到对原始运动捕捉数据降维的目的。

[0022] 进一步的S2中计算初始分割点周围一定窗口范围中数据到前一片段各帧之间的改进斜交空间距离，使最终得到的分割点更加精确，具体包括如下步骤：

[0023] S21：令m＝1。

[0024] S22：m＝m+1，以第m个初始分割点pm为中心设置一个长度为L＝2α+1 (α＝35)的窗口，即：[pm-α,pm+α]帧，然后计算该窗口中的每一帧到前一个片段[pm-1,pm-α-1]每一帧的帧间距离DD(i,j)。由于各帧之间往往存在着不同的相关关系，用正交空间的距离来计算各帧之间的距离容易变形，所以帧间距离可选择改进斜交空间距离，改进斜交空间距离定义如下：

[0025]

[0026] 其中，n＝93，ri,j为运动序列第i帧和第j帧的相关系数，其公式如下：

[0027]

[0028] 当i＝j时，表示指标的自相关系数，ri,j＝1；当i≠j时，相关系数的取值在-1～1 之间。相关系数的绝对值越接近1，表示两变量之间的相关程度越大。当各帧之间不相关时，改进斜交空间距离退化为欧氏距离。

[0029] 进一步的S3中对改进斜交空间距离进行相似性检测获得具有独立语义的运动片段，具体采用如下步骤：

[0030] S31：判断相似性，将各帧间的帧间距离存入矩阵DIS中，在此定义一阈值β，且令β＝5min(DIS)，如果帧间距离DD(i,j)小于阈值β，表示此帧属于前一个片段，则在相应的窗口中标记1，否则此帧属于后一片段，标记0。

[0031] S32：判断当前帧是否为最后一帧，是则执行S33，否则执行S22。

[0032] S33：对窗口中标记为1的数据个数进行统计，记为M，将精准分割点重新定为pm-α+M。

[0033] 本发明与现有技术相比具有以下优点：

[0034] 1、度量MDS降维方法利用数据点之间的相似性或者距离来获得数据在低维空间的几何表示，把距离的平方矩阵转换成内积矩阵，最后求得内积矩阵的特征值和特征向量以获取其低维表示，有较高的稳定性。

[0035] 2、由于各帧之间往往存在着不同的相关关系，用正交空间的距离来计算各帧之间的距离容易变形，所以帧间距离可选择斜交空间距离。对得到的初始分割点，采用改进斜交空间距离进行相似性检测，使得最终得到的分割点集更精确。

附图说明

[0036] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0037] 图1本发明公开的基于度量MDS和改进斜交空间距离的人体运动捕捉数据分割方法的流程图

[0038] 图2实验中所采用的格式为BVH的人体骨架模型图

[0039] 图3本发明中人体六种运动的类型图

[0040] 图4特征曲线及其标记结果示意图

[0041] 图5不同方法对人体运动分割结果对比示意图

具体实施方式

[0042] 下面结合附图对本发明实施例中的技术方案作进一步详细说明.

[0043] 如图1所示的基于度量MDS和改进斜交空间距离的人体运动捕捉数据分割方法的流程图，该方法包括以下步骤：

[0044] S1：对原始序列进行多维尺度分析，实现高维原始数据到低维空间的映射；

[0045] S2：在低维空间中划出指定窗口，计算指定窗口中数据到前一片段各帧之间的改进斜交空间距离；

[0046] S3：通过对改进斜交空间距离进行相似性检测得到最终的分割点集，获得具有独立语义的运动片段。独立语义意思是分割点将较复杂的非规律运动序列分割开来，每相邻两分割点之间为一个独立的运动片段，比如只是单纯的“跑”或者单纯的“跳”片段，不包含其他运动。

[0047] 进一步的S1中的具体方法包括如下步骤：

[0048] S11：采用一包括N个输入向量的数据点集X描述运动数据。

[0049] S12：求得距离平方矩阵D：

[0050] D＝(d2(Xi,Xj))N×N＝[(Xi-Xj)2]

[0051] ＝[||Xi||2-2XiXjT+||Xj||2]＝BeT-2XXT+eBT

[0052] 其中，i,j＝1,2,...,N，X＝(X1,X2,...,XN)T,e为N×1维全1阵，B＝(||X1||2,...,||XN||2)T。

[0053] S13：将距离平方矩阵双中心化：设J＝I-eeT/N。其中，e为N×1维全1 阵，I为N×N维单位矩阵，则Je＝0,eTJ＝0,JT＝J。对任意包含N个样本点的输入X＝(X1,X2,...,XN)T，则有 利用J将距离平方矩阵双中心化，则有：

[0054] JDJ＝JBeTJ-2JXXTJ+JeBTJ

[0055] ＝-2JXXTJ＝-2JXXTJT＝-2(JX)(JX)T

[0056] ＝-2[Xi-μ][Xi-μ]T

[0057] 令V＝JX＝[Xi-μ]，则JDJ＝-2VVT。

[0058] S14：得到原始数据低维坐标表示：令H＝VVT＝-JDJ/2，将H阵特征分解： H＝UΛUT。令λ1≥λ2≥...≥λN≥0为矩阵H的特征值，令U1,U2,...,UN∈RN为其对应特征向量，取其前d个特征值λ1,λ2,...,λd和其对应前d个特征向量U1,U2,...,Ud，进而得到输入X的低维坐标表示Y，如下表示：

[0059]

[0060] 将Y作为降维结果输出，从而达到对原始运动捕捉数据降维的目的。

[0061] 进一步的S2中的具体方法包括如下步骤：

[0062] S21：采用平滑滤波的方法去除特征曲线中的噪声，得到一条较为平滑的特征曲线。计算所得特征曲线的局部极大值点和局部极小值点。对每个极大(小)值点与两侧相邻极小(大)值点间的幅度差进行测量，如果较小幅度差比较大幅度差的λ倍(0<λ<1)还要小，则将此极值点定位初始分割点。

[0063] 为了保证初始分割点不能过密，设置阈值T＝150，判断两相邻初始分割帧间的长度是否大于阈值T，若条件成立，则两帧都作为初始分割点，否则去掉较大帧，达到最后一帧时则终止判断。令m＝1。

[0064] S22：m＝m+1，以第m个初始分割点pm为中心设置一个长度为L＝2α+1 (α＝35)的窗口，即：[pm-α,pm+α]帧，然后计算该窗口中的每一帧到前一个片段[pm-1,pm-α-1]每一帧的帧间距离DD(i,j)。由于各帧之间往往存在着不同的相关关系，用正交空间的距离来计算各帧之间的距离容易变形，所以帧间距离可选择改进斜交空间距离，改进斜交空间距离定义如下：

[0065]

[0066] 其中，n＝93，ri,j为运动序列第i帧和第j帧的相关系数，其公式如下：

[0067]

[0068] 当i＝j时，表示指标的自相关系数，ri,j＝1；当i≠j时，相关系数的取值在-1～1 之间。相关系数的绝对值越接近1，表示两变量之间的相关程度越大。当各帧之间不相关时，改进斜交空间距离退化为欧氏距离。

[0069] 进一步的S3中的具体方法包括如下步骤：

[0070] S31：判断相似性，将各帧间的帧间距离存入矩阵DIS中，在此定义一阈值β，且令β＝5min(DIS)，如果帧间距离DD(i,j)小于阈值β，表示此帧属于前一个片段，则在相应的窗口中标记1，否则此帧属于后一片段，标记0。

[0071] S32：判断当前帧是否为最后一帧，是则执行S33，否则执行S22。

[0072] S33：对窗口中标记为1的数据个数进行统计，记为M，将精准分割点重新定为pm-α+M。

[0073] 实施例

[0074] 本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

[0075] 实例样例是从CMU数据库中选取一组含有六种运动类型的运动(13_30.bvh) 进行验证。如图2和图3所示，其中图3六个图分别代表“跳”、“两侧转”、“踢腿”、“下蹲”、“慢跑”和“站立”六种运动类型。

[0076] 步骤1：读取CMU数据库中标号为13-30的运动序列，共2465帧，每帧96  维CHHANNELS数据，用度量MDS降维方法对其进行降维，得到一条反映运动本质的特征曲线，如图4所示。

[0077] 步骤2：对上一步中得到特征曲线进行去噪，使用MATLAB中的函数求得特征曲线的局部极值点。检测每个极值点两侧的幅度曲线，然后比较得到较小幅度差和较大幅度差，如果较小幅度差比较大幅度差的λ倍(0<λ<1)还要小，则将此极值点定为初始分割点。对得到的初始分割点进行进一步检测，如果初级分割点分布紧密，则进行筛选，如果分割点分布较为疏散，则进行检测下一个初级分割点；直到确定最后一个初级分割点为止，如图4所示。

[0078] 步骤3：对第2步中得到的初级分割点进行进一步筛选和检测，得到最后确定的分割点：以第m个初始分割点pm为中心设置一个长度为L＝2α+1的窗口，即：[pm-α,pm+α]帧，然后计算该窗口中的每一帧到前一个片段[pm-1,pm-α-1]每一帧的帧间距离DD(i,j)。将各帧间的帧间距离存入矩阵DIS中，在此定义一阈值β，且令β＝5min(DIS)，如果帧间距离DD(i,j)小于阈值β，表示此帧属于前一个片段，则在相应的窗口中标记1，否则此帧属于后一片段，标记0。然后统计数组中标记为1的个数M，将精准分割点重新定为pm-α+M。进行下一次循环，直到循环结束得到最终的分割点集,如图4所示。

[0079] 最后我们将本发明公开的分割方法、传统的MDS降维方法及手工分割方法三者的分割结果进行比较。不同方法的分割结果如图5所示，用不同灰度表示不同的运动段，如果灰度变化则表示运动类型发生改变。以经过多人多次进行的手工分割结果作为参考模板，经过对比分析本发明方法较传统MDS分割方法的准确率有较大的提升。

[0080] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围内。