人体运动捕获数据的检索方法研究

摘要

随着多媒体技术的飞速发展以及人体运动捕获设备的广泛使用，逐渐积累了大量富有真实感的三维人体运动捕获数据，并有效地应用于三维动画、电影制作和游戏等产业中。然而面对大量的运动捕获数据，如何进行有效的管理和重用成为了开发人员所要面对的新问题。因此，设计能够对运动数据库进行高效、精确地查询和浏览的算法是该领域的主要研究目标。
　　 本文首先介绍了人体骨架结构及其数学表示，针对其数学表示对运动捕获数据文件ASF/AMC解析，研究并实现已有的运动捕获数据检索方法，并提出了一种新的运动检索方法。
　　 本文主要研究并实现了以下三种检索方法:
　　 1、基于例子的逻辑相似运动检索，算法建立人体层次模型，使用K均值聚类算法在各个人体分层上得到类字符串表示，进而使用快速字符串匹配算法实现检索;
　　 2、基于低维子空间分解的运动检索，算法将运动的每一帧转化为自相似矩阵，进而产生运动序列集，对运动序列集分解后，使用动态时间弯曲算法(DynamicTimeWarping，DTW)计算相似度;
　　 3、基于自适应特征选择的3D人体运动检索方法，算法通过建立所有样本的特征向量与特征子集的线性回归模型，自动获取当前查询样本的特征向量的子集，比较特征子集的相似性以实现检索。
　　 最后，在分析现有运动检索方法优缺点的基础上，将度量学习引入运动检索中，提出了基于极大间隔最近邻学习的运动检索方法，利用极大间隔最近邻度量学习算法，有效地改进了运动检索性能。

目录

声明

摘要

1 绪论

1．1 引言

1．2 运动捕获技术

1．3 人体运动捕获数据检索技术

1．3．1 运动数据的特征表示

1．3．2 运动数据的相似性匹配

1．4 论文的主要工作和组织结构

2 背景知识介绍

2．1 人体骨架结构及ASF／AMC文件简介

2．2 人体骨骼关节的数学表示

2．2．1 欧拉角

2．2．2 四元数

2．2．3 全局坐标表示

2．3 人体运动捕获数据文件解析

2．4 本章小结

3 基于例子的逻辑相似运动检索

3．1 检索方法流程概述

3．2 运动捕获数据预处理

3．2．1 人体层次体系建立

3．2．2 运动分割与归一化

3．2．3 基于K-means的运动模式提取

3．3 运动检索

3．3．1 检索算法

3．3．2 运动相似性计算

3．4 检索实验

3．4．1 实验数据

3．4．2 实验结果与评价

3．5 本章小结

4 基于低维子空间分解的运动检索

4．1 检索方法流程概述

4．2 运动捕获数据表示

4．3 子空间表示

4．3．1 自相似矩阵

4．3．2 构建运动序列集

4．3．3 MSV张量分解

4．4 运动相似性度量

4．5 检索实验

4．5．1 实验数据

4．5．2 实验结果与评价

4．6 本章小结

5 基于自适应特征选择的3D人体运动检索

5．1 检索方法流程概述

5．2 VJRD特征提取

5．3 自适应特征选择

5．3．1 线性回归

5．3．2 特征选择

5．3．3 运动相似性度量

5．4 检索实验

5．4．1 实验数据

5．4．2 实验结果与评价

5．5 本章小结

6 基于极大间隔最近邻学习的运动检索

6．1 检索方法流程概述

6．2 特征提取

6．3 极大间隔最近邻度量学习

6．4 检索实验

6．4．1 实验数据

6．4．2 实验结果与评价

6．5 本章小结

7 总结与展望

7．1 论文总结

7．2 未来工作展望

致谢

参考文献

附录