[发明专利]一种基于字典学习的人体动作序列降噪方法

摘要

本发明涉及一种基于字典学习的人体动作序列降噪方法，包括：取一段T帧的动作捕捉数据，含噪的某关节的动作捕捉数据p_l可以表示为：x_n＝x+n，其中x_n，x，n分别是含噪运动数据、无噪运动数据和噪声数据，首先将字典Φ初始化为随机矩阵，然后对每帧的运动数据通过压缩采样得到M维的观测向量：y_n＝Φx_n＝Φ(x_i+n)＝Φx_i+z₀；通过压缩感知对运动数据进行二次采样，得到观测向量集{y_ni|i＝1,2,…,T'}；无噪运动数据在DCT域近似稀疏，从DCT系数α中选择M项最大的稀疏得到α_M；针对第二步得到的动作数据的稀疏表示结果，采用K‑SVD方法逐列更新字典，根据目标函数，只保留系数中的非零值，再进行SVD分解即可本发明的有益效果是：有效的利用了动作的时序特征；缩短了动作字典的训练时间，提高了训练阶段的效率。

主权项

1.一种基于字典学习的人体动作序列降噪方法，其特征在于，包括以下步骤：第一步，取一段T帧的动作捕捉数据，记为P＝[p1,p2,… ,pl,… ,pL]，其中pl＝[xl,1,yl,1,zl,1,… ,xl,t,yl,t,zl,t,… ,xl,T,yl,T,zl,T]代表第l个关节的动作捕捉数据，共有T帧；每个关节的动作捕捉数据进行并行处理，最后生成每个关节的字典；第二步，含噪的某关节的动作捕捉数据pl可以表示为：xn＝x+n，其中xn，x，n分别是含噪运动数据、无噪运动数据和噪声数据，首先将字典Φ初始化为随机矩阵，然后对每帧的运动数据通过压缩采样得到M维的观测向量：yn＝Φxn＝Φ(xi+n)＝Φxi+z0其中，||z0||≤ε0,z0是由运动数据的噪声引入的，而无噪的运动数据xi＝Ψα，对应的观测向量：yni＝ΦΨα+z0通过压缩感知对运动数据进行二次采样，得到观测向量集{yni|i＝1,2,… ,T'}；无噪运动数据在DCT域近似稀疏，从DCT系数α中选择M项最大的稀疏得到αM，观测向量可以表示为：yni＝ΦΨαM+z0+z1＝ΦΨαM+z其中，二次采样测量噪声z1＝ΦΨ(α‑αM)，||z1||2≤ε1，总噪声z＝z0+z1，||z||2＝||z0+z1||2≤||z0||2+||z1||2≤ε0+ε1；令ε＝ε0+ε1，则||z||2≤ε；采用基追踪算法对二次采样的信号进行重构，其定义优化问题如下：其中，ε≥||z||2是允许的最大误差，并得到动作数据的稀疏表示；第三步，针对第二步得到的动作数据的稀疏表示结果，采用K‑SVD方法逐列更新字典，目标函数可重写为上式中，Φ·Ψ·α被分解为K个秩为1的矩阵的和，假设其中K‑1项都是固定的，剩下的一列就是要更新的第k个，矩阵Ek表示去掉原子dk的成分在所有样本中造成的误差；只保留系数中的非零值，再进行SVD分解即可。