k+1代粒子群pop (k+1)中的每个粒子;f1， 与其更新前对应的粒子<进行非劣性比较，i =1，. . .，N ;若-Tf+1非劣于Y，取xf+1所在位置 X1 (k+1)为粒子的个体极值Jfcslf+1，即Pfcgslf1 =名休+1);若#非劣于彳+:1，则进行赋值 pbesif+i =Pbestki；
[0035] 步骤3-5:全局极值gbestk+1求解：把pop(k+l)中序值为1的粒子作为粒子群 pop (k+1)的全局极值；其中，粒子af1的序值指的粒子群pop (k+1)中优于^f1的所有粒子的 个数；
[0036] 步骤3-6 :进行赋值操作，k=k+1 ;当k彡K时，执行步骤3-2,否则执行步骤3-7 ;
[0037] 步骤3-7 :输出，输出粒子群pop(K)的全局极值gbestK，即人体姿态参数。本发明 与现有技术相比，其显著优点：（1)在运动的非线性子空间中进行运动分析，提高运动分析 的效率，具有更好的工程应用性；(2)借鉴多目标优化思路，采用多目标粒子群优化运动分 析方法进行姿态优化，提高了运动分析的准确性，使得生成的三维人体动画更逼真。
[0038] 下面结合附图对本发明作进一步详细描述。
【附图说明】
[0039] 图1是本发明基于多目视频的人体动画生成方法的流程图；
[0040] 图2是由三个摄像机组成的摄像机网络部署图；
[0041] 图3是多个视角摄像机获取的人体图像；
[0042] 图4是单个摄像机获取的人体图像；
[0043] 图5是混合高斯模型运动检测方法得到的人体剪影；
[0044] 图6是多目标粒子群优化人体运动分析方法计算得到的人体姿态参数；
[0045] 图7是运动重定向方法驱动三维人体模型得到的人体动画模型；
【具体实施方式】
[0046] 本发明公开了一种基于多目视频的人体动画生成方法，其处理流程如图1所示。 包括以下步骤：首先，利用人体运动捕获数据，采用高斯过程潜变量模型运动降维方法，学 习得到运动低维空间；其次，计算低维空间的姿态约束，建立低维姿态与图像特征的适应度 函数，实现基于约束多目标优化的人体运动分析模型建模；再者，采用多目标粒子群优化人 体运动分析方法，求解人体运动分析模型，计算得到视频中的人体姿态参数；最后，利用人 体姿态参数，采用运动重定向方法驱动三维人体模型，生成三维人体动画。
[0047] 本发明实现中，采用了包括3个摄像机的摄像机网络，其部署如图2所示，三摄像 机从表演者运动区域的左视角（摄像机1)、上视角（摄像机2)、下视角（摄像机3)进行图 像采集。图3是中三个视角摄像机获取的人体图像，图3中（a)为摄像机1采集的图像，图 3中（b)为摄像机2采集的图像，图3中（c)为摄像机3采集的图像。下面分别介绍各实施 例部分的主要流程。
[0048] 本发明公开了一种基于多目视频的人体动画生成方法，所述方法包括以下步骤：
[0049] 步骤1，运动低维空间学习：利用人体运动捕获数据，采用高斯过程潜变量模型运 动降维方法，学习得到运动低维空间。
[0050] 步骤 1-1 :米用运动链方法（文献 3.ZhaoXu，LiuYunCai.Generativetracking of3Dhumanmotionbyhierarchicalannealedgeneticalgorithm.PatternRecogni tion. 2008, 41 (8) : 2470-2483.)，将高维人体姿态表示为y= {yg,yj，yGY，Y为高维人体 姿态空间。其中yg= (ax, 0 y,yz)表示人体根节点的朝向，ax, 0 y,y2分别表示根结点 与三维坐标轴x,y,z的夹角，yk表示人体关节点的欧拉角。本发明实现中，人体关节点数为 30,即欧拉角维度为60。
[0051] 步骤1-2 :从运动捕获数据库中选择一段运动捕获数据作为训练数据。将训练数 据表示为{yt|t= 1，. . .T}，ytSt时刻的人体姿态，t= 1，. . .，T，T为训练数据的数目。 本发明实现中，人体运动捕获数据来源于卡耐基梅隆大学的运动捕获数据库（文献4.CMU. 运动捕获数据库[DB/OL].http://mocap.cs.emu.edu/, 2014-01-10.)，选取的运动数据类 型为步行数据，运动数据数目T= 386。
[0052] 步骤1-3 :采用高斯过程潜变量模型方法（文献5.RaquelUrtasun,DavidJ Fleet,AaronHertzmann,etal.Priorsforpeopletrackingfromsmalltraining sets[A].ProceedingsoftheInternationalConferenceonComputerVision[C]. Beijing:IEEEPress, 2005. 403-410.)，对运动捕获数据{yt 11 = 1，. . .T}中姿态的关节点 欧拉角yk进行降维，得到关节点欧拉角yk的低维表示ys={y1，...，yD}，ysGYs，ys为关节 点欧拉角yk的低维状态空间，D为Ys的维度。本发明实现中，低维空间Ys的维度D= 6。
[0053] 步骤1-4 :高维人体姿态y= {yg，yk}降维后得到的低维姿态表示为X= {yg，ys} ={yg,Y1, . . .，yD}，xGX，X为运动低维空间。
[0054] 步骤2,运动分析模型建模：建立低维姿态与图像特征的适应度函数，构建低维空 间的姿态约束，实现基于约束多目标优化的人体运动分析模型建模；
[0055] 步骤2-1 :对于多目视频中的视频v，V= 1，2, ...，V，V为视频数目，如图4所示，采 用混合高斯模型运动检测方法（文献6.StaufferC,GrimsonWEL.Adaptivebackground mixturemodelsforreal-timetracking[A]?In:ProceedingsofIEEEConferenceon ComputerVisionandPatternRecognition.Colorado,USA, 1999:246-252.)获取视频v 中的人体剪影Zv，如图5所示；本发明中，视频数目V= 3。
[0056] 步骤2-2 :对于视频V，采用双向剪影匹配方法（文献7.L.Sigal，M.J.Black. HumanEva:Synchronizedvideoandmotioncapturedatasetforevaluationof articulatedhumanmotion.Int.J.Comput.Vis. 87 (I)，4-27 (2010))，建立低维姿态x= {yg，y:，...，yD}与人体剪影Zv的适应度函数fv (X，zv);为每个视频V建立独立的目标函数， V=I, 2,. . . ,V；
[0057] 步骤2-3 :对低维姿态X={yg,Y1,. . . ,yD}，计算yjtl最大值max(yd)和最小值 min(yd)，d= 1，2,. . .，D ;则每个低维姿态的每一维yd都应满足以下约束：min(y d)<yd ITicix(y^) ?d- 1，2，? ??，D;
[0058] 步骤2-4:基于适应度函数fv(x,Zv)，v= 1，2, . . .，V，以及姿态约束min(yd)<yd <max(yd)，d= 1，2, . . .，D，构建基于约束多目标优化的人体运动分析模型：
[0060]其中，MgminF(X)表示求解使目标函数F(X)最小的X的值。
[0061] 步骤3 :人体姿态参数分析：采用多目标粒子群优化人体运动分析方法，求解人体 运动分析模型，计算得到视频中的人体姿态参数；
[0062]步骤3-1:初始化：随机产生N个粒子彳，彳={.U….VZ)C，i= 1，. . .，N，组成 初始粒子群pop(〇)，N为粒子群规模。初始化粒子的位置X1(O)和速度V1(O);设置粒子
粒子群规模N= 100。
[0063] 其中，个体极值表示个体 < 在整个迭代过程中的最优解；粒子群全局极值 gbest°表示粒子群pop(0)中所有粒子的最优解。
[0064] 步骤3-2:对于第k次迭代，k= 0, ...K，对粒子群pop(k)中每个粒子#_进行更新， 得到第k+1代的粒子xf+1，彳+1 =丨,1 :，构成第k+1代粒子群PO^ 为最大迭代次数，pop(k)为初始粒子群pop(O)经过k次迭代后得到的种群。本发明实现 中，最大迭代次数K= 50。
[0065] 对粒子Xf的更新方法为：根据粒子4的速度V1GO和位置X1GO,计算粒子.Tf+1的 速度V1 (k+1)和位置X1 (k+1)。V1 (k+1)和X1 (k+1)的计算方法为：
[0066] Vt{k +1) = (pbmtf -X^k)) +.c^mMi^Oxighesf -X^k))?
[0067]Xi (k+1) =Xi (k)+Vi (k+1