[发明专利]基于非线性流行学习的运动图过渡点选取方法

摘要

本发明公开了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。本发明包括高维数据的降维分析，提取关键数据段，计算关键数据段帧间相似性，构建运动图几个步骤。

主权项

基于非线性流行学习的运动图过渡点选取方法，其特征在于：包括以下步骤：步骤一：高维数据的降维分析使用ISOMAP非线性流形学习算法，对高维人体运动数据进行降维处理，得到原始运动序列的低维流形结构，根据运动类型的不同，绘制与之匹配的低维特征曲线；（1）取一段长度为L帧的n维人体运动数据，则输入数据集Channel=[L×n]，根据本文所使用的CMU数据库数据，每一帧数据包含n=96维数据；（2）计算每个点的近邻点，用K近邻或ε邻域；（3）在样本集上定义一个无向图，以局部领域的数据点来构建无向连接图G，边表示在局部领域范围内点之间的连接；（4）计算无向图的最短距离，使用Dijkstra算法计算图中两点（i，j）的最短距离，所得的距离矩阵为DG：DG={dG(i，j)}；（5）使用MDS求解低维嵌入流形；步骤二：提取关键数据段根据人体运动低维特征曲线，提取关键运动段，在此关键运动段内计算帧间相似性；基于对过渡平滑度的考虑，采用一个长度为W的窗口，将窗口内的数据加入新的数据集Yi，W的值由公式决定：W＝L/(ρC)；其中，L为帧长度，ρ为权值，取决于人体姿态变化的频率，C为特征曲线顶点的数量；确定W的值后，记录窗口内的帧数，在数据集channel中提取相对应的数据，存入新的数据集Yi中，i为对应的运动序列序号；步骤三：计算关键数据段帧间相似性使用欧氏距离的计算方法，计算关键数据段间每帧的相似性，画出距离图；首先，将步骤二中提取的关键运动数据段建立数据集，原运动数据中提取出来的关键段为一个数据集；其次，计算帧间相似形，两两计算各帧间的距离，采用欧式距离表示；将满足所设阈值的两点连接，形成一个跳转点；步骤四：构建运动图设定一个阈值ε，将所有小于阈值ε的帧间连接成边，经过剪支处理后，构建成运动图。