三維人體運動分析與動作識別方法.pdf

1、隨著運動捕獲技術(shù)的成熟和推廣，高效、快捷的獲取大量基于三維的運動數(shù)據(jù)集已經(jīng)成為現(xiàn)實。由于三維運動捕獲數(shù)據(jù)較好地保持了運動細節(jié)，并真實地記錄了運動軌跡，數(shù)據(jù)精度高，已被廣泛應用在計算機動畫、影視制作、數(shù)字娛樂、體育仿真、醫(yī)學理療等領(lǐng)域。在此背景下，基于運動捕獲數(shù)據(jù)的人體運動分析已經(jīng)成為近年來圖形學領(lǐng)域的一大熱點。其中，實現(xiàn)對于三維人體運動數(shù)據(jù)的關(guān)鍵幀提取、自動識別和分類是人體運動分析的重要研究內(nèi)容，是實現(xiàn)對于運動捕獲數(shù)據(jù)進行有效管理與重用

2、的重要前提和基礎(chǔ)。
　　關(guān)鍵幀提取以原始三維運動捕獲數(shù)據(jù)為基礎(chǔ)，提取出最能表示運動序列的語義信息的若干關(guān)鍵姿態(tài)，是數(shù)據(jù)壓縮、降維、特征提取與表示的重要方法和手段，在關(guān)鍵幀動畫創(chuàng)作、人體運動分析與重用等領(lǐng)域已得到了廣泛應用。人體運動識別通過分析提取人體運動特征參數(shù)，實現(xiàn)自動分析和理解人體各類運動和行為。運動識別技術(shù)在高級人機交互、康復工程、體感游戲控制、基于內(nèi)容的檢索方面具有廣泛的應用前景和極大的經(jīng)濟價值與社會價值。本文基于捕獲的三

3、維人體運動數(shù)據(jù)，在運動數(shù)據(jù)的關(guān)鍵幀提取、動作識別與運動分割以及帶拒識能力的連續(xù)動作識別三個方面展開工作，具體為:
　　(1)運動數(shù)據(jù)的關(guān)鍵幀提取方法研究。將影響關(guān)鍵幀提取效果的重建能力和壓縮率兩個重要因素作為優(yōu)化目標，提出了兩種關(guān)鍵幀提取方法。第一種方法將關(guān)鍵幀提取劃分為幀預選和基于重建誤差優(yōu)化的精選2個階段，首先提取運動序列的“極限姿態(tài)”作為候選關(guān)鍵幀，在第二個階段，定義幀消減誤差作為關(guān)鍵幀重要性的度量標準，將重建誤差作為關(guān)鍵幀

4、提取過程中的優(yōu)化目標，并且同時考慮壓縮率目標，基于幀消減方法提取滿足重建誤差要求或者壓縮率要求的關(guān)鍵幀序列。這一方法的主要特點和優(yōu)點是可以直接對重建誤差或壓縮率目標要求進行設(shè)置，設(shè)置方式簡單直觀。第二種方法考慮重建誤差和壓縮率兩個目標的競爭性和矛盾性，將關(guān)鍵幀提取問題轉(zhuǎn)換為帶約束的多目標優(yōu)化問題，提出一種基于Pareto多目標遺傳算法的關(guān)鍵幀提取方法。這一方法的主要特點和優(yōu)點是不需要用戶指定任何參數(shù)即可得到一組具有Pareto最優(yōu)性的候

5、選關(guān)鍵幀序列集合。實驗結(jié)果表明了本文方法的有效性。
　　(2)基于概率主成分分析的動作識別與分割方法研究。屬于同一類型的人體運動數(shù)據(jù)應具有相同內(nèi)在維度和相似結(jié)構(gòu)，形成獨立類別，因此對每個運動類型可以采用一個統(tǒng)一的分布模型來表示。提出采用概率主成分分析方法建立各類動作的高斯概率分布模型，并基于期望最大法學習得到模型參數(shù)，然后根據(jù)各個已知分類的高斯模型，基于最小錯誤率貝葉斯決策理論定義分類決策規(guī)則，并實現(xiàn)了動作分類算法。利用基于概率主

6、成分分析方法建立的模型能夠?qū)\動變化信息建模的特點，本文擴展動作分類算法，提出了針對包含多個動作的長運動序列的在線識別和自動分割算法。實驗結(jié)果表明了本文方法的有效性。
　　(3)基于自組織增長運動圖的動作識別及拒識方法研究。針對存在非訓練類型動作樣本的長運動序列識別問題，提出了結(jié)合支持向量機方法和自組織增長運動圖方法的帶拒識能力的動作識別系統(tǒng)框架。提出了將支持向量機用于運動數(shù)據(jù)在線識別的方法，分析了不能直接簡單采用支持向量機的邊緣

7、信息進行拒識的現(xiàn)象和原因。分析了自組織特征圖用于描述樣本數(shù)據(jù)的結(jié)構(gòu)分布的能力;針對傳統(tǒng)自組織特征圖學習方法缺少自適應能力的局限性，提出了自組織增長運動圖學習算法，用于根據(jù)不同運動類型的內(nèi)在復雜性學習自適應結(jié)構(gòu)和大小的運動圖;然后基于學習的運動圖定義了拒識規(guī)則;最后基于自組織增長運動圖上提取的關(guān)鍵模式集進行分段分類結(jié)果驗證，以提高識別精度。由于本文的方法結(jié)合了支持向量機和運動圖兩者的優(yōu)勢，因此不僅具有良好的鑒別區(qū)分已知分類樣本的能力，也具