[发明专利]基于融合改进的LLE和PCA的三维人体运动关键帧提取方法

说明书

技术领域

本发明涉及涉及人体运动的关键帧提取，具体讲是涉及一种基于融合改进的LLE和PCA的三维人体运动关键帧提取方法。

背景技术

关键帧提取技术的出现使运动捕捉数据库规模可以变得更小，关键帧提取就是针对一段运动序列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。

影响经典LLE算法鲁棒性的因素主要有三个方面(1)噪声源的分布(2)近邻点个数K(3)重建权值矩阵W。针对经典LLE算法的问题，如国内的江南大学2011年发表的《L₁范局部线性嵌入》，宁波大学2013年发表的《基于稀疏约束的LLE改进算法》等，以及国外滑铁卢大学2011年发表的《Robust locally linear embedding using penalty functions》虽然都在一定程度上提高了LLE算法的鲁棒性，但并不能获得稳定的结果而且并没有降低近邻点个数的选取。又如国内的华南理工大学2008年发表的《邻域参数动态变化的局部线性嵌入》虽然很好的控制了近邻点个数的选择，但结果往往都有一定的随机性。

发明内容

本发明所要解决的技术问题是经典LLE算法的稳定性以及降低近邻点个数和重建权值矩阵的构建对算法的影响。

为了解决上述问题，本发明所采用的技术方案为基于融合改进的LLE和PCA的三维人体运动关键帧提取方法，其采用融合改进的局部线性嵌入算法LLE和主成分分析算法PCA对运动捕捉数据进行降维，并选用Lowess平滑滤波，根据降维后的一维特征曲线进行关键帧提取；其具体过程如下：

S1、采用改进的LLE对运动捕捉数据进行预处理降维；

改进的LLE方法主要分成以下三步：

步骤一：选择K个近邻点。对于高维空间中的每一帧X_i(i＝1,2,...,N)，N为运动的总帧数，计算它与其它每帧之间的距离d_ij，距离公式为：

dij=||Xi-Xj||/T(i)T(j)]]>

其中，||X_i-X_j||表示X_i和X_j(j＝1,2,...,N)之间的欧式距离，X_i和X_j代表运动序列中的两个不同的帧，T(i)和T(j)分别表示X_i到它的K个近邻之间的距离的平均值和X_j到它的K个近邻之间的距离的平均值；

步骤二：由每个样本点的近邻点计算出该样本点的局部重建权值矩阵W；

步骤三：由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。

S2、对于预处理过的数据采用PCA线性降维方法对数据进行再处理，得到一维特征曲线，并滤去噪声；

S3、基于MATLAB平台，根据特征曲线的变化提取局部极值点，通过提取的局部极值点获得初始关键帧；

S4、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，在合并过密的关键帧，得到最终的关键帧集合。

本发明与现有技术相比具有以下优点：

1、采用了融合改进的LLE算法与PCA算法对原始运动捕捉数据进行降维，很好的揭示了运动背后的本质特征，而且避免了维数灾难带来的问题，即降低了近邻点个数的选取也使算法的稳定性得到保障。