本發(fā)明涉及使用3d掃描儀重建領(lǐng)域，尤其涉及一種基于隨機抽樣一致性的對象運動特性重建方法。

背景技術(shù)：

隨著3d掃描儀和3d掃描技術(shù)的發(fā)展，使用3d掃描儀來掃描和重建現(xiàn)實生活中的物體甚至是場景已經(jīng)不是一件困難的事情。在很多相關(guān)領(lǐng)域的研究者的不懈努力下，越來越多的先進的掃描重建方法被提出，人們?nèi)缃癫粌H能夠掃描重建靜態(tài)的場景，甚至能夠掃描重建動態(tài)的場景。不管是對靜態(tài)場景還是對動態(tài)場景的重建，歸根結(jié)底還是對物體幾何特征的重建，而一個物體不僅包含幾何特征還包含運動機理。與物體的幾何特征相比，物體的運動特性更加簡潔明了地反映出物體本身的功能特性。對于一個剛性關(guān)節(jié)物體來說，物體的運動特性主要包括：物體各關(guān)節(jié)的位置，關(guān)節(jié)的類型，關(guān)節(jié)在三維空間的軸向，運動速度以及其他時空參數(shù)。對于物體運動特性的分析在機械交互，機器人動力學(xué)，以及人體運動分析等領(lǐng)域有著重大的意義。

然而，根據(jù)3d掃描儀捕獲到的物體表面的動態(tài)三維數(shù)據(jù)來提取物體的運動特性是一件非常有挑戰(zhàn)性的工作。原因主要有：1.由于3d掃描儀本身分辨率和幀率的限制，掃描得到的三維數(shù)據(jù)點往往比較稀疏且具有很多噪聲點，在時間上具有不連貫性。2.掃描過程中被掃描的物體或其部件可能進行快速的運動，由于幻影效應(yīng)，物體運動部分的數(shù)據(jù)往往具有很多異常的數(shù)據(jù)點。3.運動中的物體可能由于自聲遮擋導(dǎo)致數(shù)據(jù)缺失。

為了重建物體的運動特性，一種簡單的方法是先重建物體的幾何信息，進而通過物體的幾何信息來分析物體的運動信息。chang(chang,w.,andzwicker,m.2011.globalregistrationofdynamicrangescansforarticulatedmodelreconstruction.acmtrans.ongraph30,3,697–706.)等人提出了一種交叉進行幾何重建和運動特性重建的方法。然而進行物體幾何重建的時間開銷太大，該方法將幾何重建和運動特性重建緊緊綁定在一起，顯然是低效的。pekelny(pekelny,y.,andgotsman,c.2008.articulatedobjectreconstructionandmarkerlessmotioncapturefromdepthvideo.computergraphicsforum(specialissueofeurographics)27,2,399–408.)等提出了一種基于模板的方法來進行幾何重建和運動性分析，然而該方法需要用戶對第一幀數(shù)據(jù)進行手動分割才能自動完成后續(xù)的工作。顯然，要對每種要掃描的物體進行手動交互將會是非常繁瑣的事情。

因此，如何從3d掃描儀獲取的低質(zhì)量的動態(tài)數(shù)據(jù)中很好地分析出關(guān)節(jié)物體的運動特性，是目前需要本領(lǐng)域技術(shù)人員迫切解決的一個技術(shù)問題。

技術(shù)實現(xiàn)要素：

為了解決上述問題，本發(fā)明提供一種從低質(zhì)量的三維掃描數(shù)據(jù)中提取被掃描數(shù)據(jù)物體的運動特性的高效且有效的方法,從每幀的動態(tài)掃描數(shù)據(jù)中直接擬合物體的運動特征，完全避免了重建物體的幾何特征；傳統(tǒng)的隨機抽樣一致性算法能夠從存在大量異常值的數(shù)據(jù)集中精確地擬合出數(shù)據(jù)模型，本發(fā)明將隨機抽樣一致性算法擴展至4d的時空數(shù)據(jù)集上，從4d數(shù)據(jù)集中擬合出關(guān)節(jié)物體每個關(guān)節(jié)的運動模型；本發(fā)明主要考慮擬合鉸鏈關(guān)節(jié)，球形關(guān)節(jié)和滑動關(guān)節(jié)這三種常見的運動特性，能夠擴展到其它不常見的運動類型。另外，本發(fā)明還提供一種運動特性圖結(jié)構(gòu)用于表示重建后的關(guān)節(jié)物體。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于隨機抽樣一致性的對象運動特性重建方法，包括以下步驟：

(1)采用3d掃描儀獲取連續(xù)的rgb-d數(shù)據(jù)幀，找出相鄰兩幀稀疏的對應(yīng)點，進而計算出跨越所有幀的稀疏的運動軌跡；

(2)對于稀疏的運動軌跡進行時空上的聚類，得到一系列的運動軌跡組合，并用單條運動軌跡重新表達每個運動軌跡組合；

(3)對于每個運動軌跡組合，計算其與其它運動軌跡組合的相對運動軌跡；

(4)基于每組相對運動軌跡，通過隨機抽樣一致性算法來擬合運動特性,根據(jù)針對鉸鏈關(guān)節(jié)、球形關(guān)節(jié)和滑動關(guān)節(jié)的擬合效果確定最合理的運動特性；

(5)使用擬合出的運動特性來過濾對應(yīng)運動軌跡組合，將運動特性相似程度滿足一定閾值的軌跡進行合并；

(6)重建出整個關(guān)節(jié)對象所有關(guān)節(jié)的運動特性。

所述步驟(1)中計算出跨越所有幀的稀疏的運動軌跡，包括：

(1.1)給定一個序列的rgb-d數(shù)據(jù)幀，使用sceneflow算法獲取相鄰兩幀數(shù)據(jù)之間時空上密集的對應(yīng)關(guān)系；

(1.2)根據(jù)rgb-d圖像以及相機內(nèi)參計算第一幀點云數(shù)據(jù)，獲取所有相鄰幀之間的空間密集的對應(yīng)點，并進行降采樣，計算整個序列上的稀疏的運動軌跡；

(1.3)對于位于兩幀之間的運動軌跡上的對應(yīng)點，計算其在rgb圖像上的投影位置，并計算對應(yīng)位置sift特征的匹配程度，斷開匹配程度低于一定閾值的對應(yīng)，得到一系列初始幀以及終止幀均不一致的運動軌跡。

所述步驟(2)中對稀疏的運動軌跡進行時空上的聚類的步驟如下：

(2.1)從所有的運動軌跡中隨機選取三條軌跡，計算三條軌跡共同生命周期下的相鄰兩幀的剛性變換矩陣，這些剛性變換矩陣組合成一個剛性變換集合；

(2.2)重復(fù)執(zhí)行步驟(2.1)，以獲取n個剛性變換集合；

(2.3)對于每條運動軌跡，分別計算其與每個剛性變換集合之間的殘差，計算公式為：

其中,ms+i→s+i+1表示第s+i幀到第s+i+1幀的剛性變換矩陣，ps+i表示運動軌跡在第s+i幀中的對應(yīng)點,s表示初始幀；

對于每條運動軌跡均能夠得到一個長度為n的殘差向量a，設(shè)置一個閾值，如果殘差大于該閾值，則a中對應(yīng)的元素值設(shè)為0，否則設(shè)為1；

(2.4)假設(shè)運動軌跡的總數(shù)為|t|，由步驟(2.3)可獲得一個|t|*n的二值矩陣；

(2.5)使用j-linkage算法對所有的運動軌跡進行聚類，得到多個運動軌跡組合。

所述步驟(3)中對于每個運動軌跡組合，計算其與其它運動軌跡組合的相對運動軌跡的步驟如下：

(3.1)對于運動軌跡組合a和運動軌跡組合b，分別計算運動軌跡組合a初始幀到其它幀的剛性變換矩陣運動軌跡組合b初始幀到其它幀的剛性變換矩陣s表示初始幀，1≤i≤k,k為總幀數(shù)減1；

(3.2)根據(jù)運動軌跡組合b中的某一條運動軌跡計算運動軌跡組合b相對于運動軌跡組合a的相對運動軌跡其中，

所述步驟(4)中基于每組相對運動軌跡，通過隨機抽樣一致性算法來擬合運動特性的步驟如下：

(4.1)選取某一種關(guān)節(jié)模型進行運動特性的擬合，從給定的相對運動軌跡中隨機選取擬合該關(guān)節(jié)所需要的最小幀子集以及每幀對應(yīng)的軌跡點，作為初始的局內(nèi)點；其中，關(guān)節(jié)模型包括鉸鏈關(guān)節(jié)，球形關(guān)節(jié)和滑動關(guān)節(jié)；

(4.2)使用初始的局內(nèi)點計算待擬合運動特性的所有參數(shù)；

(4.3)計算所有其它幀數(shù)據(jù)與步驟(4.2)中得到的運動特性的匹配程度，如果匹配程度高于一定閾值，則認為對應(yīng)的幀也為局內(nèi)點；

(4.4)如果局內(nèi)點超過一定數(shù)目，則認為該運動特性是合理的，這些局內(nèi)點構(gòu)成一個一致性集合；

(4.5)重復(fù)執(zhí)行步驟(4.1)-(4.4)固定的次數(shù)，得到相應(yīng)數(shù)目的一致性集合；

(4.6)保留元素個數(shù)最大的一致性集合，若該個數(shù)大于設(shè)定閾值，將該一致性集合作為最終運動特性對應(yīng)的一致性集合，否則，重新選取另一種關(guān)節(jié)模型進行步驟(4.1)-(4.6)的操作；

(4.7)使用最終運動特性對應(yīng)的一致性集合重新擬合運動特性。

步驟(5)中使用擬合出的運動特性來過濾對應(yīng)運動軌跡組合，將運動特性相似程度滿足一定閾值的軌跡進行合并的步驟如下：

(5.1)使用擬合出的運動特性剔除對應(yīng)運動軌跡組合中質(zhì)量不滿足預(yù)設(shè)要求的運動軌跡；

(5.2)合并擬合出的相似程度滿足一定閾值的的運動特性以及對應(yīng)的運動軌跡組合；

(5.3)使用合并后的運動軌跡組合重新擬合運動特性。

進一步地，本發(fā)明還提供了一種運動特性圖結(jié)構(gòu)來表示重建后的關(guān)節(jié)物體，步驟如下：

(1)對于每種提取出的運動特性，找出其對應(yīng)的運動軌跡組合及其相對運動軌跡組合；

(2)分別求步驟(1)中得到的兩種運動軌跡組合的第一幀中點集的中心點，并把求得的兩個中心點作為結(jié)構(gòu)圖中的對象部件節(jié)點，把擬合出的運動特性作為結(jié)構(gòu)圖中的關(guān)節(jié)節(jié)點；

(3)連接每個關(guān)節(jié)節(jié)點及其對應(yīng)的兩個對象部件節(jié)點，得到最終的運動特性結(jié)構(gòu)圖。

本發(fā)明的有益效果：

(1)本發(fā)明方法能夠低質(zhì)量的動態(tài)數(shù)據(jù)中直接重建出關(guān)節(jié)物體的運動特性，避免了傳統(tǒng)的交叉幾何重建和運動性帶來的昂貴的時間開銷。

(2)將傳統(tǒng)的隨機抽樣性一致算法擴展到時空數(shù)據(jù)上，既保留了傳統(tǒng)隨機抽樣性一致算法對于低質(zhì)量數(shù)據(jù)分析擬合的魯棒性，又能夠?qū)?d時空數(shù)據(jù)進行分析擬合。

(3)本發(fā)明主要擬合鉸鏈關(guān)節(jié)，球形關(guān)節(jié)和滑動關(guān)節(jié)這三種常見的運動特性，具有高度擴展性，不僅能夠重建出本文列出的幾種運動類型，對于其他可參數(shù)化的運動類型也能夠很容易重建出來。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為本發(fā)明的方法關(guān)鍵步驟的中間結(jié)果展示；

圖3為對稀疏的運動軌跡進行時空上進行聚類時計算剛性變換集合和殘差的示意圖；

圖4為本發(fā)明初步考慮的幾種常見的關(guān)節(jié)類型；

圖5展示了時空隨機抽樣一致性算法的流程；

圖6展示了時空隨機抽樣一致性算法對鉸鏈關(guān)節(jié)進行擬合的過程；

圖7展示了原始運動軌跡進行過濾，并且合并相似運動特性的過程；

圖8展示了運動特性圖結(jié)構(gòu)的構(gòu)造過程；

圖9展示了本發(fā)明方法對機器人進行運動特性重建的結(jié)果。

圖10展示了本發(fā)明方法對三腳架，轉(zhuǎn)椅，人進行運動特性重建的結(jié)果。

具體實施方式

下面結(jié)合附圖與實施例對本發(fā)明作進一步說明。

首先，利用圖1對本發(fā)明的基于隨機抽樣一致性算法的動態(tài)對象運動特性重建方法流程進行說明，圖1為本發(fā)明的該方法的流程示意圖，其步驟包括：

步驟(1)：根據(jù)3d掃描儀獲取到的連續(xù)的rgb-d數(shù)據(jù)幀，找出每兩幀數(shù)據(jù)的稀疏的對應(yīng)點，進而計算出跨越所有幀的稀疏的運動軌跡。

步驟(2)：對于稀疏的運動軌跡進行時空上的聚類，將運動一致的軌跡聚為一類，進而得到一系列的軌跡組合，并用單條運動軌跡重新表達每個運動軌跡組合。

步驟(3)：對每個軌跡組合，計算它與其它軌跡組合的相對軌跡。

步驟(4)：基于每組相對軌跡，通過時空隨機抽樣一致性算法來擬合運動參數(shù)。如果擬合效果較好，采納，如果擬合效果較差，舍棄。我們分別對鉸鏈關(guān)節(jié)，球形關(guān)節(jié)和滑動關(guān)節(jié)進行擬合以擬合出某一軌跡最符合的運動參數(shù)。

步驟(5)：使用擬合出的運動特性來過濾原始運動軌跡，并合并相似的運動特性。

步驟(6)：重建出整個關(guān)節(jié)物體所有關(guān)節(jié)的運動特性，并構(gòu)建運動特性圖結(jié)構(gòu)來重新表示關(guān)節(jié)物體。

圖2展示了本發(fā)明的方法關(guān)鍵步驟的中間結(jié)果；輸入是用rgb-d攝像頭捕捉到的運動中的挖掘機玩具的連續(xù)幀序列。第二列圖片展示了計算出的稀疏運動軌跡。第三列圖片展示了對運動軌跡聚類后的結(jié)果，不同灰度表示的運動軌跡為一類。第四列圖片展示了重建出的運動特性，在該實例中，本方法檢測出來挖掘機的兩個鉸鏈關(guān)節(jié)的位置，軸向，以及每一幀鉸鏈關(guān)節(jié)的變化情況。第五列圖片展示了最終構(gòu)建的運動特性圖結(jié)構(gòu)。

接下來，針對本發(fā)明的方法中的每一個步驟進行具體的闡述：

所述步驟(1)中，計算出跨越所有幀的稀疏的運動軌跡，包括：

步驟(1.1)：給定一個序列的rgb圖片和深度圖片，使用sceneflow算法計算相鄰兩幀數(shù)據(jù)之間時空上的密集對應(yīng)關(guān)系。

步驟(1.2)：通過rgb-d圖片以及相機內(nèi)參計算第一幀點云數(shù)據(jù)，并降采樣，根據(jù)所有相鄰幀之間的空間密集對應(yīng)點，計算整個序列上的稀疏運動軌跡。

步驟(1.3)：對于運動軌跡在兩幀之間的對應(yīng)點，計算其在rgb圖像上的投影位置，并計算對應(yīng)位置sift特征的匹配程度，斷開匹配程度較低的對應(yīng)。因此得到一系列初始幀不一致以及終止幀不一致的運動軌跡。

所述步驟(2)中對稀疏的運動軌跡進行時空上的聚類的步驟如下：

步驟(2.1)：從所有的運動軌跡中隨機選取三條軌跡，計算三條軌跡共同生命周期下的相鄰兩幀的剛性變換矩陣，這些剛性變換矩陣組合成一個剛性變換集合：

s＝(ms→s+1,…,ms+k-1→s+k)

集合中，mn→n+1表示從第n幀到第n+1幀的剛性變換矩陣。對于一個剛體a,其相鄰兩幀的剛性變換矩陣為mn→n+1＝(r,t)n→n+1，該變換矩陣可通過求解下面的優(yōu)化問題得到：

其中k為選取的運動軌跡的條數(shù)，為第n幀對應(yīng)的第i條軌跡上的點。r為3x3的旋轉(zhuǎn)矩陣，t為平空間移向量。

步驟(2.2)：重復(fù)執(zhí)行2.1，以獲取n個剛性變換集合。

步驟(2.3)：計算每條運動軌跡和每個剛性變換集合之間的殘差，假設(shè)剛性變換集合的個數(shù)為n，則對于每條運動軌跡我們能夠計算出一個長度為n的殘差向量a。我們設(shè)置一個閾值，如果殘差大于該閾值，則a中對應(yīng)的元素值設(shè)為0，否則設(shè)為1。

軌跡t＝(ps,……,ps+k)和剛性變換集合s＝(ms→s+1,…,ms+k-1→s+k)的計算公式為：

其中pa為軌跡t中第a幀對應(yīng)的三維點。

步驟(2.4)：假設(shè)運動軌跡的總數(shù)為|t|，由2.3可獲得一個|t|*n的二值矩陣。

步驟(2.5)：使用j-linkage算法對所有的運動軌跡進行聚類，得到多個運動軌跡組合。

圖3展示了(2.1-2.3)的過程；

所述步驟(3)中對每個軌跡組合，計算它與其它軌跡組合的相對軌跡的步驟如下：

步驟(3.1)：對于軌跡組合a和軌跡組合b，分別計算軌跡組合a初始幀到其它幀的剛性變換矩陣軌跡組合b初始幀到其它幀的剛性變換矩陣s表示初始幀，1≤i≤k,k為總幀數(shù)減1。

步驟(3.2)：根據(jù)軌跡組合b中的某一條運動軌跡計算運動軌跡組合b相對于運動軌跡組合a的相對運動軌跡。

下面詳細介紹如何從相對軌跡中重建出運動模型。圖4展示了本發(fā)明考慮的幾種基本運動類型，滑動關(guān)節(jié),平面鉸鏈關(guān)節(jié),正交鉸鏈關(guān)節(jié)和球形關(guān)節(jié)。

圖5展示了上述步驟(4)中基于每組相對軌跡，通過時空隨機抽樣一致性算法來擬合運動參數(shù)的流程：

步驟(4.1)：選取某一目標運動模型，對于給定的相對運動軌跡中隨機選取擬合目標模型所需要的最小幀子集以及每幀對應(yīng)的軌跡點，作為初始的局內(nèi)點。

步驟(4.2)：使用初始的局內(nèi)點計算待擬合運動模型的所有參數(shù)。

步驟(4.3)：計算所有其它幀數(shù)據(jù)與(4.2)中計算得到的運動模型匹配程度，如果匹配度較高，則認為對應(yīng)的幀也為局內(nèi)點。

步驟(4.4)：如果某一假設(shè)模型對應(yīng)的局內(nèi)點足夠多，則認為該假設(shè)模型是合理的，我們稱該假設(shè)模型對應(yīng)的局內(nèi)點為一個一致性集合。

步驟(4.5)：重復(fù)執(zhí)行(4.1-4.4)固定的次數(shù)，得到很多一致性集合。

步驟(4.6)：保留最大的一致性集合，如果該集合中的元素個數(shù)大于規(guī)定的某一閾值，我們把該一致性集合最為最終模型對應(yīng)的一致性集合。否則，重新選取另一個運動模型進行(4.1-4.6)的操作，直到擬合出一個合理的運動模型。

步驟(4.7)：使用最終的一致性集合重新擬合運動模型。

圖6展示了時空隨機抽樣一致性算法對鉸鏈關(guān)節(jié)進行擬合的過程,下面對其做詳細的解釋：鉸鏈關(guān)節(jié)模型的擬合：

一個鉸鏈關(guān)節(jié)可以分解為鉸鏈的軸向a,鉸鏈的位置c,因此一個鉸鏈關(guān)節(jié)可以表示為h＝(a,c)。給定一個鉸鏈的軸向h以及繞軸旋轉(zhuǎn)的角度α，可以通過下面的公式計算出其對應(yīng)的旋轉(zhuǎn)矩陣和位移向量：

rh,α＝ra,α

th,α＝c-ra,αc

其中，

ra,α＝cosαi3+(1-cosα)aa^t+sinα[a]×

相反的，給定旋轉(zhuǎn)矩陣和位移向量，由歐拉定理，可以計算出鉸鏈的軸向和位置。其中，旋轉(zhuǎn)軸h為旋轉(zhuǎn)矩陣特征值為1對應(yīng)的特征向量，鉸鏈的位置可以通過求解(i-r)c＝t得出。

擬合鉸鏈關(guān)節(jié)的過程為：

1.隨機從相對軌跡中的選取兩幀數(shù)據(jù)，計算旋轉(zhuǎn)矩陣和位移向量，進而計算初始鉸鏈運動模型h＝(a,c)。

2.對于其它未選取的所有幀，計算其與運動模型h的匹配程度。把匹配程度較高的幀放入鉸鏈運動模型h對應(yīng)的一致性集合中。匹配程度的計算公式如下：

其中，和m＝1,…,n,是軌跡m分別在第i幀和第k幀的對應(yīng)點。mh,θ為繞鉸鏈h旋轉(zhuǎn)θ角度對應(yīng)的變換矩陣。

3.重復(fù)執(zhí)行1，2一定次數(shù)，選取最大的一致性集合，如果集合中的元素個數(shù)大于某一閾值，我們使用得到的最大一致性集合重新擬合出最終的鉸鏈運動模型，具體過程為：

a)對于最終一致性集合中的所有幀，兩兩間計算一個旋轉(zhuǎn)矩陣和位移向量，得到一個旋轉(zhuǎn)矩陣集合(r1,…,rm)和位移向量集合(t1,…,tm)。

b)求解以下方程組擬合鉸鏈軸向：

||a||＝1

c)求解下面方程組重新擬合鉸鏈位置：

滑動關(guān)節(jié)的擬合：

一個滑動關(guān)節(jié)可用滑動方向v來表示。給定位移向量t，滑動方向v＝t/||t||。與鉸鏈關(guān)節(jié)模型的擬合過程相似，擬合滑動關(guān)節(jié)的過程如下：

1.隨機從相對軌跡中的選取兩幀數(shù)據(jù)，計算位移向量，進而計算初始滑動模型v。

2.對于其它未選取的所有幀，計算其與運動模型v的匹配程度。把匹配程度較高的幀放入滑動運動模型v對應(yīng)的一致性集合中。匹配程度的計算公式如下：

3.重復(fù)執(zhí)行1，2一定次數(shù)，選取最大的一致性集合，如果集合中的元素個數(shù)大于某一閾值，我們使用得到的最大一致性集合重新擬合出最終的滑動運動模型，具體過程為：

a)對于最終一致性集合中的所有幀，兩兩間計算一個位移向量，得到一個位移向量集合(t1,…,tm)。

b)計算滑動方向：

球形關(guān)節(jié)模型的擬合：

一個球形關(guān)節(jié)可用球心位置c來表示。給定旋轉(zhuǎn)矩陣r1,r2和位移向量t1，t2，我們可以通過求解以下方程組得到c：

擬合球形關(guān)節(jié)的過程如下：

1.隨機從相對軌跡中的選取三幀數(shù)據(jù)，分別根據(jù)兩對幀數(shù)據(jù)計算兩個旋轉(zhuǎn)矩陣和位移向量，進而計算初始球形關(guān)節(jié)模型c。

2.對于其它未選取的所有幀，計算其與球形關(guān)節(jié)模型c的匹配程度。把匹配程度較高的幀放入球形關(guān)節(jié)模型c對應(yīng)的一致性集合中。匹配程度的計算公式如下：

3.重復(fù)執(zhí)行1，2一定次數(shù)，選取最大的一致性集合，如果集合中的元素個數(shù)大于某一閾值，我們使用得到的最大一致性集合重新擬合出最終的球形關(guān)節(jié)模型，具體過程為：

a)對于最終一致性集合中的所有幀，兩兩間計算一個旋轉(zhuǎn)矩陣和位移向量，得到一個旋轉(zhuǎn)矩陣集合(r1,…,rm)和位移向量集合(t1,…,tm)。

b)擬合最終模型：

圖7展示了步驟(5)中使用擬合出的運動特性來過濾原始運動軌跡，并合并相似的運動特性的過程：

步驟(5.1)：使用擬合出的運動特性來剔除對應(yīng)運動軌跡組合中質(zhì)量較差的運動軌跡。

步驟(5.2)：合并擬合出的相似的運動特性以及對應(yīng)的運動軌跡組合。

步驟(5.3)：使用合并后的運動軌跡組合重新擬合運動特性。

圖8展示了步驟(6)中構(gòu)建運動特性結(jié)構(gòu)圖的過程：

步驟(6.1)：對于每種提取出的運動特性，找出其對應(yīng)的運動軌跡組合及其相對的運動軌跡組合。

步驟(6.2)：分別求6.1中得到的兩種運動軌跡組合的第一幀中點集的中心點，并把求得的兩個中心點作為結(jié)構(gòu)圖中的物體部件節(jié)點，把擬合出的運動特性作為結(jié)構(gòu)圖中的關(guān)節(jié)節(jié)點。

步驟(6.3)：連接每個關(guān)節(jié)節(jié)點及其對應(yīng)的兩個物體部件節(jié)點，得到最終的運動特性結(jié)構(gòu)圖。

圖9和圖10展示了用本發(fā)明方法對多個實例重建出的運動模型結(jié)果。

本領(lǐng)域技術(shù)人員應(yīng)該明白，上述的本發(fā)明的各模塊或各步驟可以用通用的計算機裝置來實現(xiàn)，可選地，它們可以用計算裝置可執(zhí)行的程序代碼來實現(xiàn)，從而，可以將它們存儲在存儲裝置中由計算裝置來執(zhí)行，或者將它們分別制作成各個集成電路模塊，或者將它們中的多個模塊或步驟制作成單個集成電路模塊來實現(xiàn)。本發(fā)明不限制于任何特定的硬件和軟件的結(jié)合。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。