1.一种基于低秩矩阵分析的三维骨架修复方法,其特征是,利用凸低秩矩阵恢复模型,通过最小化L1范数和核范数的和,来纠正低秩矩阵中的错误元素,从而得到一个理想的矩阵,从而修复毁坏的骨架,实现对复杂运动的准确、光滑的重建。
2.如权利要求1所述的基于低秩矩阵分析的三维骨架修复方法,其特征是,所述凸低秩矩阵是将破损的骨架信息整合得到的一个低秩矩阵D,低秩矩阵D的每一列,分别表示骨架的21个节点;低秩矩阵D的行代表各帧骨架节点的三维全局坐标位置;然后对矩阵进行SVD分解进行低秩验证。
3.如权利要求1所述的基于低秩矩阵分析的三维骨架修复方法,其特征是,利用凸低秩矩阵恢复模型,通过最小化L1范数和核范数的和,得到一个理想的矩阵,从而修复毁坏的骨架具体步骤是,
1)将骨架修复问题建模:
D=A+E (1)
其中,D为破损的骨架信息整合构成的矩阵,A是经过矩阵修复之后得到的修复好的骨架三维坐标构成的矩阵,E是差错矩阵;
min rank(A)+γ‖E‖0 s.t.D=A+E (2)
其中,rank(A)是矩阵A的秩,‖E‖0是矩阵E的L-0范数,γ是一个平衡A与E之间的比重的权重项,γ>0,由于上述方程是NP-难解问题,所以将上述方程重新描述为,
min‖A‖*+λ‖E‖1 s.t.D=A+E (3)
其中,‖A‖*是矩阵A的核范数,σi是矩阵A的奇异值,‖E‖1是矩阵E的L-1范数,λ>0,是一个权重系数;利用增广拉格朗日方法进行最终求解。
4.如权利要求3所述的基于低秩矩阵分析的三维骨架修复方法,其特征是,利用增广拉格朗日方法进行最终求解具体步骤是,引入缩小变量和门限变量,并求解低秩矩阵的线性方程,再分别求解凸优化方程:
方程(3)的拉格朗日方程为:
其中,Y-problem:Yk+1=Yk+μ(D-Ak+1-Ek+1),μk+1=ρμk,ρ>1;
其中||·||F表示的是矩阵的F范数,E-problem中的Sδ(x)是缩小变量,其中Sδ(x)=sgn(x)max(|x|-δ,0);A-problem中的Mδ(x)是奇异值门限变量,其中
Mδ(x)=USδ(Λ)V,U,V分别是对x进行奇异值分解后的左、右特征向量矩阵,Λ是对角矩阵,对角线上的元素为x的奇异值;λ和μ都是正的常数,Y是拉格朗日乘子,<·,·>表示将两个矩阵看成长向量的内积;
再分别求解凸优化方程:
在增广拉格朗日解法的框架下,λ,μ和Y可以有效更新,对变量E、A进行迭代最小化,更新拉格朗日乘子Y,最终得到修复矩阵A。