化后，可将在预生成中所检测到的运动原始数据导入到3D计算机模型中，并且在那里进行进一步处理。其中，可将它们传输至虚拟骨架(一种三维人像)。该骨架可再与线框模型相关联，该线框模型再将所记录的运动调整为数字运动样本或者运动样本片段。在图像合成或者自动创造出三维图像之后，对于观察者其看起来像是虚拟的人体或者计算机模型在执行原始的人或者原始的物的运动。
[0021]然后可将如此预先记录的数字运动样本或者运动样本片段标准化为单位大小存储在数据库中。其中，一个所存储的运动样本片段也可以属于一个以上的运动样本。也就是说，一个数字运动样本可以由对应于数字运动样本的不同的时间间隔的多个数字运动样本片段构成，其中，根据标记器的绝对位置和/或相对位置运动样本片段的某些时间的次序在结构上是不太可能或者甚至是不可能的。因此，在时间上彼此连续的运动样本片段的标记器位置不应该低于一定的交叉相关界限(Kreuzkorrelat1nsgrenzen)。不同的复杂的数字运动样本可具有部分相同的数字运动样本片段，其对应于不同的数字运动样本所对应的实际运动的相同的或者极其相似的运动分段。
[0022]根据一些实施例，运动重建不仅可以基于数字运动数据库实现，也可以针对目标考虑物理模型，其禁止或者允许一些运动。此处优点是在不同的运动样本之间的目标运动的内插法的物理准确建模。如此，可例如将从“跑步”到“跳跃”的转换在物理上准确的进行“交替”。
[0023]要进行重建的两个运动状态之间的实际运动转换可基于不同的离散的位置数据被检测或者被确定。其中，在三维空间中从定位系统得到的位置数据表示用于运动重建的输入数据。它们来自目标上的不同位置，取决于设置或者设置了发射器(Tag)的地方。其中，第一个从至少一个位置标记器导出的离散位置数据样本描述第一运动状态(例如，起始运动状态)，以及第二个，随后的位置数据样本描述在两个离散的位置数据样本之间的时间间隔内的第二运动状态(例如，结束运动状态)。根据实施例，时间间隔可对应于存储在数据库中的预先记录的运动样本或者运动样本片段的一个单帧画面或者一个帧的持续时间，即，例如，从1/48至1/12秒的时间区间，尤其是1/24或1/25秒。因此，所检测到的运动转换对应于在时间间隔内位于目标上的至少一个位置标记器的至少一个轨迹(Trajektorie)。在复杂的目标(例如，人类)的情况下，将涉及多个(基于无线电的)位置标记器，从而得到针对要检测的实际运动的足够的采样点。因此，所检测到的运动转换对应于在时间间隔内采样点的起始和结束位置。其中，在结构上-取决于目标和运动-不是采样点上的任何起始和结束位置都是可能的，尤其涉及到过去的时间间隔。
[0024]目标的至少一个要重建的实际运动转换被检测或者检测到，可据此从多个存储在数据库中的计算机模型的数字运动样本中选择至少一个对应于实际运动转换的数字运动样本片段。这可例如通过所检测到的实际运动与所存储的数字运动样本之间的相对的和绝对的位置标记器的比较来实现。为了使这种比较尽可能不依赖于目标的大小，可根据一些实施例将所检测到的位置数据或者运动数据和/或存储在数据库中的数字运动模型进行标准化。其中，标准化至目标单位大小。因此，根据一些实施例，存储在数据库中的数字运动样本可以是标准化的，其中为了对数字样本片段进行选择，从目标上的位置标记器所接收到的位置数据被加入与目标大小相对应的比例因子，以便得到目标的标准化的运动。
[0025]根据实施例，选择这样的数字运动样本片段，其针对时间间隔具有足够的(优选地最大的)概率从起始运动状态引导至结束运动状态。其中，根据一些实施例，各种可能的运动状态可借助于马尔可夫模型或者离散的马尔可夫链进行建模，以便给出未来的事件或者运动状态的出现的概率。马尔可夫链具有这样的属性，通过有限的过往情况的了解可对关于未来的发展做出与了解过程的整个过往情况时同样良好的预测。尤其是，运动过程也可以被建模为所谓的隐马尔可夫模型(HMM)。隐马尔可夫模型(HMM)是一种随机模型，其中系统通过具有未观察到的状态的马尔可夫链进行建模。隐马尔可夫模型(HMM)可以被看做是动态贝叶斯网络的最简单的特殊情况。作为马尔可夫链的建模是指，系统按照随机的方式从一个运动状态转换至另一个运动状态，其中运动状态之间的转换概率只取决于相应的当前的运动状态，而不依赖于之前所拥有的运动状态。此外，假设转换概率是随时间恒定的。然而，在隐马尔可夫模型(HMM)中，这些状态本身无法从外部被观察到，它们可以是隐藏的。取而代之的是，这些内部状态的每一个被归为可观察的输出记号，所谓的发送(Emiss1nen)，其根据状态以一定的概率出现。其主要任务在于，由观测到的输出序列获得关于隐藏状态的概率性的说明。一个或多个与一个或多个所检测到的运动转换相匹配的运动样本片段的选择因此能够例如通过动态编程的算法来实现，诸如前向算法、后向算法或者维特比算法。
[0026]在根据上述方式选择一个或多个与一个或多个所检测到的实际运动相匹配的数字计算机模型运动样本片段之后，可基于此借助于所选择的计算机模型运动样本片段对所检测到的运动的虚拟图像进行重建或者再现。重建可根据不同的实施例实时和/或通过后期制作过程实现。从数据库所选择的计算机模型运动样本片段(即，计算机模型运动样本片段帧)可在电子显示设备(例如，显示器)上重现。在理想的情况下，重现的计算机模型的运动与真实目标的实际运动相同。在标准化存储的运动样本片段的情况下，所选择的用于图像的重建的运动样本片段可被加入与实际目标大小相对应的比例因子，从而对具有至少一个运动采样点的目标的非标准化的运动过程进行重建。
[0027]因此，实施例涉及方案，其可例如基于无线电标记器数据实现可移动的以及多肢体的目标(例如，人类、动物、机械结构体)或者目标组合的运动重建。其中，目标组合是多个交互的目标，例如带球的运动员或者叉车和货板。在目标的任意的采样点上可设置无线电标记器或者传感器。其可提供高精解析度的实时定位系统(RTLS)，该系统实时确定无线电标记器的位置(例如，X、1、z坐标)。无线电标记器位置可例如通过精确的RTLS(实时定位系统)数据，以空间中x、y、z坐标和/或加速度数据等的形式给出。由此，可利用位置的足够的精确度和更新速率实现真实目标的虚拟重建。目标上的无线电标记器的数量可向上任意变化。运动重建可实时和/或通过后期制作过程实现。
[0028]在数字运动数据库中可存在任意数量的数字运动样本。其可针对要检测的目标存储任意以及任意多个数字运动分段。这可包括人类典型的运动，诸如跑步、行走，跳跃等。所存储的运动分段可包括具有无线电标记器采样点以及整个目标的多个单帧画面或者帧。
[0029]本发明的实施例，即使当所检测到的无线电标记器数据不完整或者消失时，也能够实现目标的有意义的或者合理的运动重建，并且可以被设置例如用于虚拟的3D运动重建、用于虚拟现实应用、用于增强现实应用、用于训练分析、用于比赛分析或者用于视听媒体。同样，至(移动)终端设备的运动数据的传输以及在终端设备上的运动重建是可以考虑的。一些实施例在较少硬件资源的情况下也能够实现实时的运动数据的重建。
[0030]下面将参照所附附图对本发明的一些实施例进行进一步说明。示出了:
[0031]图1根据一个实施方式的用于目标的运动的重建的方法的示意性的流程图；
[0032]图2根据一个实施方式的用于目标的运动的重建的装置的示意性的框图；
[0033]图3用于说明实际的运动转换的检测的示意图；
[0034]图4a用于运动状态的建模的马尔可夫链的示例性视图；
[0035]图4b用于说明借助网格从运动数据库中选择对应于所检测到的运动转换的数字运动样本片段的示意图；
[0036]图5用于说明通过使用所选择的数字化运动样本片段来重建目标的运动的虚拟图像的不意图；
[0037]图6根据一个实施方式的用于目标的运动的重建的系统的示意性的框图。
[0038]在接下来的本发明的一些实施例的示例性的描述中，相同的附图标记器指示相同的、相似的或功能相同的部件或组件。
[0039]图1在示意图中示出了根据本发明的实施例用于由预先设定的目标(例如，运动员)的计算机模型的数字运动样本片段的序列来虚拟重建目标(例如，运动员)的实际运动的方法100的流程图。
[0040]在运动重建方法100中，每个运动样本片段或者运动样本分段对应于运动的一个不同的时间间隔或者时间分段。其实际运动需要被重建的真实目标具有至少一个设置有位置标记器的运动采样点。根据一些实施例，位置标记器可以是基于无线电的位置标记器。该目标可具有一个或者多个运动采样点。这些采样点对应于位置标记器的固定位置。
[0041]运动重建方法100在开始步骤101之后包括检测步骤102，该检测步骤102基于从位置标记器所接收的至少一个运动采样点的位置数据来检测在实际运动的时间间隔内目标的起始运动状态与结束运动状态之间的(实际的)运动转换。在基于无线电的位置标记器中，所接收的位置数据可能或多或少的消逝。方法100进一步包括选择步骤104，其中，从多个存储在数据库或存储器中的计算机模型的数字运动样本中选择至少一个对应于所检测到的或所测到的实际运动转换的数字运动样本片段，如此，使得所选择的数字运动样本片段具有足够高的概率从时间间隔的起始运动状态引导至结束运动状态。在进一步的方法步骤106中，利用起始运动状态和所选择的数字运动样本片段针对时间间隔重建目标的实际运动的虚拟图像。
[0042]根据一些实施例，方法步骤102至106意味着用于重建目标(例如，运动员)的实际运动的迭代或递归的过程的当前的迭代或递归。这意味着，可在迭代/递归的过程的先前的迭代/递归中对针对当前的迭代/递归的初始运动状态进行重建或者评估，从而可通过多个所选择的并且彼此连续的时间间隔或者迭代/回归所对应的数字运动样本片段构成实际运动的重建虚拟图像。由此，针对多个彼此连续的时间间隔基于各对应于多个时间间隔的运动样本片段实现目标的整个实际运动的重建。使