基于融合改进的lle和pca的三维人体运动关键帧提取方法

文档序号:6632426阅读:347来源:国知局
基于融合改进的lle和pca的三维人体运动关键帧提取方法
【专利摘要】本发明提出了一种将改进的局部线性嵌入(Locally Linear Embedding,简称LLE)与主成分分析(Principal Component Analysis,简称PCA)相融合的运动关键帧提取方法。第一步采用改进的LLE对原始运动捕捉数据进行预处理降维得到具有固有维数的数据,第二步采用PCA方法对降维后的数据进一步处理提取一维主成分,采用平滑滤波去除噪声,得到一维特征曲线,第三步通过提取特征曲线上的极值点,获得初始关键帧,第四步在初始关键帧之间,根据其特征曲线幅度差值和设定的阈值插入相应的帧数,在合并过密的关键帧,得到最终的关键帧集合。
【专利说明】基于融合改进的LLE和PCA的三维人体运动关键帧提取方 法

【技术领域】
[0001] 本发明涉及涉及人体运动的关键帧提取,具体讲是涉及一种基于融合改进的LLE 和PCA的三维人体运动关键帧提取方法。

【背景技术】
[0002] 关键帧提取技术的出现使运动捕捉数据库规模可以变得更小,关键帧提取就是针 对一段运动序列选择运动中最重要最关键的帧作为关键帧,代表整个运动序列,对此段运 动有一个较好的视觉概括性,同时又可以进行运动重建,还原原始运动,保持一个较低的误 差率。
[0003] 目前从采样方式主要分为两大类:等间隔采样和自适应采样。等间隔采样有可能 出现过采样和欠采样的问题,自适应采样可以在变化小的地方少采样而在变化大的地方多 采样,于是可以解决前者的不足。
[0004] 影响经典LLE算法鲁棒性的因素主要有三个方面(1)噪声源的分布(2)近邻点个 数K(3)重建权值矩阵W。针对经典LLE算法的问题,如国内的江南大学2011年发表的《Li 范局部线性嵌入》,宁波大学2013年发表的《基于稀疏约束的LLE改进算法》等,以及国外滑 铁卢大学2011 年发表的〈〈Robust locally linear embedding using penalty functions)) 虽然都在一定程度上提高了 LLE算法的鲁棒性,但并不能获得稳定的结果而且并没有降低 近邻点个数的选取。又如国内的华南理工大学2008年发表的《邻域参数动态变化的局部线 性嵌入》虽然很好的控制了近邻点个数的选择,但结果往往都有一定的随机性。


【发明内容】

[0005] 本发明所要解决的技术问题是经典LLE算法的稳定性以及降低近邻点个数和重 建权值矩阵的构建对算法的影响。
[0006] 为了解决上述问题,本发明所采用的技术方案为基于融合改进的LLE和PCA的三 维人体运动关键帧提取方法,其采用融合改进的局部线性嵌入算法LLE和主成分分析算法 PCA对运动捕捉数据进行降维,并选用Lowess平滑滤波,根据降维后的一维特征曲线进行 关键帧提取;其具体过程如下:
[0007] S1、采用改进的LLE对运动捕捉数据进行预处理降维;
[0008] 改进的LLE方法主要分成以下三步:
[0009] 步骤一:选择K个近邻点。对于高维空间中的每一帧Xi (i = 1,2, ...,N),N为运 动的总帧数,计算它与其它每帧之间的距离(^,距离公式为:

【权利要求】
1. 基于融合改进的LLE和PCA的三维人体运动关键帧提取方法,其特征在于,其包括如 下步骤: 51、 采用改进的LLE算法对运动捕捉数据进行预处理降维; 改进的LLE算法在经典LLE算法基础上进行改进,其分为三步: 1) 、选择K个近邻点;对于高维空间中的每一帧Xi (i = 1,2, ...,N),N为运动的总帧数, 计算它与其它每帧之间的距离dm距离公式为:
其中,I IXi-XjI I表示=1,2,...,N)之间的欧式距离,\和乂」代表运动序列 中的两个不同的帧,T(i)和T(j)分别表示Xi到它的K个近邻之间的距离的平均值和乂」到 它的K个近邻之间的距离的平均值; 2) 、由每个样本点的近邻点计算出该样本点的局部重建权值矩阵W,将其初始化为单位 矩阵; 3) 、由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。 52、 对于预处理降维的数据采用PCA线性降维方法对数据进行再处理,得到一维特征 曲线,并滤去噪声; 53、 通过提取特征曲线上的局部极值点获得初始关键帧; 54、 在初始关键帧之间,根据其特征曲线幅度差值和设定的阈值插入相应的帧数,合并 过密的关键帧,得到最终的关键帧集合。
2. 根据权利要求1所述基于融合改进的LLE和PCA的运动捕捉数据的关键帧提取方 法,其特征在于:其由程序自动计算改进的LLE算法输出固有维数,固有维数d由计算公式 为:
其中,e为重建权值矩阵的贡献率,对于不同的运动选取不同的数值,d为固有维数, 入j (j = 1,2,. . .,n)为重建权值矩阵的n个特征值。
【文档编号】G06T7/20GK104331904SQ201410598856
【公开日】2015年2月4日 申请日期:2014年10月30日 优先权日:2014年10月30日
【发明者】张强, 周东生, 董旭龙, 魏小鹏 申请人:大连大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1