[发明专利]基于姿势显著性的人体动画关键帧提取方法

说明书

本发明公开了一种基于姿势显著性的人体动画关键帧提取方法，其步骤为：根据方差筛选部分运动分量作为人体运动的特征分量；计算特征分量的多尺度显著性，加权拟合成人体动画的姿势显著性；提取姿势显著性曲线的局部极大值点为初始关键帧，根据最优化的重建误差与关键帧数量之比确定关键帧数量；根据关键帧数量选取重建误差较大的初始关键帧为候选关键帧，利用重建误差最优化算法从候选关键帧邻域内提取具有最小重建误差的帧为最终关键帧。本发明能自适应确定最优关键帧数量，提取具有最小重建误差的关键帧，满足运动捕捉数据实时压缩的需要。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于姿势显著性的人体动画关键帧提取方法。

背景技术

关键帧是指人体动画序列中最能表示动画内容的部分姿势序列，它为运动捕获数据的压缩、检索、预览和重用提供了重要基础。等间隔采样可看作一种简单的关键帧提取方法，但其实质相当于降低了运动捕捉的采样频率，存在运动缓慢时的数据冗余和运动剧烈时的细节丢失问题。为克服该问题，研究人员提出了许多自适应关键帧提取方法，这些方法大致可以分为基于曲线简化的方法、基于聚类的方法和基于最优化的方法。

基于曲线简化的方法将每帧运动数据看作是高维空间曲线上的一个点，然后根据设定的阈值采用曲线简化方法生成一条逼近曲线的折线，提取出折线上各顶点的对应帧作为关键帧，这类方法的不足是阈值难以确定。基于聚类的方法根据运动数据的特征表示对相似帧进行聚类，选择每个类中的典型帧作为关键帧，这类方法的不足是忽略了运动数据之间的时序相关性。基于最优化的方法则将关键帧提取问题转换成一个目标函数的最优化问题，然后采用最优化方法来求解目标函数来提取关键帧，这类方法不足是最优化算法比较耗时，难以满足运动捕捉数据实时处理的需要。

由此可见，已有的自适应关键帧提取方法虽然有效地克服了等间隔采样中存在的问题，但总体来说还存在着各种不足之处。此外，已有的关键帧提取方法大多无法自适应给出需要提取的关键帧数量，需要手工设置各种难以确定的阈值，这给用户的使用造成了不便。

发明内容

为了克服现有方法的不足，本发明提出了一种基于姿势显著性的人体动画关键帧提取方法，所采用的技术方案包含以下步骤：

S1：筛选特征分量；根据方差筛选出部分运动分量作为人体运动的特征分量，并计算特征分量的权值；

S2：计算姿势显著性；计算特征分量的多尺度显著性，加权拟合成人体动画的姿势显著性；

S3：确定关键帧数量；提取姿势显著性曲线的局部极大值点为初始关键帧，根据最优化的重建误差与关键帧数量之比确定最优关键帧数量；

S4：提取关键帧；根据关键帧数量，选取重建误差最大的初始关键帧为候选关键帧，利用重建误差最优化算法从候选关键帧邻域内提取出具有最小重建误差的帧为最终关键帧。

所述步骤S1中筛选特征分量的方法是：计算特征分量方差var(c_i)，i＝1…n，选取的运动分量为特征分量，计算特征分量的权值

所述步骤S2中计算姿势显著性的步骤为：

S21：计算动画帧不同特征分量的高斯加权平均；设C(f)为帧f在特征分量曲线上的取值，I(f，σ)表示帧f的σ邻域区间的动画帧，σ为高斯分布的标准差，则帧f的高斯加权平均为

S22：计算动画帧的特征显著性；定义动画帧f在尺度s下的显著性为C(f)与G(f，σ_s)之差的绝对值，σ_s为高斯分布在尺度s时的标准差，w_s为不同尺度的权值，则f第i个特征分量的特征显著性为S_i(f)为