[发明专利]一种基于GMM语义特征的运动检索方法

权利要求书

1.一种基于GMM语义特征的运动检索方法，其特征在于包括如下步骤：

1)对任意给定的三维人体运动数据集进行类别标注与训练样本集划分,对数据集中全部运动序列中的每个姿态进行旋转、平移对齐处理，使其中心点固定为坐标原点，身体平面前方朝向统一；

2)对数据集中的运动序列提取关键帧，其方法为：对给定运动序列s＝{f₁，f₂，...，f_n}，其中f_i为运动序列中的某一帧，n为运动序列总帧数，先用k-means聚类算法中全部帧进行聚类，根据类别编号对整段运动序列进行分割，同一连续聚类编号的为一段；然后从分割后的每一个子片段中选取最靠近该片段平均位置的一帧作为关键帧，则运动序列的关键帧集合其中为提取的关键帧，n_s为该序列中提取的关键帧总数；

3)假设每个运动类别C_j，j＝1，2，...，m包含L个“关键姿态”，m为运动类别总数，每个关键姿态可用一个正态分布来描述：q_k＝N(μ_k，σ_k)，k＝1，2，...，L，利用高斯混合模型为类别C_j包含的全部关键帧建模，设Θ为高斯混合模型中的参数集合，初始化每个正态分布的权重p(q_k|Θ)＝1/L，则对每个关键帧其中为C_j包含的关键帧总数，x_i属于q_k的概率为：

每个正态分布参数组可迭代优化更新如下：

迭代重复公式(1)至(5)直到收敛；

4)对给定姿态f，可由步骤3)得到的模型计算出一系列概率值p_jk，j＝1，2，...，m，k＝1，2，...L，表示该姿态属于类别C_j中第k个关键姿态的概率，可由对应的正态分布N(μ_k，σ_k)计算得出，p_jk可拼接为f对应的姿态粒度语义特征：

t＝{p₁₁，...，p_1L，...，p_jk，...，p_mL} (6)

对于一段给定的运动序列s＝{f₁，f₂，...，f_n}，先按公式(6)计算其每一帧f_i的姿态特征t⁽ⁱ⁾，再求平均，得到运动序列特征：

5)利用稀疏编码对给定运动序列特征进行重建，得到选择向量：

其中，λ为正则化参数，D是一个d×N的字典矩阵，包含了数据库中所有运动序列特征；d表示特征的维数，N为数据库中运动序列的个数，公式(8)可用l1-ls算法求解；

6)取选择向量v中最大的K个系数，K为需要返回的相似运动段数，其所对应的运动序列为重建过程中贡献度最大的运动，也即作为最终检索结果。