[发明专利]基于一种新的距离特征的人体运动分割

摘要

本发明基于一种新的距离特征的人体运动分割，第一步选择一组新的关节距离作为距离特征，第二步采用PCA方法将此距离特征进行降维，提取第一维主成分作为其特征曲线，这样可以更好的反应出原始运动的本质特征，第三步采用平滑滤波去除噪声，找到曲线的局部极值点，根据曲线幅度检测算法得到初始的分割点，然后再根据限制相邻分割点之间的帧数去精简初始分割点，最后，根据精确的检测算法获得最终的分割点集。着重解决的问题是将一个具有不同运动类型的长运动序列分割成多段具有独立语义的运动片段。

主权项

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。