[发明专利]基于一种新的距离特征的人体运动分割

权利要求书

1.基于一种新的距离特征的人体运动分割，其特征在于：

第一步，选择一组新的关节距离作为距离特征；

所述关节距离的计算方法是：首先将BVH文件中的保存的欧拉角转换成关节点的绝对空间坐标，计算方法如下：

根据欧拉角的表示方法，子关节局部坐标系相对于父关节局部坐标系的转换矩阵M＝[RT]，

所述R为局部坐标系下的旋转矩阵，R＝rot(α_z)rot(α_y)rot(α_x)，(α_z,α_y,α_x)为子关节相对于父关节绕z，y，x轴的旋转角度；T为局部坐标系下的位移矩阵，T＝[T_xT_yT_z]，(T_x,T_y,T_z)为子关节相对于父关节沿x，y，z轴的位移量；

求出子关节在其父关节的局部坐标系下的坐标V_i＝M*V_i+1；

所述V_i+1作为子关节在自身局部坐标系下的坐标，所述V_i为子关节在父关节的局部坐标下的坐标；

继续求子关节在世界坐标系下的空间坐标，依次类推，此时设V_i+1作为子关节在自身局部坐标系下的坐标，设V_i为子关节在世界坐标系下的坐标，则：

V_i(j)＝M(root)*...*M(grandparent)*M(parent)*V_i+1(j)，

其次根据欧式距离公式，求出相应关节点之间的距离：

|B(k)→|=Fi-Fj=(xi-xj)2+(yi-yj)2+(zi-zj)2;]]>

所述F_i(x_i,y_i,z_i),F_j(x_j,y_j,z_j)(i,j＝1,...,31∩i≠j)为选择的关节点在世界坐标系下的坐标值；

选择9个具有逻辑语义的人体关节距离作为距离特征，将其表示为θ＝(φ1,φ2,φ3,φ4,φ5,φ6,φ7,φ8,φ9)，这样就将原始欧拉角保存的96维数据降到9维，同时又能保存原始运动类型的特征；

第二步.利用PCA方法对第一步求出的9个距离特征进行分析及进一步降维，

所述PCA方法分析步骤如下：

步骤1：构建这9个距离特征样本的平均值

步骤2：计算这9个距离特征原始值与平均值的差值然后构建距离特征的差值矩阵D＝[Δθ₁，....Δθ₉]；

步骤3：计算得到协方差矩阵C＝DD^T，计算协方差矩阵的特征值λ，以及相应的特征向量L；

步骤4：提取特征向量构建了一组新的9维主成分，其按贡献率从大到小的顺序排列；提取第一维主成分，也就是的最大贡献率

步骤5：一个运动可以表示成为：

第三步.对第二步得到的运动的特征曲线采用Lowess平滑滤波方法对其进行滤波去噪；

所述Lowess平滑滤波的方法是：

步骤1：根据MATLAB中的函数‘smooth(Y，’lowess’)’得到滤波后的特征曲线signal；

步骤2：接下来就是对这条代表原始运动本质特征的曲线进行处理；

第四步.对第三步求出的滤波后的特征曲线signal，采用幅度检测算法进行处理，得到初始的分割点及最终的分割点集，就可以将原始运动的运动类型分割开；

所述幅度检测算法具体步骤如下：

步骤1：计算局部极值点；

所述计算局部极值点的方法：根据MATLAB中‘findpeak’函数得到局部极大值，然后将数据反转得到局部最小值；然后合并，得到局部极值点；

步骤2：检测局部极值点两侧的曲线幅度，然后进行比较得到最小幅度和最大幅度，如果最小幅度比最大幅度的δ倍还小，那么这个极值点就是变化大的幅度点，也是潜在分割点；

步骤3：对上步求出的潜在分割点，设置循环，检测潜在分割点之间间隔，假如过密，则进行精简操作；如果不过密，则继续检测下一个潜在分割点；如此下去，直到检测到最后的分割点为止。这样就得到了初始分割点集；

对上面得到的初始分割点集，再进行所述最终的分割点集的实现，具体步骤如下：设置循环，从初始分割点集中的第2个初始分割点p₂开始到最后一个潜在分割点，执行如下操作：

步骤1：定义一个围绕着第二个极值点p₂的窗口长度2α+1，也就是[p₂-α,p₂+α]帧，然后计算[p₂-α,p₂+α]中的每帧到前一个聚类[p₁:p₂-α]帧间距离D。目的是找到[p₂-α,p₂+α]的帧到前一个聚类的最不相似帧，作为下一个聚类开始帧，选择欧式距离作为相似帧度量，欧式距离定义如下：

Dsimilar=(Fp,Fq)=(p1-q1)2+(p2-q2)2+...+(pn-qn)2,n=96;]]>

步骤2：进行相似度判断，如果[p₂-α,p₂+α]帧的D_similar(F_p,F_q)小于阈值β，在相应的数组中标记为1，否则标记为0；所述帧标记为1则属于前一个聚类，否则属于后一个聚类；

步骤3：统计数组中标记为1的个数为N，重新计算精确的分割点p-α+N；没有到最后一个潜在分割点就返回步骤1，否则循环结束得到最终分割点集。