[发明专利]一种高维动态数据处理方法

说明书

技术领域

本发明涉及一种高维动态数据处理方法，尤其涉及动态纹理图像序列和3D人体运动数据的分析，合成和控制。

背景技术

动态数据通常指数据单元之间具有时序关系的一类数据。典型的动态数据包括动态纹理图像序列，3D人体运动数据等。由于这些动态数据维数较高，如何去处理这些高维数据已成为各类应用问题的难点。

动态纹理图像序列是指时间空间上呈现一种统计特性的图像序列。如跳动的火焰，飘动的旗帜等。一帧长、宽分别为m和n的图像I_m×n，可以看作是R^m×n图像空间中的一个点。m×n的值通常大于1000(例如对于35×35像素大小的图像)，所以动态纹理图像属于高维数据。3D人体运动数据(如图1所示)是指通过运动捕获设备得到人体各个关节点的3D运动数据。人体的每一个姿态由各个关节弯曲程度决定。在局部的坐标系下，每个关节的状态可以由3个参数描述，而人体运动的关节点数目j众多(＞70)，人体的一个姿态可以由3×j维数据描述，所以3D人体运动数据也是高维的动态数据。对于这些高维数据的处理在计算机图形、计算机动画中有广泛的应用。

高维数据的处理包含数据分析、合成和控制。动态数据的分析是指将高维的动态数据投影到低维空间和对低维空间的动态特性进行分析。高维动态数据的合成和控制是指根据不同动态特性的需要选择一系列的低维空间中的点，然后将这些数据点重新映射到高维空间形成新的动态数据。

动态纹理图像序列传统的分析方法，通常采用具有时间不变性的线性动态系统(linear dynamical system)。先用主成份分析(principal componentanalysis)将高维数据降到低维空间，然后在低维空间中对自回归动态模型进行系统辨识。从视觉上看，线性系统生成的动态纹理都不真实；因为此方法假设动态纹理具有时间不变性，所以不能处理自然场景下生成的很多动态纹理，如旗帜的随风飘动、火焰等。本发明采用一种非线性的降维方法对动态纹理图像序列进行建模，同时在低维空间中进行非线性采样合成，获得更逼真视觉效果的动态纹理图像序列，且能够处理大多数自然场景中的动态纹理。

3D人体运动数据合成常用的方法是逆动力学(inverse kinematics)。20世纪90年代初，采用基本的逆动力学方法，寻找各个关节满足的约束。虽然各个关节满足自身的约束条件，但是求解出来满足约束的动作常常是不自然的。后来人们从样本中学习更真实的人体运动数据，常用的方法是将已经存在的运动数据进行直接复制、混合或在多个运动数据之间直接进行插值。这种方法虽然能合成更真实的运动数据，但是不能合成满足用户指定的某种动作约束的运动数据，例如原来只是“走”的运动数据，需要合成走的过程中，一只手突然举起然后放下。本发明方法能够合成这种用户指定约束的人体运动数据。

发明内容

本发明目的是提供一种高维动态数据处理方法，此方法可以处理动态纹理图像序列和3D人体运动数据等高维动态数据，通过对现有数据的分析，形成具有不同动态特性的新的数据。

为实现上述目的，根据本发明的一个方面，提供了一种高维动态数据处理的方法，包括下列步骤：

计算高维动态数据对应的低维变量；该步骤包括建立高斯过程隐藏变量模型，并根据此模型计算低维变量，所述高斯过程隐藏变量模型的核矩阵元素用径向基核函数表示；

计算所述低维变量张成的低维空间到所述高维数据所在的高维空间的映射；该步骤包括根据低维变量和所述径向基核函数中的核参数计算从低维空间到高维空间的映射，该映射的映射函数用高斯函数表示；

在所述低维空间采集样本，利用所述映射将样本映射到所述高维空间，形成新的高维动态数据。

根据本发明的又一方面，提供了一种动态纹理图像序列处理方法，包括下列步骤：

计算动态纹理图像序列对应的低维变量；该步骤包括建立高斯过程隐藏变量模型，并根据此模型计算低维变量，所述高斯过程隐藏变量模型的核矩阵元素用径向基核函数表示；

计算所述低维变量张成的低维空间到所述动态纹理图像序列所在高维空间的映射；该步骤包括根据低维变量和所述径向基核函数中的核参数计算从低维空间到高维空间的映射，该映射的映射函数用高斯函数表示；

在所述低维空间采集样本，利用所述映射将样本映射到高维空间，形成新的动态纹理图像。

根据本发明的又一方面，提供了一种3D人体运动数据处理方法，包括下列步骤：