[发明专利]一种基于反馈学习的运动捕获数据检索方法

说明书

技术领域

本发明属于多媒体信息检索技术领域，涉及一种数据检索方法，具体涉及一种基于反馈学习的运动捕获数据检索方法。

背景技术

运动捕获数据检索是基于内容的多媒体信息检索领域的热点，特别是计算机动画和三维动画影视的发展，具有广泛的应用前景，国内外许多研究机构正致力于这一方向的研究。近几年来，在运动捕获技术的快速发展下及电影特技动画的兴起，复杂和逼真的人体动画出现在互联网上，人们需要一种快速高效的运动检索方法。目前在国外公开的文献中，Meinard Muller，Tido Roder，Michael Clausen.Efficient Content-Based Retrieval of Motion Capture Data.ACM Transactions on Graphics，Vol.24（3），677-685，（SIGGRAPH2005），提出了基于几何特征的运动捕获数据检索方法，关于现行的运动捕获检索技术机制，总体来说分为两大类：定性的检索方法和定量的检索方法。

但上述检索方法有几点不足：

1、虽然引入不同的定性几何特征描述动作，但在复杂难度高的应用中，用户必须选择合适的几何特征来获得高质量的检索，不能批处理大量的运动片段；

2、是基于动态时间规整法，该方法可以计算最优路径，但是不能准确检索速度不同的动作，是基于局部特征的动作比对，缺少整体特征的描述，同时数据处理需要大量的存储空间，进而影响检索结果；

3、再者，这种方法检索的结果没有进行反馈学习，对于复杂的动作而言，要考虑特征融合的方法进一步提高检索精度，这对三维动作检索来说是十分必要的。

发明内容

本发明的目的是提供一种基于反馈学习的运动捕获数据检索方法，解决了现有一次检索结果不能满足用户要求，耗费时间多和适用范围窄的问题。

本发明所采用的技术方案是，一种基于反馈学习的运动捕获数据检索方法，具体按照以下步骤实施：

步骤1：摄像头捕获运动信息并生成运动数据库，服务器端对运动数据库中的每个动作进行图像处理获得所有动作的数据特征，生成动作特征数据库，并建立索引；

步骤2：服务器端处理客户端提供的待检索动作，得到待检索动作特征；

步骤3：服务器端将待检索动作特征和动作特征数据库中的特征进行匹配，计算待检索动作和特征数据库中每个动作的距离值，将数据库中所有动作按照距离值从小到大排序输出，得到第一轮检索结果；

步骤4：客户端将第一轮的检索结果进行“正例”和“反例”的人工标注学习，将标注后的第一轮检索结果信息返回服务器端，得到样本训练1和标签1，服务器端对样本训练1和标签1进行反馈学习，采用KNN-Classify方法对运动数据特征库进行第二轮检索；

步骤5：用户满意第二轮检索结果则结束，不满意，客户端接着将第二轮的检索结果进行“正例”和“反例”的人工标注学习，将标注后的第二轮检索结果信息返回服务器端，得到样本训练2和标签2，服务器端对样本训练2和标签2进行反馈学习，采用KNN-Classify方法对运动数据特征库进行第三轮检索；

步骤6：用户满意第三轮检索结果，则结束，用户不满意则将训练样本1和训练样本2融合扩大训练样本，标签1和标签2融合，继续进行下一轮检索，依次类推，直到待检索运动与数据库里每个运动的距离值趋于稳定，停止迭代，输出检索结果。

本发明的有益效果是，本发明通过两个关键技术提高复杂运动捕获数据检索精度，一是通过引入四元数描述动作数据的旋转信息，保证了数据信息获取的完整性及可靠性；二是进行人工标签得到样本训练并引入KNN反馈学习来不断输出用户满意的结果，实现人机互动，可以进行特定动作的检索，提高实时检索的精度。

附图说明

图1是本发明基于反馈学习的运动捕获数据检索方法的流程图；

图2为本发明实施例的待检索动作；

图3为本发明实施例的第一轮检索结果；

图4为本发明实施例的第二轮检索结果；

图5为本发明实施例的第三轮检索结果。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于反馈学习的运动捕获数据检索方法，如图1所示，具体按照以下步骤实施：

步骤1：摄像头捕获运动信息并生成运动数据库，服务器端对运动数据库中的每个动作进行图像处理获得所有动作的数据特征，生成动作特征数据库，并建立索引。具体按照以下步骤实施：