[发明专利]基于局部线性嵌入的运动捕捉数据的关键帧提取方法

说明书

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于局部线性嵌入的运动捕捉数据的关键帧提取方法。

背景技术

在近几十年，随着运动捕获技术的兴起和发展，以及设备技术的进步，大量的三维人体运动捕获数据生成，并被广泛的应用在计算机动画，电影特技，医学仿真和游戏等领域。伴随着存在一个问题，由于捕捉数据的庞大导致运动捕捉数据库的规模也很庞大，怎样才能充分地利用这些已有的运动捕捉数据，如何从运动库中获取用户所需要的运动。关键帧技术是一种有效的解决方法，选择运动中最重要最关键的帧作为关键帧，代表整个运动序列，对此段运动有一个较好的视觉概括性，同时又可以进行运动重建，还原原始运动，保持一个较低的误差率。

目前从采样方式主要分为两大类：等间隔采样和自适应采样。等间隔采样有可能出现过采样和欠采样的问题，自适应采样可以在变化小的地方少采样而在变化大的地方多采样，于是可以解决前者的不足。现有的运动捕获数据关键帧提取技术主要分为三大类：基于曲线简化、聚类和基于矩阵分解的技术。在基于曲线简化技术这种方法中，如何避免维数灾难带来的问题，华侨大学在2012年发表的基于中心距离特征的人体运动序列关键帧提取中提取四肢到中心点的距离得到一组中心距离特征的方案,该方案提取的距离特征并不能很好的代表运动数据。以及北京航空航天大学在2011年发表的基于混合遗传算法的人体运动捕获数据关键帧提取等,此方案消耗时间比较长。对于降维后的特征曲线采用曲线简化的方案提取关键帧这样的方案如浙江大学在2006年发表的基于分层曲线简化的运动捕捉数据关键帧提取以及2009年发表的“3D Human Motion Retrieval Based on Key-Frames”等。但这些方法在保证压缩比的情况下误差率依然较大。

发明内容

根据现有技术存在的问题，本发明公开了一种基于局部线性嵌入的运动捕捉数据的关键帧提取方法，包括以下步骤：

S1：采用局部线性嵌入方法对运动捕捉数据进行降维，采用平滑滤波去除噪声得到反映原始运动的一维特征曲线；

S2：提取特征曲线上的局部极值点获得初始关键帧；

S3：在初始关键帧之间，根据其特征曲线幅度差值和设定的阈值插入相应的帧数，得到最终的关键帧集合。

进一步的，S1中采用局部线性嵌入方法对运动捕捉数据进行降维时具体包括以下步骤：

S11：在高维空间中选择K个近邻点，对于高维空间中的每个样本点X_i(i＝1,2,…,N)，N为样本的总数，计算每个样本点与其它样本点之间的欧式距离；

S12：由每个样本点的近邻点计算该样本点的局部重建权值矩阵；

S13：根据该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值；

进一步的，S3具体包括以下步骤：

S31：计算相邻的初始关键帧之间的特征曲线的幅度差值vary，vary表示初始关键帧集合中两相邻帧的幅度差值；

S32：设置一个阈值φ₁，如果vary<阈值φ₁，则不插入关键帧；如果vary>阈值φ₁，则在对应初始关键帧之间插入一帧或多帧；

S33：当幅度差值vary>阈值φ₁时，设对应的初始关键帧为f₁和f₂，先将f₁作为当前帧，设f_new＝f₁，f_new为临时变量，按帧序号抽取下一帧用f_next表示，根据特征曲线幅度检测f_next和f_new间的幅度差值vary₁,设置另一个阈值φ₂，如果vary₁<φ₂，则不作处理；如果vary₁>φ₂，则将f_next加入到的关键帧集合中，令f_next＝f_new；

S34：重复S32和S33直到所有帧处理完毕，得到最终关键帧集合。