声明
摘要
1 绪论
1.1 引言
1.2 研究意义
1.2.1 人体运动捕获技术
1.2.2 人体运动合成
1.2.3 机器学习在人体运动捕获数据上的应用
1.3 国内外研究现状
1.4 论文组织结构
2 数据预处理
2.1 引言
2.2 ASF-AMC人体运动捕获数据
2.2.1 ASF文件格式
2.2.2 AMC文件格式
2.3 数学背景知识与ASF-AMC文件解析
2.3.1 方位、方向、角位移概述
2.3.2 欧拉角概念
2.3.3 四元数概念
2.3.4 ASF-AMC文件的解析
2.4 基于DTW的运动时间对齐
2.4.1 动态时间弯曲概述
2.4.2 动态时间弯曲算法
2.4.3 动态时间弯曲实验结果与分析
2.5 本章小结
3 基于ICA的运动风格迁移
3.1 引言
3.2 独立成分分析
3.2.1 独立成分分析概述
3.2.2 独立成分分析算法模型
3.3 运动风格迁移
3.3.1 运动数据表示的选择
3.3.2 运动组合
3.3.3 独立成分生成
3.3.4 运动风格独立分量选择
3.3.5 独立分量交换
3.3.6 实验结果与分析
3.4 本章小结
4 基于PCA和分块PCA的运动合成
4.1 引言
4.2 主成分分析
4.2.1 主成分分析概述
4.2.2 主成分分析的理论基础
4.3 基于PCA的人体运动合成
4.3.1 数据预处理
4.3.2 PCA处理运动
4.3.3 提取时间参数
4.3.4 运动合成
4.4 基于分块PCA的运动合成
4.4.1 数据分块
4.4.2 分块PCA处理运动
4.4.3 运动合成
4.5 实验结果与分析
4.5.1 基于PCA的人体运动合成方法实验
4.5.2 基于分块PCA的人体运动合成实验
4.6 本章小结
5 基于ICA和分块ICA的人体运动合成
5.1 引言
5.2 基于ICA的人体运动合成
5.2.1 ICA处理运动
5.2.2 对时间参数处理
5.2.3 运动合成
5.3 基于分块ICA的人体运动合成
5.3.1 数据分块
5.3.2 分块ICA处理运动
5.3.3 运动合成
5.4 实验结果与分析
5.4.1 基于ICA的人体运动合成方法实验
5.4.2 基于分块ICA的人体运动合成方法实验
5.5 本章小结
6 总结与展望
6.1 本文总结
6.2 未来工作展望
致谢
参考文献
附录