專利名稱：一種運動捕獲數(shù)據(jù)自動分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機動畫領(lǐng)域里關(guān)于運動捕獲數(shù)據(jù)分割的方法，特別是一種基于統(tǒng) 計學習的運動捕獲數(shù)據(jù)自動分割方法。
背景技術(shù)：
近年來，隨著運動捕獲設備的發(fā)展和普及，出現(xiàn)了一種新的運動生成方法，即運動 捕獲方法。利用運動捕獲數(shù)據(jù)生成虛擬角色的運動，具有易于實現(xiàn)、運動逼真度高等優(yōu)點。 該方法已被廣泛應用于影視、廣告、動畫制作、教學等領(lǐng)域。在應用運動捕獲方法生成新運 動時，經(jīng)常要用到運動分割，將一個長序列運動捕獲數(shù)據(jù)分割成為不同語義特征的一系列 運動片段，再將其中的某些運動片段經(jīng)過重新排序、運動拼接，生成滿足需求的新運動。由 于運動的復雜性和多樣性，運動捕獲數(shù)據(jù)呈現(xiàn)出種類多、數(shù)據(jù)量大等特點，人工對其進行檢 索和分割是一項很繁雜的工作，這給本身就很復雜的動畫創(chuàng)作增加了更大的負擔。為了更 好地利用運動捕獲數(shù)據(jù)，對運動捕獲數(shù)據(jù)的自動分割日益受到人們的重視，逐漸成為一個 研究熱點。對運動捕獲數(shù)據(jù)進行分割，就是要找出運動序列中不同運動片段之間的分割點。 一些學者認為不同的運動片段會表現(xiàn)出不同的幾何特征，通過分析運動的幾何特征實現(xiàn)運 動的分割，運動幾何特征發(fā)生變化的幀就是分割點。楊躍東等人在文獻“基于幾何特征的 人體運動捕獲數(shù)據(jù)分割方法”中，將人體8個不同部位彎曲的角度作為人體運動幾何特征， 由此構(gòu)造特征函數(shù)，通過分析特征函數(shù)的幾何特征，實現(xiàn)了運動的分割。肖俊等人在文獻 “三維人體運動特征可視化與交互式運動分割”中，提出一種基于運動特征的交互式運動分 割方法，利用人體四肢相對于根節(jié)點的夾角構(gòu)造運動特征函數(shù)，以特征函數(shù)的跳變點作為 運動的分割點。這類方法的優(yōu)點是直接從關(guān)節(jié)角度抽取運動特征，特征函數(shù)結(jié)構(gòu)簡單，計算 效率高；但是它們只是對人體關(guān)節(jié)進行簡單的取舍，只考慮了其中幾個固定的關(guān)節(jié)，特征函 數(shù)只對這些固定的關(guān)節(jié)敏感，因此只適應某些特殊運動的分割，而對由那些削減掉的關(guān)節(jié) 完成的運動，分割卻無能為力。如果考慮所有關(guān)節(jié)的運動特征，由于人體運動捕獲數(shù)據(jù)的 高維性，勢必引起特征函數(shù)的高復雜性，嚴重影響計算效率。與直接從關(guān)節(jié)角度抽取運動 特征不同，另外一些學者從統(tǒng)計學的角度對運動捕獲數(shù)據(jù)的分割開展了相應的研究。這類 方法將人體所有關(guān)節(jié)自由度構(gòu)成的向量作為一個整體進行研究，從運動捕獲數(shù)據(jù)方差的角 度入手，基于不同運動片段具有不同的方差分布即主成分實現(xiàn)運動分割；或者從運動捕獲 數(shù)據(jù)的概率分布角度入手，基于不同運動片段服從不同分布進行運動分割。在這類方法中， Jemej等人的工作具有代表性。Jemej等人在文獻“將運動捕獲數(shù)據(jù)分割成不同行為特征的 片段，，(Segmenting motion capture data into distinct behaviors)中，提出 了三禾中運動 捕獲數(shù)據(jù)分割方法。他們認為不同類型的人體運動捕獲數(shù)據(jù)應該具有不同的內(nèi)在維度，他 們基于主成分分析(Principal Component Analysers, PCA)實現(xiàn)了運動捕獲數(shù)據(jù)的分割， 通過構(gòu)建運動捕獲數(shù)據(jù)分割器，當運動捕獲數(shù)據(jù)的子空間模型內(nèi)在維度發(fā)生變化時，即為 不同運動片段之間的分割點。另外，通過在算法中引入概率分布的概念，提出了基于概率主成分分析(Probabilistic Principal Component Analysers，PPCA)的運動數(shù)據(jù)分割方法。 這兩種算法對運動捕獲數(shù)據(jù)的分割效果較好，但是它們的運算效率較低。此外，Jemej等人 還認為，不同類型的運動數(shù)據(jù)會形成獨立的聚類，而且每個聚類都服從不同的高斯分布，基 于此假設提出了基于混合高斯模型(Gaussian Mixture Models, GMM)的運動數(shù)據(jù)分割算 法，但是利用這種算法進行運動捕獲數(shù)據(jù)分割時，需要用戶指定待分割的運動片段數(shù)目，使 用起來很不方便，因為運動序列中包含的運動片段數(shù)目在分割前往往并不知道。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題是提供一種運動捕獲數(shù)據(jù)的自動分割方法，用低維的運 動特征來描述高維運動，通過探測運動特征的變化實現(xiàn)運動捕獲數(shù)據(jù)的自動分割。本發(fā)明的技術(shù)方案如下第一步，描述待分割的運動捕獲數(shù)據(jù)，方法是1. 1、分析待分割的運動捕獲數(shù)據(jù)，確定構(gòu)成運動的關(guān)節(jié)的順序和每個關(guān)節(jié)的自由 度，由所有關(guān)節(jié)的自由度變量組成特征向量y，y為D維列向量，D等于被記錄的角色關(guān)節(jié)自 由度的總和，D為正整數(shù)。1.2、依次讀取運動捕獲數(shù)據(jù)的每一幀，按確定的關(guān)節(jié)順序依次給特征向量的每個 元素賦值。第i幀的特征向量標記為y' ”i為正整數(shù)。1.3、對于包含N幀的待分割運動捕獲數(shù)據(jù)，可用矩陣Y' = [y'2，…，y' J τ表示，N為正整數(shù)。第二步，進行去均值預處理，方法是2. 1、計算待分割運動捕獲數(shù)據(jù)的均值向量，計算公式是
權(quán)利要求
1.一種運動捕獲數(shù)據(jù)自動分割方法，其特征在于包括以下步驟第一步，描述待分割的運動捕獲數(shù)據(jù)，方法是1.1、分析待分割的運動捕獲數(shù)據(jù)，確定構(gòu)成運動的關(guān)節(jié)的順序和每個關(guān)節(jié)的自由度， 由所有關(guān)節(jié)的自由度變量組成特征向量y，y為D維列向量，D等于被記錄的角色關(guān)節(jié)自由 度的總和，D為正整數(shù)；1.2、依次讀取運動捕獲數(shù)據(jù)的每一幀，按確定的關(guān)節(jié)順序依次給特征向量的每個元素 賦值，第i幀的特征向量標記為y' i，i為正整數(shù)；1.3、對于包含N幀的待分割運動捕獲數(shù)據(jù)，用矩陣Y'= [y' 1； y' 2，…，y' Ν]τ表 示，N為正整數(shù)；第二步，進行去均值預處理，方法是
2.1、計算待分割運動捕獲數(shù)據(jù)的均值向量，計算公式是
3.1、確定降維后隱空間的維數(shù)d，高斯過程隱變量模型將運動捕獲數(shù)據(jù)從高維觀察空 間yD映射到低維隱空間xd，隱空間的維數(shù)即χ的維數(shù)d為2-3維；3. 2、確定核函數(shù)為
4.如權(quán)利要求1所述的運動捕獲數(shù)據(jù)自動分割方法，其特征在于λ=0.45。
全文摘要
本發(fā)明公開了一種運動捕獲數(shù)據(jù)自動分割方法，目的是用低維的運動特征來描述高維運動，通過探測運動特征的變化實現(xiàn)運動捕獲數(shù)據(jù)的自動分割。技術(shù)方案是先描述待分割的運動捕獲數(shù)據(jù)，然后對待分割運動捕獲數(shù)據(jù)進行去均值預處理，以預處理后的運動捕獲數(shù)據(jù)為樣本，訓練高斯過程隱變量模型，實現(xiàn)運動捕獲數(shù)據(jù)的降維，再利用降維的結(jié)果構(gòu)造并計算運動特征函數(shù)，利用運動特征函數(shù)幾何特征的變化，探測運動捕獲數(shù)據(jù)分割點，實現(xiàn)運動捕獲數(shù)據(jù)自動分割。采用本發(fā)明利用運動特征函數(shù)幾何特征的變化自動探測運動片段分割點的位置和數(shù)目，不需要用戶預先指定運動片段的數(shù)目，自動化程度更高，運動特征函數(shù)對運動角色所有運動關(guān)節(jié)敏感，具有更好的普適性。
文檔編號G06T7/20GK102122391SQ20111007833
公開日2011年7月13日 申請日期2011年3月30日 優(yōu)先權(quán)日2010年12月13日
發(fā)明者馮曉萌, 吳玲達, 宋漢辰, 楊冰, 楊征, 瞿師, 魏迎梅 申請人:中國人民解放軍國防科學技術(shù)大學