CN116030192B - 一种基于动力学特征的骨骼段预处理方法及装置 - Google Patents
一种基于动力学特征的骨骼段预处理方法及装置 Download PDFInfo
- Publication number
- CN116030192B CN116030192B CN202211663218.6A CN202211663218A CN116030192B CN 116030192 B CN116030192 B CN 116030192B CN 202211663218 A CN202211663218 A CN 202211663218A CN 116030192 B CN116030192 B CN 116030192B
- Authority
- CN
- China
- Prior art keywords
- bone
- skeleton
- geodesic
- mean value
- vector
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明实施例提供了一种基于动力学特征的骨骼段预处理方法及装置,针对现有技术中的“较少关注骨架运动的动力学特征”和“对于骨骼肢体的关注不多”的问题,本申请提供了获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于动力学特征的骨骼段预处理方法及装置。
背景技术
近三十年来,人的行为识别一直是学界研究的热点。人的行为识别是计算机视觉中一项基本而又具有挑战性的任务,在许多方面得到广泛应用,如智能视频监控,虚拟现实,人机交互,视频总结和理解等。人的行为识别的多数应用场景集中于对视频数据的处理,基于视觉信息的行为识别一直是行为识别领域的重要课题。目前,基于骨架的人的行为识别常被当作一种分类任务来研究,其数据来自于上游的数据采集或姿态估计等步骤,而在二者之间,骨架数据的预处理任务也颇为重要,良好的预处理手段,能够提升行为识别的准确度。
现有的骨骼关节点数据预处理框架一般以欧氏几何为基础。
基于三维骨骼数据的对于骨骼肢体的关注不多,且较少关注骨架运动的动力学特征,骨架不能简单当作欧氏空间中自由运动的实体来看待。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于动力学特征的骨骼段预处理方法及装置,包括:
一种基于动力学特征的骨骼段预处理方法,所述方法用于对运动目标的目标区域的骨骼段的骨骼关节点动作序列数据进行补充、修正和/或去噪,包括:
获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;
依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;
建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;
依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
优选地,所述依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪的步骤,包括:
依据所述测地线对所述骨骼关节点动作序列数据进行上采样处理生成上采样骨架序列;
依据所述均值对所述上采样骨架序列进行去噪处理。
优选地,所述建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线的步骤,包括:
建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量;
依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
优选地,所述建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量的步骤,包括:
依据所述骨骼向量生成对应于所述骨骼的局部坐标系;
依据所述局部坐标系生成对应于所述骨骼的惯性张量。
优选地,所述依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线的步骤,包括:
依据所述惯性张量进行特征值分解生成对应于所述骨骼的对角矩阵和对应于所述骨骼的三维旋转矩阵;
依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
优选地,所述依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线的步骤,包括:
依据所述对角矩阵生成对角矩阵均值和对角矩阵测地线;
依据所述三维旋转矩阵生成三维旋转矩阵均值和三维旋转矩阵测地线;
依据所述对角矩阵均值和三维旋转矩阵均值生成对应于所述骨骼的所述惯性张量均值,并依据所述依据所述对角矩阵测地线和三维旋转矩阵测地线生成对应于所述骨骼的所述测地线。
优选地,所述依据所述均值对所述上采样骨架序列进行去噪处理生成预处理骨架序列的步骤,包括:
依据所述均值对所述上采样骨架序列通过滑动窗口进行去噪处理。
为实现本申请还包括一种基于动力学特征的骨骼段预处理装置,所述装置用于对运动目标的目标区域的骨骼段的骨骼关节点动作序列数据进行补充、修正和/或去噪,包括:
连接关系模块,用于获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;
骨骼向量模块,用于依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;
惯性张量均值与测地线模块,用于建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;
处理模块,用于依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
为实现本申请还包括一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现所述的基于动力学特征的骨骼段预处理方法的步骤。
为实现本申请一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现所述的基于动力学特征的骨骼段预处理方法的步骤。
本申请具有以下优点:
在本申请的实施例中,针对现有技术中的“较少关注骨架运动的动力学特征”和“对于骨骼肢体的关注不多”的问题,本申请提供了获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量的解决方案,具体为:获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。通过获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量,解决了“较少关注骨架运动的动力学特征”和“对于骨骼肢体的关注不多”的技术问题,达到了关注骨架运动的动力学特征,并关注骨骼肢体。本申请基于惯性张量,有利于更好地描述到骨骼序列的运动特征;同时,将关注对象由关节点坐标转换为骨骼向量,提供了骨架数据新的考虑角度。将骨骼段对应的惯性张量视作黎曼几何的对象,可以规避以往将骨骼数据当作欧氏空间对象的处理方式所带来的骨架形状不符合运动学和人体工学规律的问题,数据预处理得到的结果更遵循现实运动规律。本发明提供了由惯性张量重建为关节点坐标的方法,这使得本申请具有即插即用的良好特性,相同的数据格式使得本申请与上游数据采集任务与下游动作识别任务能够进行兼容。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种基于动力学特征的骨骼段预处理方法的步骤流程图;
图2是本申请一实施例提供的一种基于动力学特征的骨骼段预处理方法的人的一个动作的骨架序列示意图;
图3是本申请一实施例提供的一种基于动力学特征的骨骼段预处理方法的重构回骨架数据图;
图4是本申请一实施例提供的一种基于动力学特征的骨骼段预处理方法的骨架数据上采样、去噪声工具的示意图;
图5是本申请一实施例提供的一种基于动力学特征的骨骼段预处理装置的结构框图;
图6是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
发明人通过分析现有技术发现:将人的一些关节点连接起来,可以勾勒出人形的轮廓,构成一幅骨架图,具体如图2所示,人的关节点坐标数据可以代替图像来反映人的肢体动作,即以骨架图各个节点的坐标来表示人的动作姿态。关节点的坐标数据一方面可以借助高性价比的深度照相机(如Microsoft Kinect传感器)或动作捕捉传感器来采集,另一方面可以采用姿态估计算法从RGB(红、绿、蓝)视频中提取。其中,前者含有深度信息,得到的是三维的骨架序列数据;而后者来源于视频的后者的数据格式是二维的,一个骨架动作序列通常由多个帧组成,每一帧都是人在该时刻瞬间的骨架表示。
目前,基于骨架的行为识别常被当作一种分类任务来研究,其数据来自于上游的数据采集或姿态估计等步骤,而在二者之间,骨架数据的预处理任务也颇为重要,良好的预处理手段,能够提升行为识别的准确度。除了各种基于骨架数据的分类算法外,骨架数据预处理方法也得到了很多关注。骨架序列中的每一帧的骨架,一方面可以当成由若干节点组成的图来处理,节点在指定坐标系下的坐标即为节点的信号值;另一方面可以将骨架当作特定空间中的实体来处理,涉及到骨架形状的分析。
无论将骨架看作何种数学对象,各种骨架数据预处理方法都是基于骨架所在空间的特质来展开的。现有的骨骼关节点数据预处理框架一般以欧氏几何为基础。由于主流的动作识别算法以端到端的深度学习算法为主,大多数骨架数据预处理方法直接将节点坐标数据看作二维或三维直角坐标系中的点,而也有一些做法将数据看作非欧空间中的对象,并施以去噪声、求均值、求测地线、上采样与下采样等预处理方法。例如,在求几帧骨架节点坐标的均值时,常常将所有帧的坐标直接相加再除以帧数,即得到这些骨架的平均形状。而当对骨架数据进行的插值,多以线性插值和三次样条插值为主,而这些都是欧氏空间中的处理方法。
但许多基于三维骨骼数据的人体行为识别技术只关注骨骼关节点的坐标或速度信息,而对于骨骼肢体的关注不多。另一方面,大部分基于骨架的行为识别算法将骨骼数据视为几何空间的对象进行处理,而较少关注骨架运动的动力学特征。
将骨架当作直角坐标系中的对象来进行处理尽管是一种很直观的做法,但鉴于人体形状与关节运动的限制,骨架不能简单当作欧氏空间中自由运动的实体来看待。因此,现有的骨架数据预处理方法的建模方式是有缺陷的。
空间建模的缺陷使得数据的处理出现失真的问题。例如,若直接采用样条插样的方法对骨架帧的坐标数据进行插样,将得到的中间结果绘制在直角坐标系中,会发现中间骨骼帧可能会出现不符合人体工学的变形,这种现象是不符合物理规律的。
因此,本发明提出了一种全新的人骨架动作序列的表示法,并在此基础上开发了多种数据预处理工具。
参照图1,示出了本申请一实施例提供的一种基于动力学特征的骨骼段预处理方法的步骤流程图,具体包括如下步骤:
S110、获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;
S120、依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;
S130、建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;
S140、依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
下面,将对本示例性实施例中的基于动力学特征的骨骼段预处理方法作进一步地说明。
如上述步骤S110所述,获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系。
在本发明一实施例中,可以结合下列描述进一步说明步骤S110所述“获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;”的具体过程。
如上述步骤S120所述,依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度。
在一具体实施例中,本申请基于运动学特征(即惯性张量)的表示,有利于更好地描述到骨骼序列的运动特征。同时,将关注对象由关节点坐标转换为骨骼向量,提供了骨架数据表示法的新的考虑角度。
在本发明一实施例中,可以结合下列描述进一步说明步骤S120所述“依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度”的具体过程。
在本申请一具体实施例中,对于每一个输入的骨骼关节点动作序列,其数据格式为坐标数C*序列帧数T*骨架关节点数V。按人骨架V个节点的连接关系,求得骨架各个骨骼段(共V-1段)的向量表示,即骨骼段的终点坐标减去起点坐标,若一个骨骼段的起点坐标为(x1,y1,z1),终点坐标为(x2,y2,z2),则骨骼向量(x,y,z)=(x2-x1,y2-y1,z2-z1)。
如上述步骤S130所述,建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线。
在本发明一实施例中,可以结合下列描述进一步说明步骤S130所述“建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线”的具体过程。
如下列步骤所述,建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量;依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
在本发明一实施例中,可以结合下列描述进一步说明步骤所述“建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量”的具体过程。
如下列步骤所述,依据所述骨骼向量生成对应于所述骨骼的局部坐标系;依据所述局部坐标系生成对应于所述骨骼的惯性张量。
在一具体实施例中,局部坐标系是三维坐标系,以其为参照得到的惯性张量I是3*3的对称正定矩阵,其计算方法为:
在本发明一实施例中,可以结合下列描述进一步说明步骤所述“依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线”的具体过程。
如下列步骤所述,依据所述惯性张量进行特征值分解生成对应于所述骨骼的对角矩阵和对应于所述骨骼的三维旋转矩阵;依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
在本发明一实施例中,可以结合下列描述进一步说明步骤所述“依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线”的具体过程。
如下列步骤所述,依据所述对角矩阵生成对角矩阵均值和对角矩阵测地线;依据所述三维旋转矩阵生成三维旋转矩阵均值和三维旋转矩阵测地线;依据所述对角矩阵均值和三维旋转矩阵均值生成对应于所述骨骼的所述惯性张量均值,并依据所述依据所述对角矩阵测地线和三维旋转矩阵测地线生成对应于所述骨骼的所述测地线。
在一具体实施例中,步骤四、对得到的惯性张量进行特征值分解:
I=OTILO
其中,IL是对角矩阵,包含了骨骼段的长度与质量信息;O是三维旋转群SO(3)中的矩阵(OT为其的转置),包含了骨骼段的方向信息。要对骨架数据进行预处理,需要得到其惯性张量表示(即I)的求均值、求测地线公式,从而进行上采样、求平均、去噪声等预处理。由于惯性张量I不属于欧氏空间,不能直接计算均值与测地线,需先按上式将I分解为IL和O(及其转置OT)两部分,分别求得二者的均值(或测地线等)后,再借助上式将它们相乘结合成惯性张量。
在一具体实施例中,IL的均值和测地线的步骤如下:
由于IL为对角矩阵,其均值(或测地线、插值等)直接按欧式空间中的方法计算而得。
求均值公式如下:
测地线公式如下。其中IL1和IL2分别是起始和终止时刻的IL
ILt=(1-t)ILl+tIL2
在一具体实施例中,O的均值和测地线的步骤如下:
三维旋转矩阵O(及其转置OT)在黎曼空间上,其均值和测地线必须用迭代法求得:
求均值公式如下。其中,expSO3和logSO3分别为三维旋转群SO(3)上定义的指数映射和对数映射
测地线公式如下。其中O1和O2分别是起始和终止时刻的O
在一具体实施例中,将骨骼段对应的惯性张量视作黎曼几何的对象,可以规避以往将骨骼数据当作欧氏空间对象的处理方式所带来的骨架形状不符合运动学和人体工学规律的问题,数据预处理得到的结果更遵循现实运动规律。
如上述步骤S140所述,依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
在本发明一实施例中,可以结合下列描述进一步说明步骤S140所述“依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪”的具体过程。
如下列步骤所述,依据所述测地线对所述骨骼关节点动作序列数据进行上采样处理生成上采样骨架序列;依据所述均值对所述上采样骨架序列进行去噪处理。
如下列步骤所述,依据所述均值对所述上采样骨架序列通过滑动窗口进行去噪处理。
在一具体实施例中,对于一个T帧的骨架序列,每个骨架帧有V-1段骨骼,对应V-1个惯性张量。对所有帧的每种骨骼段的惯性张量应用步骤四的方法,最终可以得到骨架惯性张量序列的均值(或测地线等)。如附图所示,对一个骨架序列的所有骨架帧,求出它们的惯性张量表示{I},应用上述的方法进行处理,可以得到惯性张量的均值与测地线,再转换回骨架坐标表示,即可得到骨架数据的均值与测地线。从而可以开发多种骨架数据预处理工具。具体如图3所示。
需要说明的是,求测地线的方法可用于求骨架数据的插值、上采样等处理。多个骨架帧测地线如上文,将其转化为惯性张量,求得惯性张量的测地线并转换回骨架数据,得到的即是骨架帧的测地线。
测地线的作用在于,给定起始数据与终止数据,可以求得其中间任意时刻的数据,且从起始数据到终止数据的变化是平滑的、符合物理意义的。因此,骨架数据线提供了一种插值方法,可以求得骨架帧之间的骨架,从而达到扩充序列帧数的上采样的效果。如图3所示
需要说明的是,求均值的方法,可用于骨架数据的求均值与去噪声处理;
和求测地线类似,骨架数据均值的求法需先将多个骨架帧转化为惯性张量,求得惯性张量的均值并转换回骨架数据,得到的即是骨架帧的均值。
借此,可以对骨架进行去噪处理。如图4,设置一个固定大小的滑动窗口,每次求得窗口内所有骨架的均值,并将均值代替窗口中心位置的骨架。依此逐步进行,当窗口沿序列从头滑动到尾时,得到的就是去噪声的骨架序列。
在一具体实施例中,将得到的处理后的惯性张量再进行特征值分解,得到IL与O。IL中非零对角元素的值为ml2/3,其中m和l分别为骨骼段的质量与长度,而O中零特征值对应的特征向量为骨骼段的单位方向向量。依照质量、长度和方向,就可以解出惯性张量对应的骨骼向量,从而将惯性张量数据还原为坐标数据,即完成了骨架数据的预处理。预处理后的数据将更有助于分类识别任务。
在一具体实施例中,本申请还提供了由惯性张量表示重建为关节点坐标表示的方法,这使得本发明所提出的数据预处理框架具有即插即用的良好特性,相同的数据格式使得本框架与上游数据采集任务与下游动作识别任务能够良好地兼容。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图5,示出了本申请一实施例提供的一种基于动力学特征的骨骼段预处理装置,具体包括如下模块,
连接关系模块510:用于获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;
骨骼向量模块520:用于依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;
惯性张量均值与测地线模块530:用于建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;
处理模块540:用于依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
在本发明一实施例中,所述惯性张量均值与测地线模块530包括:
惯性张量子模块:用于建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量;
测地线子模块:用于依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
在本发明一实施例中,所述惯性张量子模块包括:
局部坐标系子模块:用于依据所述骨骼向量生成对应于所述骨骼的局部坐标系;
骨骼的惯性张量子模块:用于依据所述局部坐标系生成对应于所述骨骼的惯性张量。
在本发明一实施例中,所述测地线子模块包括:
三维旋转矩阵子模块:用于依据所述惯性张量进行特征值分解生成对应于所述骨骼的对角矩阵和对应于所述骨骼的三维旋转矩阵;
骨骼的测地线子模块:用于依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
在本发明一实施例中,所述骨骼的测地线子模块包括:
对角矩阵均值和对角矩阵测地线子模块:用于依据所述对角矩阵生成对角矩阵均值和对角矩阵测地线;
三维旋转矩阵均值和三维旋转矩阵测地线子模块:用于依据所述三维旋转矩阵生成三维旋转矩阵均值和三维旋转矩阵测地线;
生成子模块:用于依据所述对角矩阵均值和三维旋转矩阵均值生成对应于所述骨骼的所述惯性张量均值,并依据所述依据所述对角矩阵测地线和三维旋转矩阵测地线生成对应于所述骨骼的所述测地线。
在本发明一实施例中,所述处理模块540包括:
上采样骨架序列子模块:用于依据所述测地线对所述骨骼关节点动作序列数据进行上采样处理生成上采样骨架序列;
去噪处理子模块:用于依据所述均值对所述上采样骨架序列进行去噪处理。
在本发明一实施例中,所述去噪处理子模块包括:
窗口滑动子模块:用于依据所述均值对所述上采样骨架序列通过滑动窗口进行去噪处理。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤,本具体实施例仅做简单描述,其余方案参考上述具体实施例描述即可。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图6,示出了本申请的一种基于动力学特征的骨骼段预处理方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,内存28,连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图6所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图6中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例所提供的一种基于动力学特征的骨骼段预处理方法。
也即,上述处理单元16执行上述程序时实现:获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
在本申请实施例中,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的一种基于动力学特征的骨骼段预处理方法。
也即,给程序被处理器执行时实现:获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于动力学特征的骨骼段预处理方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于动力学特征的骨骼段预处理方法,所述方法用于对运动目标的目标区域的骨骼段的骨骼关节点动作序列数据进行补充、修正和/或去噪,其特征在于,包括:
获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;
依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;
建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;
依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
2.根据权利要求1所述的基于动力学特征的骨骼段预处理方法,其特征在于,所述依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪的步骤,包括:
依据所述测地线对所述骨骼关节点动作序列数据进行上采样处理生成上采样骨架序列;
依据所述均值对所述上采样骨架序列进行去噪处理。
3.根据权利要求1所述的基于动力学特征的骨骼段预处理方法,其特征在于,所述建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线的步骤,包括:
建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量;
依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
4.根据权利要求3所述的基于动力学特征的骨骼段预处理方法,其特征在于,所述建立三维坐标系,依据所述骨骼向量生成对应于所述骨骼的惯性张量的步骤,包括:
依据所述骨骼向量生成对应于所述骨骼的局部坐标系;
依据所述局部坐标系生成对应于所述骨骼的惯性张量。
5.根据权利要求3所述的基于动力学特征的骨骼段预处理方法,其特征在于,所述依据所述惯性张量进行特征值分解生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线的步骤,包括:
依据所述惯性张量进行特征值分解生成对应于所述骨骼的对角矩阵和对应于所述骨骼的三维旋转矩阵;
依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线。
6.根据权利要求5所述的基于动力学特征的骨骼段预处理方法,其特征在于,所述依据所述对角矩阵和所述三维旋转矩阵生成对应于所述骨骼的所述惯性张量均值与对应于所述骨骼的所述测地线的步骤,包括:
依据所述对角矩阵生成对角矩阵均值和对角矩阵测地线;
依据所述三维旋转矩阵生成三维旋转矩阵均值和三维旋转矩阵测地线;
依据所述对角矩阵均值和三维旋转矩阵均值生成对应于所述骨骼的所述惯性张量均值,并依据所述依据所述对角矩阵测地线和三维旋转矩阵测地线生成对应于所述骨骼的所述测地线。
7.根据权利要求2所述的基于动力学特征的骨骼段预处理方法,其特征在于,所述依据所述均值对所述上采样骨架序列进行去噪处理生成预处理骨架序列的步骤,包括:
依据所述均值对所述上采样骨架序列通过滑动窗口进行去噪处理。
8.一种基于动力学特征的骨骼段预处理装置,所述装置用于对运动目标的目标区域的骨骼段的骨骼关节点动作序列数据进行补充、修正和/或去噪,其特征在于,包括:
连接关系模块,用于获取运动目标的目标区域骨骼段的骨骼关节点动作序列数据,依据所述运动目标的物种确认对应于所述运动目标的骨架中各关节的连接关系;
骨骼向量模块,用于依据所述骨骼关节点动作序列数据和所述连接关系生成对应于所述骨骼的骨骼向量;其中,所述骨骼向量包括所述骨骼的运动方向和所述骨骼的长度;
惯性张量均值与测地线模块,用于建立三维坐标系,依据所述骨骼向量确定对应于所述骨骼的惯性张量均值与测地线;
处理模块,用于依据所述测地线和所述均值对所述骨骼关节点动作序列数据进行补充、修正和/或去噪。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于动力学特征的骨骼段预处理方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于动力学特征的骨骼段预处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211663218.6A CN116030192B (zh) | 2022-12-23 | 2022-12-23 | 一种基于动力学特征的骨骼段预处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211663218.6A CN116030192B (zh) | 2022-12-23 | 2022-12-23 | 一种基于动力学特征的骨骼段预处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030192A CN116030192A (zh) | 2023-04-28 |
CN116030192B true CN116030192B (zh) | 2023-07-07 |
Family
ID=86075274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211663218.6A Active CN116030192B (zh) | 2022-12-23 | 2022-12-23 | 一种基于动力学特征的骨骼段预处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030192B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08221599A (ja) * | 1995-02-15 | 1996-08-30 | Matsushita Electric Ind Co Ltd | 3次元の動き生成および解析方法 |
CN101197049A (zh) * | 2007-12-21 | 2008-06-11 | 西北工业大学 | 基于三维运动参数的三维运动模型全自动驱动方法 |
CN103340603A (zh) * | 2013-07-02 | 2013-10-09 | 北京邮电大学 | 一种人体惯性参数识别方法 |
CN103530897A (zh) * | 2013-09-30 | 2014-01-22 | 华为软件技术有限公司 | 运动重定向处理方法及装置 |
CN104318601A (zh) * | 2014-10-22 | 2015-01-28 | 电子科技大学 | 一种流体环境下人体运动仿真方法 |
CN110232698A (zh) * | 2019-04-20 | 2019-09-13 | 北京工业大学 | 一种基于模型分割与l1中值骨架的连续帧三维人体曲线骨架提取方法 |
CN113033343A (zh) * | 2021-03-10 | 2021-06-25 | 咪咕动漫有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN113628307A (zh) * | 2021-08-02 | 2021-11-09 | 聚好看科技股份有限公司 | 一种三维模型的骨骼驱动方法及设备 |
CN115171152A (zh) * | 2022-06-23 | 2022-10-11 | 南京邮电大学 | 一种基于骨骼关节点识别的人体姿态特征提取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140267611A1 (en) * | 2013-03-14 | 2014-09-18 | Microsoft Corporation | Runtime engine for analyzing user motion in 3d images |
KR20220132874A (ko) * | 2021-03-24 | 2022-10-04 | 한국전자통신연구원 | 신경 근골격 모델 기반 건강 관리 장치 및 건강 관리 서비스 제공 방법 |
-
2022
- 2022-12-23 CN CN202211663218.6A patent/CN116030192B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08221599A (ja) * | 1995-02-15 | 1996-08-30 | Matsushita Electric Ind Co Ltd | 3次元の動き生成および解析方法 |
CN101197049A (zh) * | 2007-12-21 | 2008-06-11 | 西北工业大学 | 基于三维运动参数的三维运动模型全自动驱动方法 |
CN103340603A (zh) * | 2013-07-02 | 2013-10-09 | 北京邮电大学 | 一种人体惯性参数识别方法 |
CN103530897A (zh) * | 2013-09-30 | 2014-01-22 | 华为软件技术有限公司 | 运动重定向处理方法及装置 |
CN104318601A (zh) * | 2014-10-22 | 2015-01-28 | 电子科技大学 | 一种流体环境下人体运动仿真方法 |
CN110232698A (zh) * | 2019-04-20 | 2019-09-13 | 北京工业大学 | 一种基于模型分割与l1中值骨架的连续帧三维人体曲线骨架提取方法 |
CN113033343A (zh) * | 2021-03-10 | 2021-06-25 | 咪咕动漫有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN113628307A (zh) * | 2021-08-02 | 2021-11-09 | 聚好看科技股份有限公司 | 一种三维模型的骨骼驱动方法及设备 |
CN115171152A (zh) * | 2022-06-23 | 2022-10-11 | 南京邮电大学 | 一种基于骨骼关节点识别的人体姿态特征提取方法 |
Non-Patent Citations (2)
Title |
---|
Fast sparse coding networks for anomaly detectioninvideos;Peng wu等;Pattern Recognition;第107卷;1-50 * |
基于时空多残差图卷积的3D骨骼点动作识别;高猛等;小型微型计算机系统;第43卷(第12期);2570-2574 * |
Also Published As
Publication number | Publication date |
---|---|
CN116030192A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7373554B2 (ja) | クロスドメイン画像変換 | |
US20190156144A1 (en) | Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device | |
US8923392B2 (en) | Methods and apparatus for face fitting and editing applications | |
US11145080B2 (en) | Method and apparatus for three-dimensional object pose estimation, device and storage medium | |
CN110222703B (zh) | 图像轮廓识别方法、装置、设备和介质 | |
JP7393472B2 (ja) | 陳列シーン認識方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN113327278A (zh) | 三维人脸重建方法、装置、设备以及存储介质 | |
CN113420719A (zh) | 生成动作捕捉数据的方法、装置、电子设备以及存储介质 | |
EP3855386A2 (en) | Method, apparatus, device and storage medium for transforming hairstyle and computer program product | |
JP2022122989A (ja) | 画像認識モデルを構築するための方法及び装置、画像認識方法及び装置、電子デバイス、コンピュータ可読記憶媒体、並びにコンピュータプログラム | |
CN116309983B (zh) | 虚拟人物模型的训练方法、生成方法、装置和电子设备 | |
CN113436100A (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN113591566A (zh) | 图像识别模型的训练方法、装置、电子设备和存储介质 | |
CN114445904A (zh) | 基于全卷积神经网络的虹膜分割方法和装置、介质和设备 | |
CN114266860A (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
CN117274491A (zh) | 三维重建模型的训练方法、装置、设备和介质 | |
CN110796108B (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
CN116030192B (zh) | 一种基于动力学特征的骨骼段预处理方法及装置 | |
CN113409340A (zh) | 语义分割模型训练方法、语义分割方法、装置及电子设备 | |
CN113112398A (zh) | 图像处理方法和装置 | |
CN109333527B (zh) | 一种与机器人的交互方法、装置、电子设备及存储介质 | |
CN115775300A (zh) | 人体模型的重建方法、人体重建模型的训练方法及装置 | |
CN115222895A (zh) | 图像生成方法、装置、设备以及存储介质 | |
CN115409951A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
EP4242962A1 (en) | Recognition system, recognition method, program, learning method, trained model, distillation model and training data set generation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |