[发明专利]基于非线性流行学习的运动图过渡点选取方法

说明书

技术领域

本发明涉及基于非线性流行学习的运动图过渡点选取方法，属于计算机图像处理技术领域。

背景技术

近年来，随着计算机软硬件技术的进步，计算机动画技术得到了飞速的发展，计算机动画是指采用图形与图像的处理技术，以实体造型和真实感显示技术为基础，借助于编程或动画制作软件生成一系列的景物画面。其涉及到图像处理技术、运动控制原理、视频技术和艺术等众多领域，以独特的特点逐步成为一个多种学科和技术综合的领域。其中，运动捕捉技术的不断发展，人们可以利用捕捉设备抓取到的数据生成更多样化且复杂的虚拟人运动。但是，由于运动捕捉设备昂贵且受限于捕捉的外部条件，不可能对所需的人体运动数据每次都进行捕捉，运动数据重用技术和基于运动图的人体动画合成技术由此产生。将捕获的人体运动数据根据运动类型分类保存构建运动图，合成新的人体运动数据时，只需遍历运动图并结合插值技术即可由现有的人体运动数据片段合成新的所需人体运动数据。因此，基于运动捕捉数据的运动合成技术研究是计算机动画技术重要的研究领域之一。

自2002年基于运动图的人体运动合成方法产生后，在人体运动数据合成领域，基于运动图的人体运动合成方法已成为目前的主要方法。如附图2所示，运动图的基本方法是将运动捕捉数据按运动类型分段，每帧为一个节点，然后计算每一个节点间的相似性，满足所设阈值的节点间构建为边，最后形成运动图，进行人体运动合成的过程就是在运动图上搜索所需路径的过程。尽管经过多年的发展，但其仍存在很多问题，例如运动图中点、边的定义，过渡点的选取，运动图上搜索路径的规划等。

另一方面，基于非线性流形学习的方法被引入到人体运动合成领域，非线性流行学习可以对高维人体运动数据进行降维分析，常用的非线性流行学习方法有ISOMAP、ST-ISOMAP、SOM和LLE等，前三种属于全局方法，后者则属于局部方法。ISOMAP降维方法可用于运动段的分割，提取边界关键帧，以区分原始运动数据段中不同类型的分段。ST-ISOMAP方法可将人体运动数据片段投影到低维流行上进行重排得到新的运动数据片段。而SOM方法得到高维数据在低维流行上的分布。

已有的研究表明，基于全局非线性流行学习的方法适合于人体运动片段的分割、提取关键帧等操作，降维后的低维数据可以很好的反映运动序列的高维姿态，可以有效的发掘运动数据片段最本质的运动特征。同时，降低运动图过渡点选取时间复杂度仍然是一个具有挑战性的任务。

发明内容

本发明针对以上问题的提出，而研制基于非线性流行学习的运动图过渡点选取方法，该方法通过建立计算关键运动数据段间的相似性，着重解决在运动图构建过程中跳转点选取时间复杂度高，选取不准确的问题，从而提高运动图的构建效率，使得生成的运动数据更加平滑自然。

本发明包括如下步骤：

步骤一：高维数据的降维分析。

步骤二：提取关键数据段。

步骤三：计算关键数据段帧间相似性。

步骤四：构建运动图。

本发明的原理：通过ISOMAP降维算法对高维人体运动数据进行降维处理，使用降维后的低维数据，绘制低维特征曲线。根据低维特征曲线选取人体运动片段中的关键数据段，计算关键运动数据段帧间的相似性，满足所设阈值的帧连接成边，最终形成一个由关键数据段组成的运动图结构，合成新的人体运动数据时，只需遍历此运动图即可。

本发明与现有技术相比具有以下优点：

在表一中，方法A为计算过渡点的标准方法。方法B为一种过渡点快速选取算法。通过表一可见，计算所得的距离矩阵分别为A[344*163]，B[115*55]，C[250*88]。时间消耗对比数据表示计算距离图所需的时间，方法A为117.572319秒，方法B为19.229195秒，本发明所提方法C为45.487492秒，因此本发明所提方法在时间效率上优于标准算法，与快速法接近。第三项对比数据准确率表示当前算法找到的过渡点占所有可连接点的比率，因为方法A为标准算法，计算当前运动序列所有帧间的相似性，因此假设方法A的准确率为100%，设定阈值ε，其他2种方法均已A为基底计算准确率，以R表示准确率，当前算法找到过渡点的总数为S_i(i=a,b,c)，由于考虑到标准算法在计算时会产生大量的无效边，特别是在参与计算的2段运动类型相似的情况下，不符合物理定律的2帧运动间也可能连接成边，因此设定一个权值ρ，ρ值根据参与计算的2段运动类型的不同而不同，在0～1范围内，值越大，运动类型差距越大。则计算公式为：