CN103679747A - 一种运动捕捉数据关键帧提取方法 - Google Patents

一种运动捕捉数据关键帧提取方法 Download PDF

Info

Publication number
CN103679747A
CN103679747A CN201310569162.2A CN201310569162A CN103679747A CN 103679747 A CN103679747 A CN 103679747A CN 201310569162 A CN201310569162 A CN 201310569162A CN 103679747 A CN103679747 A CN 103679747A
Authority
CN
China
Prior art keywords
motion
key
critical point
frame
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310569162.2A
Other languages
English (en)
Other versions
CN103679747B (zh
Inventor
刘云根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201310569162.2A priority Critical patent/CN103679747B/zh
Publication of CN103679747A publication Critical patent/CN103679747A/zh
Application granted granted Critical
Publication of CN103679747B publication Critical patent/CN103679747B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Processing Or Creating Images (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

一种运动捕捉数据关键帧提取方法，其步骤为：(1)特征表示；用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征；(2)临界点筛选；提取运动分量曲线的极值点和动静转换点作为临界点，并采用临界点消减算法筛选出关键临界点；(3)关键度曲线构造；根据筛选出来的关键临界点划分运动分量曲线，形成运动分量关键度曲线；(4)权值学；(5)关键帧提取；加权拟合目标运动的运动分量关键度曲线，基于拟合曲线提取关键帧。本发明无需手工设定难以确定的阈值，能够从样例运动中学习不同的关键帧提取风格，并可根据部分肢体的运动提取关键帧，能够满足运动捕捉数据实时处理的需要。

Description

一种运动捕捉数据关键帧提取方法
技术领域
本发明涉及计算机动画与机器学习的综合领域，尤其涉及一种基于人体运动姿势关键度的运动捕捉数据关键帧提取方法。
背景技术
运动捕捉数据是采用运动捕捉设备获取的真实人体运动数据，主要用于驱动虚拟角色产生人体动画，在动画制作、视频游戏和影视特效等领域有着广泛应用。关键帧是指运动捕捉数据中能够代表人体运动的三维姿势序列，它为大规模运动捕捉数据的压缩、检索、预览和重用提供了重要基础。因此，如何实现运动捕捉数据关键帧的高效提取，便成了运动捕捉技术的研究热点之一。
对运动捕捉数据的均匀采样可看作一种简单的关键帧提取方法，但该方法实际上相当于降低运动捕捉的采样频率，因而难以消除运动缓慢时的数据冗余和运动剧烈时的细节丢失问题。为此，研究人员提出了一些自适应采样关键帧提取方法。例如，Lim等2001年的论文《Key-posture extraction out of humanmotion data by curve simplification》将每帧运动数据看作是高维空间曲线上的一个点，然后根据设定的阈值采用曲线简化方法提取出曲线上的一些凹凸点作为关键帧，该方法的缺点是阈值难以简单确定。沈军行等2004年的论文《从运动捕获数据中提取关键帧》首先指定运动数据的首帧为关键帧，然后依次消减与关键帧的距离小于设定阈值的后续各帧，而将距离大于阈值的帧作为新的关键帧并继续消减，该方法的缺点是未考虑到消减帧与后续关键帧之间的相关性。Assa等2005年的论文《Action synopsis: poseselection and illustration》则利用多维缩放将高维运动数据映射到低维空间，再在低维空间运用曲线简化方法提取关键帧，但该方法需分别计算4个运动分量的相似矩阵并进行数据降维，这一过程非常耗时。Liu等2012年的论文《Optimizationbased key frame extraction for motion capture animation》定义适应度函数度量重建运动与原始运动之间的重建误差，以重建误差最小化和压缩率最优为目标，采用遗传算法进行运动数据的关键帧提取，该法方法的不足是计算时间过长，无法满足运动数据实时处理的需要。
现有的自适应运动捕捉数据关键帧提取方法虽然有效地克服了均匀采样中存在的问题，但总体来说还存在以下不足之处：(1)现有方法大多需要用户手工设置各种难以确定的阈值，这给用户的使用造成了不便。因为有些阈值和关键帧之间的对应关系不但很不直观，而且还会随着运动类型的不同而变化，用户需要经过反复尝试才能得到一个合理的阈值。(2)现有方法大多根据运动数据的压缩率和重建误差等指标来提取关键帧，而无法根据用户提供的关键帧样例来学习不同的关键帧提取风格。(3)当需要根据部分肢体的运动情况来提取关键帧时，现有方法大多难以满足需要。
发明内容
本发明的目的在于提供一种运动捕捉数据关键帧提取方法，它克服了已有运动捕捉数据关键帧提取方法的局限性，无需用户手工设定难以确定的阈值，能够从样例运动中学习不同的关键帧提取风格，并可根据部分肢体的运动提取关键帧，能够满足运动捕捉数据实时处理的需要。
本发明是这样实现的，运动捕捉数据关键帧提取方法步骤如下：
(1)特征表示；用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征；
(2)临界点筛选；提取运动分量曲线的极值点和动静转换点作为临界点，并采用临界点消减算法筛选出关键临界点；
(3)关键度曲线构造；根据筛选出来的关键临界点划分运动分量曲线，分段计算曲线上各数据帧的关键度，形成运动分量关键度曲线；
(4)权值学习；选取与目标运动同类型的典型运动片段，首先根据运动姿势手工标注片段中每帧数据的关键度，形成运动姿势关键度曲线；然后采用上述步骤构造运动片段的运动分量关键度曲线；最后利用梯度下降算法学习出一组能够将运动分量关键度曲线拟合成运动姿势关键度曲线的最优权值；
(5)关键帧提取；利用学习得到的最优权值拟合目标数据的运动分量关键度曲线，形成相应运动的运动姿势关键度曲线，采用临界点筛选算法提取关键度曲线上的极大值点，将这些点对应的帧作为最终关键帧。
所述步骤(2)中的动静转换点是指运动分量的取值从逐渐变化到固定不变的转折点，因为这类点代表了相应肢体从运动到静止或者从静止到运动的转换位置。所述临界点筛选步骤如下：
Step1：确定临界点位置；设                                                
Figure 2013105691622100002DEST_PATH_IMAGE001
为帧运动序列的一个运动分量，则极值点为
Figure 2013105691622100002DEST_PATH_IMAGE003
，动静转换点为
Figure 18957DEST_PATH_IMAGE004
，临界点为
Figure 2013105691622100002DEST_PATH_IMAGE005
；
Step2：计算临界点的显著性；设运动分量的临界点索引序列为，其中
Figure 2013105691622100002DEST_PATH_IMAGE007
为首尾端点；考虑到临界点的显著性主要取决于该点的变化幅度及其与相邻临界点之间的距离，定义临界点
Figure 533432DEST_PATH_IMAGE008
的显著度为
Figure 2013105691622100002DEST_PATH_IMAGE009
，式中
Figure 39500DEST_PATH_IMAGE010
表示
Figure 941204DEST_PATH_IMAGE008
与相邻临界点
Figure 2013105691622100002DEST_PATH_IMAGE011
和
Figure 823709DEST_PATH_IMAGE012
所形成的三角形面积，
Figure 2013105691622100002DEST_PATH_IMAGE013
表示
Figure 113876DEST_PATH_IMAGE008
到和
Figure 681310DEST_PATH_IMAGE012
连线的距离，计算
Figure 101927DEST_PATH_IMAGE014
中各临界点的显著度序列
Figure 2013105691622100002DEST_PATH_IMAGE015
；
Step3：临界点消减；设
Figure 512179DEST_PATH_IMAGE016
，
Figure 2013105691622100002DEST_PATH_IMAGE017
为序列
Figure 360050DEST_PATH_IMAGE018
的平均值，
Figure 2013105691622100002DEST_PATH_IMAGE019
为消减系数，若
Figure 973696DEST_PATH_IMAGE020
,则从序列
Figure 2013105691622100002DEST_PATH_IMAGE021
中消减
Figure 135687DEST_PATH_IMAGE008
和，执行下一步；否则，结束计算，
Figure 747114DEST_PATH_IMAGE014
中各点即为筛选出来的关键临界点；
Step4：更新相邻临界点的显著度；重新计算与
Figure 159641DEST_PATH_IMAGE008
相邻的临界
Figure 109011DEST_PATH_IMAGE011
和的显著度,更新
Figure 2013105691622100002DEST_PATH_IMAGE023
和
Figure 683529DEST_PATH_IMAGE024
的值，转Step3。
所述步骤(3)中运动曲线的划分方法如下：设
Figure 2013105691622100002DEST_PATH_IMAGE025
为运动曲线的关键临界点，
Figure 583352DEST_PATH_IMAGE026
为除首尾端点外各关键临界点的显著度；令
Figure 2013105691622100002DEST_PATH_IMAGE027
，则分割点的索引
Figure 840807DEST_PATH_IMAGE028
，通过得到的分割点序列
Figure 2013105691622100002DEST_PATH_IMAGE029
，可将运动曲线划分为
Figure 814580DEST_PATH_IMAGE030
个片段。
所述数据帧的运动分量关键度计算方法如下：定义运动序列中各数据帧被选择成为关键帧的概率为该帧的关键度，由于每个片段中只能选取出一帧关键帧，则数据帧
Figure 2013105691622100002DEST_PATH_IMAGE031
的关键度为：
Figure 440733DEST_PATH_IMAGE032
。
所述步骤(4)中的权值学习方法如下：设选取的运动片段长度
Figure 14803DEST_PATH_IMAGE002
为帧，运动分量为
Figure 2013105691622100002DEST_PATH_IMAGE033
个，手工设定的运动姿势关键度序列为
Figure 119025DEST_PATH_IMAGE034
，各运动分量的关键度序列为
Figure 2013105691622100002DEST_PATH_IMAGE035
，权值向量为
Figure 212883DEST_PATH_IMAGE036
，则满足公式
Figure 2013105691622100002DEST_PATH_IMAGE037
的
Figure 9938DEST_PATH_IMAGE038
为最优权值向量，其中，
Figure 2013105691622100002DEST_PATH_IMAGE039
,
Figure 307189DEST_PATH_IMAGE040
表示第
Figure 2013105691622100002DEST_PATH_IMAGE041
帧各运动分量的关键度，
Figure 418365DEST_PATH_IMAGE042
表示第
Figure 429046DEST_PATH_IMAGE041
帧的运动姿势关键度，其中向量
Figure 2013105691622100002DEST_PATH_IMAGE043
的梯度下降学习步骤如下：
Step1：设各运动分量的初始权值为
Figure 583953DEST_PATH_IMAGE044
，计算
Figure 2013105691622100002DEST_PATH_IMAGE045
的初值；
Step2：更新权值向量
Figure 680085DEST_PATH_IMAGE043
，令
Figure 63792DEST_PATH_IMAGE046
,其中
Figure 2013105691622100002DEST_PATH_IMAGE047
为学习速率，根据新的权值向量计算
Figure 194560DEST_PATH_IMAGE045
；
Step3：若
Figure 333417DEST_PATH_IMAGE045
的变化小于设定的阈值，则输出
Figure 602331DEST_PATH_IMAGE043
，结束，否则转Step2。
本发明的技术效果是：与现有关键帧提取技术相比，本发明具有以下优点：
(1)可以根据需要任意选取符合条件的运动分量作为运动数据的特征表示，并通过组合不同的运动分量来实现部分肢体运动的关键帧提取；
(2)能够从各数据帧关键度已知的样例运动中学习各运动分量的权值，从而更准确地提取出符合用户需要的关键帧；
(3)能够在每秒3000帧左右的窗口大小下进行运动捕捉数据的关键帧提取，较好地满足了运动捕捉数据实时处理的需要。
附图说明
图1 本发明的流程图。
图2行走运动的关键帧提取结果图。
图3侧手翻运动的关键帧提取结果图。
图4跳跃运动的关键帧提取结果图。
图5不同关键帧提取方法的重建误差比较。
图6本发明的关键帧提取时间曲线。
具体实施方式
本发明的技术方案是：首先选取肢体旋转角度和关节间距离等运动分量作为人体运动的特征表示，使用临界点消减算法筛选各运动分量的关键临界点，并基于关键临界点划分运动片段，计算每帧数据的运动分量关键度。然后采用梯度下降算法从样例运动中学习各运动分量的权值，加权拟合目标运动各运动分量的关键度形成相应的运动姿势关键度曲线，并基于曲线提取运动数据的关键帧。附图1为本发明的流程图，其具体实施包括以下技术环节：
(1)特征表示。人体运动主要表现为四肢绕关节的旋转以及关节间相对距离的变化，为此可采用如表1所示的14个运动分量来表示人体运动的主要特征：
表1 用于人体运动特征表示的运动分量
分量 说明 分量 说明
T1 左肘关节的旋转角度 T2 右肘关节的旋转角度
T3 左上臂的轴向旋转角度 T4 右上臂的轴向旋转角度
T5 左膝关节的旋转角度 T6 右膝关节的旋转角度
T7 左大腿的轴向旋转角度 T8 右大腿的轴向旋转角度
T9 左肘到左膝关节的距离 T10 左肘到右膝关节的距离
T11 右肘到左膝关节的距离 T12 右肘到右膝关节的距离
T13 左右肘关节间的距离 T14 左右膝关节间的距离
其中，T1到T8用于表示前臂和小腿的运动特征，每段肢体用2个角度分量表示，T9到T14用于表示上臂和大腿的运动特征，每段肢体用3个距离分量表示。绕肘关节和膝关节的旋转角度分别用于表示前臂和大腿的伸缩特征，上臂和大腿的轴向旋转角度则用于表示前臂和小腿的朝向特征。由于肩关节和髋关节都是可360度旋转的球形关节，因此采用肘关节和膝关节间的相对距离来表示上臂和大腿的运动特征。
(2)临界点筛选。为减少失真，关键帧应该尽可能选取人体运动过程中,各肢体伸缩转换临界状态所对应的帧。从各运动分量形成的运动曲线看，不同肢体的临界状态主要出现在两种位置：一种是肢体连续运动时，运动曲线的极值点位置；另一种是肢体暂停不动时，运动曲线的动静转换点位置。本发明称这些位置的点为临界点，并采用如下步骤筛选临界点：
Step1：确定临界点位置；设
Figure 852046DEST_PATH_IMAGE001
为
Figure 837320DEST_PATH_IMAGE002
帧运动序列的一个运动分量，则极值点为，动静转换点为
Figure 155486DEST_PATH_IMAGE004
，临界点为
Figure 208893DEST_PATH_IMAGE005
；
Step2：计算临界点的显著性；设运动分量的临界点索引序列为
Figure 235623DEST_PATH_IMAGE006
，其中
Figure 716283DEST_PATH_IMAGE007
为首尾端点；考虑到临界点的显著性主要取决于该点的变化幅度及其与相邻临界点之间的距离，定义临界点的显著度为
Figure 803505DEST_PATH_IMAGE009
，式中
Figure 497791DEST_PATH_IMAGE010
表示
Figure 149353DEST_PATH_IMAGE008
与相邻临界点
Figure 883085DEST_PATH_IMAGE011
和
Figure 278294DEST_PATH_IMAGE012
所形成的三角形面积，
Figure 827087DEST_PATH_IMAGE013
表示到
Figure 119845DEST_PATH_IMAGE011
和连线的距离，计算
Figure 722045DEST_PATH_IMAGE014
中各临界点的显著度序列
Figure 167938DEST_PATH_IMAGE015
；
Step3：临界点消减；设
Figure 656689DEST_PATH_IMAGE016
，
Figure 659280DEST_PATH_IMAGE017
为序列
Figure 120348DEST_PATH_IMAGE018
的平均值，
Figure 284613DEST_PATH_IMAGE019
为消减系数，若
Figure 526239DEST_PATH_IMAGE020
,则从序列
Figure 770005DEST_PATH_IMAGE021
中消减
Figure 147897DEST_PATH_IMAGE008
和
Figure 748643DEST_PATH_IMAGE022
，执行下一步；否则，结束计算，
Figure 149668DEST_PATH_IMAGE014
中各点即为筛选出来的关键临界点；
Step4：更新相邻临界点的显著度；重新计算与相邻的临界
Figure 992039DEST_PATH_IMAGE011
和的显著度,更新
Figure 901275DEST_PATH_IMAGE023
和
Figure 783781DEST_PATH_IMAGE024
的值，转Step3。
(3)关键度曲线构造。关键度是指数据帧被选择成为关键帧的概率，由于运动分量的关键临界点可看作是该分量的关键帧，因此各数据帧的关键度可按以下两个步骤进行计算：
Step1：基于关键临界点划分运动曲线。设
Figure 136265DEST_PATH_IMAGE025
为运动曲线的关键临界点，
Figure 750917DEST_PATH_IMAGE026
为除首尾端点外各关键临界点的显著度；令
Figure 188851DEST_PATH_IMAGE027
，则分割点的索引
Figure 875047DEST_PATH_IMAGE028
，通过得到的分割点序列，可将运动曲线划分为
Figure 883903DEST_PATH_IMAGE030
个片段。
Step2：根据划分的运动曲线片段，逐一计算各帧数据的关键度。设数据帧
Figure 809134DEST_PATH_IMAGE031
，则其关键度为：
Figure 971125DEST_PATH_IMAGE048
。
(4)权值学习。选取一个与目标运动同类型的
Figure 2013105691622100002DEST_PATH_IMAGE049
帧运动片段，根据运动姿势手工标注片段中每帧数据的关键度，形成运动姿势关键度序列
Figure 298201DEST_PATH_IMAGE050
；然后采用上述步骤计算片段各运动分量的关键度，形成运动分量关键度序列；最后利用梯度下降算法学习一组满足公式
Figure 769502DEST_PATH_IMAGE052
的权值
Figure DEST_PATH_IMAGE053
作为最优权值，式中，
Figure 854133DEST_PATH_IMAGE054
，表示第
Figure DEST_PATH_IMAGE055
帧各运动分量的关键度，
Figure 749200DEST_PATH_IMAGE042
表示第
Figure 204452DEST_PATH_IMAGE055
帧的运动姿势关键度。权值
Figure 41958DEST_PATH_IMAGE043
的梯度下降学习算法步骤如下：
Step1：设各运动分量的初始权值为
Figure 608069DEST_PATH_IMAGE056
，计算
Figure 644158DEST_PATH_IMAGE045
的初值；
Step2：更新权值向量
Figure 457262DEST_PATH_IMAGE043
，令
Figure DEST_PATH_IMAGE057
,其中
Figure 578802DEST_PATH_IMAGE047
为学习速率，根据新的权值向量计算
Figure 886286DEST_PATH_IMAGE045
；
Step3：若
Figure 42461DEST_PATH_IMAGE045
的变化小于设定的阈值，则输出
Figure 839516DEST_PATH_IMAGE043
，结束，否则转Step2。
(5)关键帧提取。利用学习所得的最优权值向量
Figure 136767DEST_PATH_IMAGE038
，拟合目标数据的运动分量关键度序列，可得相应运动的运动姿势关键度序列
Figure 44681DEST_PATH_IMAGE058
。基于该序列绘制关键度曲线，采用上述步骤(3)中的临界点筛选算法可提取出关键度曲线上的关键临界点，设其索引为
Figure DEST_PATH_IMAGE059
，再计算曲线上的极大值点，设其索引为
Figure 55362DEST_PATH_IMAGE060
，则目标运动的关键帧索引为
Figure DEST_PATH_IMAGE061
。
实施过程中，按照上述步骤，对部分运动类型的关键帧提取结果如图2、图3和图4所示；不同关键帧提取方法的重建误差比较如图5所示；本发明的关键帧提取性能如图6所示。由图可知，本发明的关键帧重建误差与手工方法比较接近且由于曲线简化方法，这是因为本发明能够学习手工方法的关键帧提取风格；在计算时间上本发明能够到达每秒3000帧的处理速度，能够满足运动捕捉数据实时处理的需要。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种运动捕捉数据关键帧提取方法，其特征在于，所述提取方法包括以下步骤：
(1)特征表示：选用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征；
(2)临界点筛选；提取运动分量曲线的极值点和动静转换点作为临界点，并采用临界点消减算法筛选出关键临界点；
(3)关键度曲线构造；根据筛选出来的关键临界点划分运动分量曲线，分段计算曲线上各数据帧的关键度，形成运动分量关键度曲线；
(4)权值学习:选取与目标运动同类型的典型运动片段，首先根据运动姿势手工标注片段中每帧数据的关键度，形成运动姿势关键度曲线；然后采用上述步骤构造运动片段的运动分量关键度曲线；最后利用梯度下降算法学习出一组能够将运动分量关键度曲线拟合成运动姿势关键度曲线的最优权值；
(5)关键帧提取:利用学习得到的最优权值拟合目标数据的运动分量关键度曲线，形成相应运动的运动姿势关键度曲线，采用临界点筛选算法提取关键度曲线上的极大值点，将这些点对应的帧作为最终关键帧。
2.如权利要求1所述的一种运动捕捉数据关键帧提取方法，其特征在于，步骤（2）所述的动静转换点是指运动分量的取值从逐渐变化到固定不变的转折点。
3.如权利要求1所述的一种运动捕捉数据关键帧提取方法，其特征在于，步骤（2）所述采用临界点消减算法筛选出关键临界点的步骤为：
Step1：确定临界点位置；设                                               
Figure 2013105691622100001DEST_PATH_IMAGE002
为
Figure 2013105691622100001DEST_PATH_IMAGE004
帧运动序列的一个运动分量，则极值点为
Figure 2013105691622100001DEST_PATH_IMAGE006
，动静转换点为
Figure 2013105691622100001DEST_PATH_IMAGE008
，临界点为
Figure 2013105691622100001DEST_PATH_IMAGE010
；
Step2：计算临界点的显著性；设运动分量的临界点索引序列为
Figure 2013105691622100001DEST_PATH_IMAGE012
，其中
Figure 2013105691622100001DEST_PATH_IMAGE014
为首尾端点；考虑到临界点的显著性主要取决于该点的变化幅度及其与相邻临界点之间的距离，定义临界点
Figure 2013105691622100001DEST_PATH_IMAGE016
的显著度为
Figure 2013105691622100001DEST_PATH_IMAGE018
，式中
Figure 2013105691622100001DEST_PATH_IMAGE020
表示
Figure 596493DEST_PATH_IMAGE016
与相邻临界点
Figure 2013105691622100001DEST_PATH_IMAGE022
和
Figure 2013105691622100001DEST_PATH_IMAGE024
所形成的三角形面积，
Figure 2013105691622100001DEST_PATH_IMAGE026
表示
Figure 202049DEST_PATH_IMAGE016
到
Figure 981786DEST_PATH_IMAGE022
和
Figure 376995DEST_PATH_IMAGE024
连线的距离，计算
Figure 2013105691622100001DEST_PATH_IMAGE028
中各临界点的显著度序列
Figure 2013105691622100001DEST_PATH_IMAGE030
；
Step3：临界点消减；设
Figure 2013105691622100001DEST_PATH_IMAGE032
，
Figure 2013105691622100001DEST_PATH_IMAGE034
为序列
Figure 2013105691622100001DEST_PATH_IMAGE036
的平均值，
Figure 2013105691622100001DEST_PATH_IMAGE038
为消减系数，若
Figure 2013105691622100001DEST_PATH_IMAGE040
,则从序列
Figure 2013105691622100001DEST_PATH_IMAGE042
中消减
Figure 253684DEST_PATH_IMAGE016
和
Figure 2013105691622100001DEST_PATH_IMAGE044
，执行下一步；否则，结束计算，
Figure 76147DEST_PATH_IMAGE028
中各点即为筛选出来的关键临界点；
Step4：更新相邻临界点的显著度；重新计算与
Figure 34525DEST_PATH_IMAGE016
相邻的临界
Figure 233426DEST_PATH_IMAGE022
和的显著度,更新
Figure 2013105691622100001DEST_PATH_IMAGE046
和
Figure 2013105691622100001DEST_PATH_IMAGE048
的值，转Step3。
4.如权利要求1所述的一种运动捕捉数据关键帧提取方法，其特征在于，步骤(3)所述根据筛选出来的关键临界点划分运动分量曲线的方法是：设
Figure 2013105691622100001DEST_PATH_IMAGE050
为运动曲线的关键临界点，
Figure DEST_PATH_IMAGE052
为除首尾端点外各关键临界点的显著度；令
Figure DEST_PATH_IMAGE054
，则分割点的索引
Figure DEST_PATH_IMAGE056
，通过得到的分割点序列
Figure DEST_PATH_IMAGE058
，可将运动曲线划分为个片段。
5.如权利要求1所述的一种运动捕捉数据关键帧提取方法，其特征在于，步骤(3)计算运动分量曲线上各数据帧的关键度的方法是：定义运动序列中各数据帧被选择成为关键帧的概率为该帧的关键度，由于每个片段中只能选取出一帧关键帧，则数据帧的关键度为：
Figure DEST_PATH_IMAGE064
。
6.如权利要求1所述的一种运动捕捉数据关键帧提取方法，其特征在于，所述步骤(4)中的权值学习方法如下：设选取的运动片段长度
Figure 957985DEST_PATH_IMAGE004
为帧，运动分量为
Figure DEST_PATH_IMAGE066
个，手工设定的运动姿势关键度序列为
Figure DEST_PATH_IMAGE068
，各运动分量的关键度序列为
Figure DEST_PATH_IMAGE070
，权值向量为
Figure DEST_PATH_IMAGE072
，则满足公式
Figure DEST_PATH_IMAGE074
的
Figure DEST_PATH_IMAGE076
为最优权值向量，其中，
Figure DEST_PATH_IMAGE078
,表示第
Figure DEST_PATH_IMAGE082
帧各运动分量的关键度，
Figure DEST_PATH_IMAGE084
表示第
Figure 525364DEST_PATH_IMAGE082
帧的运动姿势关键度，其中向量
Figure DEST_PATH_IMAGE086
的梯度下降学习步骤如下：
Step1：设各运动分量的初始权值为
Figure DEST_PATH_IMAGE088
，计算
Figure DEST_PATH_IMAGE090
的初值；
Step2：更新权值向量，令
Figure DEST_PATH_IMAGE092
,其中
Figure DEST_PATH_IMAGE094
为学习速率，根据新的权值向量计算
Figure 408930DEST_PATH_IMAGE090
；
Step3：若
Figure 776457DEST_PATH_IMAGE090
的变化小于设定的阈值，则输出
Figure 18083DEST_PATH_IMAGE086
，结束，否则转Step2。
CN201310569162.2A 2013-11-15 2013-11-15 一种运动捕捉数据关键帧提取方法 Expired - Fee Related CN103679747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310569162.2A CN103679747B (zh) 2013-11-15 2013-11-15 一种运动捕捉数据关键帧提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310569162.2A CN103679747B (zh) 2013-11-15 2013-11-15 一种运动捕捉数据关键帧提取方法

Publications (2)

Publication Number Publication Date
CN103679747A true CN103679747A (zh) 2014-03-26
CN103679747B CN103679747B (zh) 2016-08-17

Family

ID=50317197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310569162.2A Expired - Fee Related CN103679747B (zh) 2013-11-15 2013-11-15 一种运动捕捉数据关键帧提取方法

Country Status (1)

Country Link
CN (1) CN103679747B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927776A (zh) * 2014-03-28 2014-07-16 浙江中南卡通股份有限公司 动画曲线优化方法
CN104268285A (zh) * 2014-10-21 2015-01-07 厦门大学 一种基于动态弯曲算法的运动捕捉数据库检索方法
CN105931270B (zh) * 2016-04-27 2018-03-27 石家庄铁道大学 基于运动轨迹分析的视频关键帧提取方法
CN109190474A (zh) * 2018-08-01 2019-01-11 南昌大学 基于姿势显著性的人体动画关键帧提取方法
CN110415336A (zh) * 2019-07-12 2019-11-05 清华大学 高精度人体体态重建方法及系统
CN114393575A (zh) * 2021-12-17 2022-04-26 重庆特斯联智慧科技股份有限公司 基于用户姿势高效能识别的机器人控制方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1967525A (zh) * 2006-09-14 2007-05-23 浙江大学 三维人体运动数据关键帧提取方法
US20080247609A1 (en) * 2007-04-06 2008-10-09 Rogerio Feris Rule-based combination of a hierarchy of classifiers for occlusion detection
CN103218824A (zh) * 2012-12-24 2013-07-24 大连大学 基于距离曲线幅度的运动关键帧提取

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1967525A (zh) * 2006-09-14 2007-05-23 浙江大学 三维人体运动数据关键帧提取方法
US20080247609A1 (en) * 2007-04-06 2008-10-09 Rogerio Feris Rule-based combination of a hierarchy of classifiers for occlusion detection
CN103218824A (zh) * 2012-12-24 2013-07-24 大连大学 基于距离曲线幅度的运动关键帧提取

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927776A (zh) * 2014-03-28 2014-07-16 浙江中南卡通股份有限公司 动画曲线优化方法
CN104268285A (zh) * 2014-10-21 2015-01-07 厦门大学 一种基于动态弯曲算法的运动捕捉数据库检索方法
CN104268285B (zh) * 2014-10-21 2018-06-12 厦门大学 一种基于动态弯曲算法的运动捕捉数据库检索方法
CN105931270B (zh) * 2016-04-27 2018-03-27 石家庄铁道大学 基于运动轨迹分析的视频关键帧提取方法
CN109190474A (zh) * 2018-08-01 2019-01-11 南昌大学 基于姿势显著性的人体动画关键帧提取方法
CN109190474B (zh) * 2018-08-01 2021-07-20 南昌大学 基于姿势显著性的人体动画关键帧提取方法
CN110415336A (zh) * 2019-07-12 2019-11-05 清华大学 高精度人体体态重建方法及系统
CN110415336B (zh) * 2019-07-12 2021-12-14 清华大学 高精度人体体态重建方法及系统
CN114393575A (zh) * 2021-12-17 2022-04-26 重庆特斯联智慧科技股份有限公司 基于用户姿势高效能识别的机器人控制方法和系统
CN114393575B (zh) * 2021-12-17 2024-04-02 重庆特斯联智慧科技股份有限公司 基于用户姿势高效能识别的机器人控制方法和系统

Also Published As

Publication number Publication date
CN103679747B (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
CN103679747A (zh) 一种运动捕捉数据关键帧提取方法
CN106650687B (zh) 一种基于深度信息和骨骼信息的姿势矫正方法
CN104700433B (zh) 一种基于视觉的实时人体全身体运动捕捉方法及其系统
CN109949341B (zh) 一种基于人体骨架结构化特征的行人目标跟踪方法
CN108171734B (zh) 一种orb特征提取与匹配的方法及装置
CN110188700B (zh) 基于分组回归模型的人体三维关节点预测方法
CN110751039B (zh) 多视图3d人体姿态估计方法及相关装置
CN110458046B (zh) 一种基于关节点提取的人体运动轨迹分析方法
CN107169988A (zh) 一种基于余弦距离层次聚类的关键帧提取方法
CN106815855A (zh) 基于产生式和判别式结合的人体运动跟踪方法
CN104821010A (zh) 基于双目视觉的人手三维信息实时提取方法及系统
Chang et al. The model-based human body motion analysis system
CN112800905A (zh) 一种基于rgbd相机姿态估计的引体向上计数方法
CN106203255A (zh) 一种基于时间对齐的行人重识别方法及系统
CN103186787A (zh) 基于点云模型的低质汉字初始骨架提取算法
CN113705540A (zh) 一种无器械训练动作识别与计数方法及系统
CN112308110A (zh) 一种能够实现人机交互的手部运动识别方法及系统
CN104408461A (zh) 一种基于滑动窗口局部匹配窗口的动作识别方法
CN108289175A (zh) 一种低延迟虚拟现实显示方法及显示系统
CN102306390A (zh) 基于骨架和面片插值的运动捕捉方法及装置
Liu et al. Trampoline motion decomposition method based on deep learning image recognition
CN104156986A (zh) 基于局部线性嵌入的运动捕捉数据的关键帧提取方法
CN111031577B (zh) 一种多节点无线动作捕捉节点扩充方法
CN116597512A (zh) 基于双流自适应图神经网络的多模态动作识别方法及系统
CN104537708A (zh) 一种基于测地线的躺卧三维颅面模型的直立矫正方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160817

Termination date: 20191115

CF01 Termination of patent right due to non-payment of annual fee