CN101034409A

CN101034409A - 基于数据驱动和决策树分析的人体运动的检索方法

Info

Publication number: CN101034409A
Application number: CN 200710067683
Authority: CN
Inventors: 庄越挺; 向坚; 吴飞
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2007-03-29
Filing date: 2007-03-29
Publication date: 2007-09-12

Abstract

本发明公开了一种基于数据驱动和决策树分析的人体运动数据的检索方法。本方法对运动捕获数据中的人体的各个关节点提取一种基于三维空间变换规律的三维时空特征的方法，并基于时空运动连续性引入了关键时空的概念。因为三维时空特征避免了直接处理高维数的人体原始运动数据，从而从特征层面降低了维数，避免了维数灾难，降低了计算成本，同时针对各关节点时空特征相对保持独立的特性，通过数据驱动决策树的学习方法去分析学习关节点对运动相似的不同影响，使得检索过程能够依次完成重要关节点到次要关节点的匹配计算，从而排除了大量不必要的次要关节点的相似度运算，最终实现了一个高效的运动检索系统。

Description

基于数据驱动和决策树分析的人体运动的检索方法

技术领域

本发明涉及多媒体人体三维动画领域，尤其涉及一种基于数据驱动和决策树分析的人体运动的检索方法。

背景技术

近年来由于设备技术的进步，生成了大量的三维人体运动捕获数据，在计算机动画，游戏，医学仿真等领域得到了广泛的应用。为了更加有效利用大规模的三维运动库所包含的运动数据，需要研究一种高效的运动数据检索技术，以支持对运动进行编辑、变形和合成等处理。在对三维运动数据处理检索时，问题的挑战性在于：

1、运动是各关节点信号的和谐组合，在检索过程中需要合理的运动特征描述机制，因此，提取什么样的运动特征，以及用什么样的表达方式来表达运动特征会对运动处理的效果和效率会有极大的影响。

2、从运动数据中提取的特征维数通常都非常高，每个数据之间的距离将因为中央极限定律而变得近乎相同，无法区分彼此，产生高维灾难(Curse ofDimensionality)问题。因此从高维特征中寻找“有意义”的低维特征，可以避免导致较高的时间和空间复杂度，提高检索效率。

3、运动时序信号之间的相似度度量十分困难。在度量运动数据相似性时，既要考虑数据在空间上相似性，也要考虑其时间上的相似性。

4、针对大规模人体运动数据库，需要有效的索引和检索方法，以避免遍历整个数据库这样运算量极大的操作，使得运动数据的处理合理而高效。

发明内容

本发明的目的在于提供基于数据驱动和决策树分析的人体运动的检索方法。

基于数据驱动和决策树分析的人体运动数据的检索方法包括步骤如下：

(1)从三维人体运动数据中的人体的各个关节点数据，提取一种基于三维空间变换规律的三维空间特征；

(2)利用各个关节点的三维空间特征和关键特征提取能反映人体运动时间特性的空间变换速度和空间噪音，合并成人体运动的三维时空特征；

(3)将单个关节点上将有相同局部时空特征的帧合并成一个“时空束”，实现关键时空的提取；

(4)采用ID3算法训练原始运动数据得到一棵反映各关节点对整体运动影响程度的决策树；

(5)利用基于生成的决策树的弹性匹配算法，按照对整体运动影响程度的次序依次匹配各关节点，完成人体运动数据的检索。

所述的从三维人体运动数据中的人体的各个关节点数据，提取一种基于三维空间变换规律的三维空间特征：从原始运动数据中计算出人体各个关节点的世界坐标，得到一个高维数据表示为：

M_s＝(F₁，F₂，...，F_i，...，F_n)；F_i＝(p_i1，p_i2，...，p_ij，...，p_i16)；p_ij＝(x，y，z)

其中n为运动数据的帧数，p_ij为第i帧中第j个节点的世界坐标，

利用这四十八维数据生成运动各关节点的空间变换值，针对人体的上半部分和下半部分分别定义一个空间集合S_up和S_down，其中S_ki∈S_up，i＝1，2，...，m；S_lj∈S_down，j＝1，2，...，m；m为空间集合的空间数，将人体的上下部分分划为等数量的空间集合，其中S_ki，S_li为上下空间集合中的独立空间，以根节点为基准，将根节点以上的关节点对应于S_up，根节点以下的关节点对应于S_down，当某上肢关节点进入空间S_ki的时候，其空间变换对应于S_ki，然后通过空间分划规则求得人体运动空间变换对应的量化值，

空间分划规则定义如下：

其中前规则，左规则和高规则产生于关节点N_i相对于关节点N_j的上下左右的空间关系，而远规则则是根据关节点运动的幅度，即和N_j的距离是否大于某个阀值λ而计算出来的，规则中前规则，左规则中的N_j都是根节点，N_i，N_j都是同一帧中的关节点。

所述的提取空间变换速度步骤如下：

输入：运动的第k个节点的局部空间变换s_k＝(s_1k，s_2k，...，s_nk)，n为运动的帧数；

输出：运动的第k个节点的空间变换速度：spacespeed_k；

步骤1：初始化各值；

步骤2：检测运动相邻帧的空间变换值是否相等，如果相等则更新空间变换速度值，并继续往后续帧进行检测，如果不等则生成新的空间变换速度并开始计数；

步骤3：对空间变换速度进行归一化，即空间变换速度除以对应空间的帧数得到最后的空间变换速度；

步骤4：返回所有关节点的空间速度的加权和，即整个运动的空间变换速度。

所述的提取空间噪音的计算步骤如下：

输出：空间噪音SpaceNoise_k；

步骤1：初始化各值；

步骤2：求出运动的空间速度值；

步骤3：如果空间速度值小于一个阀值，说明这个空间变换过于畸形，并不是正常的变换值，故属于空间噪音，将其加入到空间噪音中；

步骤4：返回空间噪音值。

所述的关键空间的提取步骤如下：

输入：运动的第k个节点的时空特征ST_k＝(ST_1k，ST_2k，...，ST_nk).(n为运动的帧数)；

输出：关键空间keyspace_k＝(...，s_ik，s_(i+1)k，s_(i+2)k...)(s_ik≠s_(i+1)k，s_(i+1)k≠s_(i+2)k)，S_p为运动中经过的时空集合；

步骤1：初始化各值；

步骤2：扫描运动数据各帧，如果时空特征发生改变则将前一个时空特征加入到关键空间集合中；

步骤3：返回关键时空集合keyspace。

所述的采用ID3算法训练原始运动数据得到一棵反映各关节点对整体运动影响程度的决策树：建立决策树步骤如下：

输入：R：一个非类别属性C类别属性T：训练集合；

输出：决策树Tr；

步骤1：取D＝R中Gain(T，C)最高的属性；

步骤2：D作为树Tr的根节点；

步骤3：取各自的D值作为下面子树的集合，再递归这个过程；

步骤4：返回Tr。

所述的利用基于生成的决策树的弹性匹配算法如下：

步骤1：令运动M1，M2的关键帧序列分别为{F11，F12，...，F1N}和{F21，F22，...，F2M}，它们之间的DTW距离D为：

D = \frac{1}{2} (\min_{{ω 1 (i)}} Σ_{i = 1}^{N} d (i, ω 1 (i)) + \min_{{ω 2 (i)}} Σ_{i = 1}^{M} d (i, ω 2 (i)));

运动M1中的关键帧i与运动M2中的关键帧j间的距离为：

(i, j) = \sqrt{\underset{k}{Σ} w_{k} ({F 1}_{ik} - F 2_{jk})^{2}};

其中F1_ik表示运动M1中帧i的第k个运动参数，F2_jk表示运动M2中帧j的第k个运动参数，w_k是相应的权值；

步骤2：对时间变形路径ω1(i)施加边界和连续性约束：

(1)边界约束：ω1(1)＝b，ω1(N)＝e，即运动M1的第1和N个关键帧分别与运动M2的第b和e个关键帧对应，其中

b = \min_{i \leq M} \arg (d (1, i) \leq threshould)

e = \max_{i \leq M} \arg (d (N, i) \leq threshould);

(2)连续性约束：时间变形函数ω1(i)是增函数；

步骤3：然后采用动态规划算法进行求解：

DA(i，j)＝d(i，j)+min{DA(i-1，j)，DA(i-1，j-1)，DA(i-1，j-2)}

DA(1，b)＝d(1，b)；

式中DA(i-1，j-2)表示运动M2中第j-1帧被跳过，DA(i-1，j)表示运动M1中至少有两帧，即第i-1和i帧对应于运动M2中的第j帧。

本发明具有的有益的效果是：

(1)提出了一种描述各关节点之间三维空间关系的空间特征，与以往在运动特征提取中一般提取关节点的坐标，速度和角速度等二维数学特征不同的是，其各关节点的空间特征都是独立的，每一个关节点都能独立的体现整体运动的一个局部。而三维空间特征则避开了和原始数据的直接接触，实现了高维运动数据的降维，避免了维数灾难问题；

(2)针对各个关节点的三维时空特征的独立性，利用决策树学习各关节点的相似程度对整体相似的影响，从而得到关节点对整体运动的影响程度；

(3)通过数据驱动的决策树学习得到的关节点对整体运动相似影响的重要性，运动检索中的相似度匹配将依次从重要的关节点到不重要的关节点，从而排除了大量不重要的关节点的计算，使得检索过程快速而高效。

附图说明

图1人体骨骼模型，作为人体运动数据处理的基本模型；

图2跑步运动的示意图，并显示了其三维时空特征的特性；

图3能反映人体各个关节点对整体运动相似性影响的决策树，用来避免大量不必要的次要关节点的相似度计算；

图4是对于人体走路运动采用本发明中提出的检索方法和传统的基于八段骨骼特征和关键帧提取的检索算法之间的查准率和查全率的比较；

图5是对于人体跑步运动采用本发明中基于决策树分析的检索方法和不用决策树，采用传统的全局匹配的检索方法的检索时间的比较；

图6是对人体走路运动采用本发明提出的检索方法所得到的检索结果示意图；

图7是对人体跑步运动采用本发明提出的检索方法所得到的检索结果示意图。

具体实施方式

本发明通过对运动捕获数据中的人体的各个关节点提取了一种基于三维空间变换规律的三维时空特征，并基于时空运动连续性和时空特征的特性引入了关键时空的概念。针对各关节点时空间特征相对保持独立的特性，用每个关节点的关键时空作为索引，并通过数据驱动决策树的学习方法去分析关节点对运动相似的不同影响程度，最终实现了一个高效的运动检索系统。

描述各关节点之间三维空间关系的时空特征，与以往在运动特征提取中一般提取关节点的坐标，速度和角速度等二维数学特征不同，时空特征是基于各关节点三维空间和时间关系的三维特征。传统运动特征是二维的，所以需要所有关节点或者多个关节点的运动特征结合起来才能完整的表征每一个运动。而三维时空特征则不然，其各关节点的空间特征是三维的，因此相对独立，每一个关节点都能独立的体现整体运动的一个局部，所以可以分别处理每一个关节点的局部空间特征，并利用决策树学习各关节点的相似程度从而得到其对整体相似的影响。更进一步，传统的运动特征因为直接从原始数据中提取，通常维数都比较高，会增加较高时空开销，于是大多需要一个降维的过程。而三维时空特征则避开了和原始数据的直接接触，从而也在很大程度上避免了维数灾难。

而大多数衡量运动数据之间相似度采用的是弹性匹配算法(DTW)，但是DTW的时间复杂度相当高。在提取了运动时空特征的基础上，对人体的十六个关节点分别建立索引表(index list)，索引表对每个关节点单独进行局部相似性计算，这样就比DTW算法大大减少了计算量。为了得到各个索引表节点在运动相似性比较中的贡献，再通过数据驱动的决策树学习得到的关节点对运动影响的权重。这样，在检索中先将运动例子Q和运动库中运动A中权重最大的关节点的索引表进行相似度计算，如果结果不相似，就可以跳过A，直接和下一个运动B进行相似度计算，只有当权重大的关节点的相似度在某一阀值范围之内的时候才对其后继关节点继续进行比较。这样的检索过程避免了很大一部分无意义的相似度计算。

步骤1：从原始运动数据中计算出人体各个关节点的世界坐标，得到一个五十一维数据(这里使用十七个关节点的人体骨骼模型)，除去根节点，这样就是十六个关节点，四十八维数据：

空间分划规则定义如下：

步骤2：我们到目前为止提取的空间变换，完全是运动空间特性的反映。但是对于一个完整的运动来说，它首先就是一组时序数据，所以运动特征中如果没有时间特性的体现，就会漏掉运动的很多关键地方，因此我们将提取运动的时间特性，作为整个时空特征的一个组成部分，使得整个特征能很好的体现出运动的时空性，

这里利用空间变换速度来提取空间速度相似度，这是度量两个运动快慢的决定性因素，这也是最常用的时间特性。由于各关节点空间特征的相对独立性，所以各关节点的空间变换速度也是相对独立的，提取空间变换速度算法如下：

输出：运动的第k个节点的空间变换速度。spacespeed_k；

1)初始化各值；

2)检测运动相邻帧的空间变换值是否相等，如果相等则更新空间变换速度值，并继续往后续帧进行检测，如果不等则生成新的空间变换速度并开始计数；

3)对空间变换速度进行归一化，即空间变换速度除以对应空间的帧数得到最后的空间变换速度；

4)返回所有关节点的空间速度的加权和，即整个运动的空间变换速度，

这个空间速度实际反映的是运动的某个关节点在从一个空间到另一个空间的变换的速度，

然后我们定义空间噪音：在相似匹配中，可能会有一些零星的空间无法得到匹配，从而影响匹配结果，但是事实上运动的不规则和偶发性总会导致这样的空间的出现，所以可以计算出空间噪音来度量其对整个匹配过程中的影响程度，

提取空间噪音的算法如下：

输出：空间噪音SpaceNoise_k；

1)初始化各值；

2)求出运动的空间速度值；

3)如果空间速度值小于一个阀值，说明这个空间变换过于畸形，并不是正常的变换值，故属于空间噪音，将其加入到空间噪音中；

4)返回空间噪音值，

得到各个关节点的空间特征，空间变换速度以及空间噪音之后，就形成了运动数据所包含的完整语义特征，将其合并得到了每一个关节点的三维时空特征。

步骤3：将单个关节点上将有相同局部时空特征的帧合并成一个“时空束”，提取关键时空：因为时空特征的连续性，所以一个关节点在连续的几个帧中一般都会在同一个空间中，具有空间不变性(spatial invariant)，所以我们可以把具有相同时空特征的帧合并生成一段关键时空，这样就将一段有很多帧的运动剪切成关于每个关节点的一个个关键时空集合，这实际上也类似于传统的提取关键帧的方法，但是关键时空是基于单个关节点的，实际上是个局部关键帧，不同于以往意义上的关键帧，

关键空间的提取算法如下：

1)初始化各值；

2)扫描运动数据各帧，如果时空特征发生改变则将前一个时空特征加入到关键空间集合中；

3)返回关键时空集合keyspace。

步骤4：采用ID3算法训练原始运动数据得到一棵反映各关节点对整体运动影响程度的决策树：决策树的节点是各关节点的反映人体整体运动的重要性，层越高则该关节点对运动匹配结果的影响程度也就越大。对于决策树的学习，在这里我们采用ID3算法。ID3的原理是选择能使信息增益最大，熵最小的属性，可以把从根到叶节点所需要的平均试验次数达到概率上的最小化，

给定c个分类，对属性a来说，如果在所有的例子里他都拥有值v，那么它的熵Entropy定义如下：

Entropy = Σ_{i = 1}^{c} - p_{i} \log_{2} p_{i}

为了选出最好的属性，需要最大的信息增益。某属性的信息增益Gain就是按照该属性对训练例子进行划分所带来的熵的期望减少量，定义如下：

Gain (T, A) = E (T) - Σ_{j = 1}^{v} \frac{| T_{j} |}{| T |} E (T_{j})

其中，T是训练例子集合，T^j是属性A取值为j的训练例子集合，为T的一个子集。我们通过对运动库中运动数据的训练，得到一棵关于属性对运动相似影响的决策树，

建立决策树算法如下：

输入：R：一个非类别属性C类别属性T：训练集合；

输出：决策树Tr；

1)取D＝R中Gain(T，C)最高的属性；

2)D作为树Tr的根节点；

3)取各自的D值作为下面子树的集合，再递归这个过程；

4)返回Tr。

步骤5：利用基于生成的决策树的弹性匹配算法，按照对整体运动影响程度的次序依次匹配各关节点，完成人体运动数据的检索：基于生成的决策树的弹性匹配算法如下：

1)令运动M1，M2的关键帧序列分别为{F11，F12，...，F1N}和{F21，F22，...，F2M}，它们之间的DTW距离D为：

D = \frac{1}{2} (\min_{{ω 1 (i)}} Σ_{i = 1}^{N} d (i, ω 1 (i)) + \min_{{ω 2 (i)}} Σ_{i = 1}^{M} d (i, ω 2 (i)))

上式前半部分表示以运动M1为参考运动，将运动M2按照ω1(i)定义的路径进行时间变形后所得到运动与M1之间的距离，类似地，后半部分表示以运动M2为参考运动，将运动M1按照ω2(i)定义的路径进行时间变形后所得到的运动与M2之间的距离。定义运动M1中的关键帧i与运动M2中的关键帧j间的距离为：

d (i, j) = \sqrt{\underset{k}{Σ} w_{k} (F 1_{ik} - F 2_{jk})^{2}}

其中F1_ik表示运动M1中帧i的第k个运动参数，F2_jk表示运动M2中帧j的第k个运动参数，w_k是相应的权值，

2)对时间变形路径ω1(i)施加边界和连续性约束：

①边界约束：ω1(1)＝b，ω1(N)＝e，即运动M1的第1和N个关键帧分别与运动M2的第b和e个关键帧对应，其中

b = \min_{i \leq M} \arg (d (1, i) \leq threshould)

e = \max_{i \leq M} \arg (d (N, i) \leq threshould);

②连续性约束：时间变形函数ω1(i)是增函数；

3)采用动态规划算法进行求解：

DA(i，j)＝d(i，j)+min{DA(i-1，j)，DA(i-1，j-1)，DA(i-1，j-2)}

DA(1，b)＝d(1，b)

式中DA(i-1，j-2)表示运动M2中第j-1帧被跳过，DA(i-1，j)表示运动M1中至少有两帧，即第i-1和i帧对应于运动M2中的第j帧，

由训练数据得到的检索决定树我们可以粗步判断，双足的空间变换对人体运动的影响最大，其次是手，而之后的肘部和膝盖则没有办法判断出来，这样我们在检索中就可以首先对两个运动的双足空间变换进行相似度计算，只有当其相似的时候，我们再继续对双手的空间变换的相似度进行计算，如果不相似，再计算肘部的相似度，如果不相似，则直接终止计算过程。只有在双足和双手的空间变换都相似的情况下，我们才计算所有其他关节点的相似度。

实施例1

针对人体走路运动采用表1所示的空间分划规则提取其三维时空特征，附图4列出了对于相同的数据库本文算法(SFDT)所得到的检索查全率(Recall)和检索准确率(Precision)以及采用目前普遍使用的基于八段骨骼特征和关键帧提取的检索算法(KF)的查全率和查准率之间的比较步骤，下面结合本发明的方法详细说明该实例实施的具体步骤：

(1)以步骤1所描述的方法提取走路运动的空间特征：

从原始运动数据中计算出人体各个关节点的世界坐标，得到一个五十一维数据(这里使用十七个关节点的人体骨骼模型)，除去根节点，这样就是十六个关节点，四十八维数据，

空间分划规则定义如下：

其中前规则，左规则和高规则产生于关节点N_i相对于关节点N_j的上下左右的空间关系，而远规则则是根据关节点运动的幅度，即和N_j的距离是否大于某个阀值λ而计算出来的，规则中前规则，左规则中的N_j都是根节点，N_i，N_j都是同一帧中的关节点，空间分划规则如表1所示：

表1空间分划规则

s_aj	前规则(N_a1，N_ar)	左规则(N_a1，N_ar)	高规则(N_a1，N_ar)	远规则(N_a1，N_ar)
s_aj	前规则(N_a1，N_ar)	左规则(N_a1，N_ar)	高规则(N_a1，N_ar)	远规则(N_a1，N_ar)	s_aj＝s_k1	1	1	1	1
s_aj＝s_k2	0	1	1	1	s_aj＝s_k1	1	1	1	1
s_aj＝s_k2	0	1	1	1	...	...	...	...	...
s_aj＝s_km	0	0	0	0	...	...	...	...	...

对于走路运动，我们提取其左脚和右脚的局部空间特征为：

b_lf＝(S_lk，S_lj，S_lk，S_lj，...)；

b_lr＝(S_li，S_ll，S_li，S_ll，...)；

其他关节点的局部空间特征也按类似方法求出；

(2)以步骤2所描述的方法利用空间特征求出走路运动的时空特性，空间速度和空间噪音，与空间特征合并为三维时空特征；提取空间变换速度步骤如下：

输出：运动的第k个节点的空间变换速度。spacespeed_k；

步骤1：初始化各值；

步骤4：返回所有关节点的空间速度的加权和，即整个运动的空间变换速度，

提取空间噪音的计算步骤如下：

输出：空间噪音SpaceNoise_k

步骤1：初始化各值；

步骤2：求出运动的空间速度值；

步骤4：返回空间噪音值，

得到各个关节点的空间特征，空间变换速度以及空间噪音之后，就形成了运动数据所包含的完整语义特征，将其合并得到了每一个关节点的三维时空特征；

(3)以步骤3描述的方法求得关键时空；

关键空间的提取步骤如下：

输出：关键空间keyspace_k＝(...，s_ik，s_(i+1)k，s_(i+2)k...)(s_ik≠s_(i+1)k，s_(i+1)k≠s_(i+2)k)；S_p为运动中经过的时空集合；

步骤1：初始化各值；

步骤3：返回关键时空集合keyspace；

(4)以步骤(4)所描述的方法利用运动数据库的数据训练生成能反映关节点重要程度的决策树；对于决策树的学习，在这里我们采用ID3算法。ID3的原理是选择能使信息增益最大，熵最小的属性，可以把从根到叶节点所需要的平均试验次数达到概率上的最小化，

Entropy = Σ_{i = 1}^{c} - p_{i} \log_{2} p_{i}

Gain (T, A) = E (T) - Σ_{j = 1}^{v} \frac{| T_{j} |}{| T |} E (T_{j})

其中，T是训练例子集合，T_j是属性A取值为j的训练例子集合，为T的一个子集。我们通过对运动库中运动数据的训练，得到一棵关于属性对运动相似影响的决策树，

建立决策树算法如下：

输入：R：一个非类别属性C类别属性T：训练集合；

输出：决策树Tr；

1)取D＝R中Gain(T，C)最高的属性；

2)D作为树Tr的根节点；

3)取各自的D值作为下面子树的集合，再递归这个过程；

4)返回Tr；

(5)以步骤5所描述的方法通过决策树对数据库按照关节点重要性的顺序依次进行相似度的匹配，当重要关节点不相似的时候，直接跳过剩余关节点的匹配计算调入下一个运动进行匹配，

所述的利用基于生成的决策树的弹性匹配算法如下：

D = \frac{1}{2} (\min_{{ω 1 (i)}} Σ_{i = 1}^{N} d (i, ω 1 (i)) + \min_{{ω 2 (i)}} Σ_{i = 1}^{M} d (i, ω 2 (i)));

d (i, j) = \sqrt{\underset{k}{Σ} w_{k} (F 1_{ik} - F 2_{jk})^{2}}

2)对时间变形路径ω1(i)施加边界和连续性约束：

b = \min_{i \leq M} \arg (d (1, i) \leq threshould)

e = \max_{i \leq M} \arg (d (N, i) \leq threshould);

②连续性约束：时间变形函数ω1(i)是增函数；

3)然后采用动态规划算法进行求解：

DA(i，j)＝d(i，j)+min{DA(i-1，j)，DA(i-1，j-1)，DA(i-1，j-2)}

DA(1，b)＝d(1，b)

由训练数据得到的检索决定树我们可以粗步判断，双足的空间变换对人体运动的影响最大，其次是手，而之后的肘部和膝盖则没有办法判断出来，这样我们在检索中就可以首先对两个运动的双足空间变换进行相似度计算，只有当其相似的时候，我们再继续对双手的空间变换的相似度进行计算，如果不相似，再计算肘部的相似度，如果不相似，则直接终止计算过程。只有在双足和双手的空间变换都相似的情况下，我们才计算所有其他关节点的相似度；

(6)返回数据库中查询到的所有与走路相类似的运动，如附图6所示。

实施例2

我们针对人体跑步运动采用表1所示的空间分划规则提取其三维时空特征，附图5列出了对于相同的数据库本文算法(SFDT)所得到的检索查全率(Recall)和检索准确率(Precision)以及采用目前普遍使用的基于八段骨骼特征和关键帧提取的检索算法(KF)的查全率和查准率之间的比较步骤，下面结合本发明的方法详细说明该实例实施的具体步骤：

(1)以步骤1所描述的方法提取跑步运动的空间特征：

空间分划规则定义如下：

其中前规则，左规则和高规则产生于关节点N_i相对于关节点N_j的上下左右的空间关系，而远规则则是根据关节点运动的幅度，即和N_j的距离是否大于某个阀值λ而计算出来的，规则中前规则，左规则中的N_j都是根节点，N_i，N_j都是同一帧中的关节点，空间分划规则如表1所示，

对于跑步运动，我们提取其左脚和右脚的局部空间特征为：

b_lf＝(S_lk，S_lj，S_lk，S_lj，...)；

b_lr＝(S_li，S_ll，S_li，S_ll，...)；

其他关节点的局部空间特征也按类似方法求出；

(2)以步骤2所描述的方法利用空间特征求出跑步运动的时空特性，空间速度和空间噪音，与空间特征合并为三维时空特征；提取空间变换速度步骤如下：

输出：运动的第k个节点的空间变换速度。spacespeed_k；

步骤1：初始化各值；

提取空间噪音的计算步骤如下：

输出：空间噪音SpaceNoise_k；

步骤1：初始化各值；

步骤2：求出运动的空间速度值；

步骤4：返回空间噪音值，

(3)以步骤3描述的方法求得关键时空，其中关键空间的提取步骤如下：

步骤1：初始化各值；

步骤3：返回关键时空集合keyspace；

Entropy = Σ_{i = 1}^{c} - p_{i} \log_{2} p_{i}

Gain (T, A) = E (T) - Σ_{j = 1}^{v} \frac{| T_{j} |}{| T |} E (T_{j})

建立决策树算法如下：

输入：R：一个非类别属性C类别属性T：训练集合；

输出：决策树Tr；

1)取D＝R中Gain(T，C)最高的属性；

2)D作为树Tr的根节点；

3)取各自的D值作为下面子树的集合，再递归这个过程；

4)返回Tr；

所述的利用基于生成的决策树的弹性匹配算法如下：

D = \frac{1}{2} (\min_{{ω 1 (i)}} Σ_{i = 1}^{N} d (i, ω 1 (i)) + \min_{{ω 2 (i)}} Σ_{i = 1}^{M} d (i, ω 2 (i)));

d (i, j) = \sqrt{\underset{k}{Σ} w_{k} (F 1_{ik} - F 2_{jk})^{2}}

2)对时间变形路径ω1(i)施加边界和连续性约束：

b = \min_{i \leq M} \arg (d (1, i) \leq threshould)

e = \max_{i \leq M} \arg (d (N, i) \leq threshould);

②连续性约束：时间变形函数ω1(i)是增函数；

3)然后采用动态规划算法进行求解：

DA(i，j)＝d(i，j)+min{DA(i-1，j)，DA(i-1，j-1)，DA(i-1，j-2)}

DA(1，b)＝d(1，b)

(6)返回数据库中查询到的所有与跑步相类似的运动，如附图7所示。

Claims

1.一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，包括步骤如下：

2.根据权利要求1所述的一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，所述的从三维人体运动数据中的人体的各个关节点数据，提取一种基于三维空间变换规律的三维空间特征：从原始运动数据中计算出人体各个关节点的世界坐标，得到一个高维数据表示为：

利用这四十八维数据生成运动各关节点的空间变换值，针对人体的上半部分和下半部分分别定义一个空间集合S_up和S_down，其中S_ki∈S_up，i＝1，2，...，m；S_ij∈S_down，j＝1，2，...，m；m为空间集合的空间数，将人体的上下部分分划为等数量的空间集合，其中S_ki，S_li为上下空间集合中的独立空间，以根节点为基准，将根节点以上的关节点对应于S_up，根节点以下的关节点对应于S_down，当某上肢关节点进入空间S_ki的时候，其空间变换对应于S_ki，然后通过空间分划规则求得人体运动空间变换对应的量化值，

空间分划规则定义如下：

3.根据权利要求1所述的一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，所述的提取空间变换速度步骤如下：

输出：运动的第k个节点的空间变换速度：spacespeed_k；

步骤1：初始化各值；

4.根据权利要求1所述的一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，所述的提取空间噪音的计算步骤如下：

输出：空间噪音SpaceNoise_k；

步骤1：初始化各值；

步骤2：求出运动的空间速度值；

步骤4：返回空间噪音值。

5.根据权利要求1所述的一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，所述的关键空间的提取步骤如下：

步骤1：初始化各值；

步骤3：返回关键时空集合keyspace。

6根据权利要求1所述的一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，所述的采用ID3算法训练原始运动数据得到一棵反映各关节点对整体运动影响程度的决策树：建立决策树步骤如下：

输入：R：一个非类别属性C类别属性T：训练集合；

输出：决策树Tr；

步骤1：取D＝R中Gain(T，C)最高的属性；

步骤2：D作为树Tr的根节点；

步骤4：返回Tr。

7.根据权利要求1所述的一种基于数据驱动和决策树分析的人体运动数据的检索方法，其特征在于，所述的利用基于生成的决策树的弹性匹配算法如下：

D = \frac{1}{2} (\min_{{ω 1 (i)}} Σ_{i = 1}^{N} d (i, ω 1 (i)) + \min_{{ω 2 (i)}} Σ_{i = 1}^{M} d (i, ω 2 (i)))

运动M1中的关键帧i与运动M2中的关键帧j间的距离为：

d (i, j) = \sqrt{\underset{k}{Σ} w_{k} {({F 1}_{ik} - {F 2}_{jk})}^{2}}

步骤2：对时间变形路径ω1(i)施加边界和连续性约束：

b = \min_{i \leq M} \arg (d (1, i) \leq threshould)

e = \max_{i \leq M} \arg (d (N, i) \leq threshould)

(2)连续性约束：时间变形函数ω1(i)是增函数；

步骤3：然后采用动态规划算法进行求解：

DA(i，j)＝d(i，j)+min{DA(i-1，j)，DA(i-1，j-1)，DA(i-1，j-2)}

DA(1，b)＝d(1，b)