一种运动捕捉数据关键帧提取方法,其步骤为:(1)特征表示;用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征;(2)临界点筛选;提取运动分量曲线的极值点和动静转换点作为临界点,并采用临界点消减算法筛选出关键临界点;(3)关键度曲线构造;根据筛选出来的关键临界点划分运动分量曲线,形成运动分量关键度曲线;(4)权值学;(5)关键帧提取;加权拟合目标运动的运动分量关键度曲线,基于拟合曲线提取关键帧。本发明专利技术无需手工设定难以确定的阈值,能够从样例运动中学习不同的关键帧提取风格,并可根据部分肢体的运动提取关键帧,能够满足运动捕捉数据实时处理的需要。
【技术实现步骤摘要】
【专利摘要】,其步骤为:(1)特征表示;用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征;(2)临界点筛选;提取运动分量曲线的极值点和动静转换点作为临界点,并采用临界点消减算法筛选出关键临界点;(3)关键度曲线构造;根据筛选出来的关键临界点划分运动分量曲线,形成运动分量关键度曲线;(4)权值学;(5)关键帧提取;加权拟合目标运动的运动分量关键度曲线,基于拟合曲线提取关键帧。本专利技术无需手工设定难以确定的阈值,能够从样例运动中学习不同的关键帧提取风格,并可根据部分肢体的运动提取关键帧,能够满足运动捕捉数据实时处理的需要。【专利说明】
本专利技术涉及计算机动画与机器学习的综合领域,尤其涉及一种基于人体运动姿势关键度的运动捕捉数据关键帧提取方法。
技术介绍
运动捕捉数据是采用运动捕捉设备获取的真实人体运动数据,主要用于驱动虚拟角色产生人体动画,在动画制作、视频游戏和影视特效等领域有着广泛应用。关键帧是指运动捕捉数据中能够代表人体运动的三维姿势序列,它为大规模运动捕捉数据的压缩、检索、预览和重用提供了重要基础。因此,如何实现运动捕捉数据关键帧的高效提取,便成了运动捕捉技术的研究热点之一。对运动捕捉数据的均匀采样可看作一种简单的关键帧提取方法,但该方法实际上相当于降低运动捕捉的采样频率,因而难以消除运动缓慢时的数据冗余和运动剧烈时的细节丢失问题。为此,研究人员提出了一些自适应采样关键帧提取方法。例如,Lim等2001年的论文〈〈Key-posture extraction out of humanmotion data by curve simplification))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提取出曲线上的一些凹凸点作为关键帧,该方法的缺点是阈值难以简单确定。沈军行等2004年的论文《从运动捕获数据中提取关键帧》首先指定运动数据的首帧为关键帧,然后依次消减与关键帧的距离小于设定阈值的后续各帧,而将距离大于阈值的帧作为新的关键帧并继续消减,该方法的缺点是未考虑到消减帧与后续关键帧之间的相关性。Assa等2005年的论文《Action synopsis: poseselection and illustration》则利用多维缩放将高维运动数据映射到低维空间,再在低维空间运用曲线简化方法提取关键帧,但该方法需分别计算4个运动分量的相似矩阵并进行数据降维,这一过程非常耗时。Liu等2012年的论文〈〈Optimizationbased key frame extraction for motion capture animation〉〉定义适应度函数度量重建运动与原始运动之间的重建误差,以重建误差最小化和压缩率最优为目标,采用遗传算法进行运动数据的关键帧提取,该法方法的不足是计算时间过长,无法满足运动数据实时处理的需要。现有的自适应运动捕捉数据关键帧提取方法虽然有效地克服了均匀采样中存在的问题,但总体来说还存在以下不足之处:(1)现有方法大多需要用户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。因为有些阈值和关键帧之间的对应关系不但很不直观,而且还会随着运动类型的不同而变化,用户需要经过反复尝试才能得到一个合理的阈值。(2)现有方法大多根据运动数据的压缩率和重建误差等指标来提取关键帧,而无法根据用户提供的关键帧样例来学习不同的关键帧提取风格。(3)当需要根据部分肢体的运动情况来提取关键帧时,现有方法大多难以满足需要。
技术实现思路
本专利技术的目的在于提供,它克服了已有运动捕捉数据关键帧提取方法的局限性,无需用户手工设定难以确定的阈值,能够从样例运动中学习不同的关键帧提取风格,并可根据部分肢体的运动提取关键帧,能够满足运动捕捉数据实时处理的需要。本专利技术是这样实现的,运动捕捉数据关键帧提取方法步骤如下: (1)特征表示;用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征; (2)临界点筛选;提取运动分量曲线的极值点和动静转换点作为临界点,并采用临界点消减算法筛选出关键临界点; (3)关键度曲线构造;根据筛选出来的关键临界点划分运动分量曲线,分段计算曲线上各数据帧的关键度,形成运动分量关键度曲线; (4)权值学习;选取与目标运动同类型的典型运动片段,首先根据运动姿势手工标注片段中每帧数据的关键度,形成运动姿势关键度曲线;然后采用上述步骤构造运动片段的运动分量关键度曲线;最后利用梯度下降算法学习出一组能够将运动分量关键度曲线拟合成运动姿势关键度曲线的最优权值; (5)关键帧提取;利用学习得到的最优权值拟合目标数据的运动分量关键度曲线,形成相应运动的运动姿势关键度曲线,采用临界点筛选算法提取关键度曲线上的极大值点,将这些点对应的帧作为最终关键帧。所述步骤(2)中的动静转换点是指运动分量的取值从逐渐变化到固定不变的转折点,因为这类点代表了相应肢体从运动到静止或者从静止到运动的转换位置。所述临界点筛选步骤如下: Stepl:确定临界点位置;设【权利要求】1.,其特征在于,所述提取方法包括以下步骤: (1)特征表示:选用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征; (2)临界点筛选;提取运动分量曲线的极值点和动静转换点作为临界点,并采用临界点消减算法筛选出关键临界点; (3)关键度曲线构造;根据筛选出来的关键临界点划分运动分量曲线,分段计算曲线上各数据帧的关键度,形成运动分量关键度曲线; (4)权值学习:选取与目标运动同类型的典型运动片段,首先根据运动姿势手工标注片段中每帧数据的关键度,形成运动姿势关键度曲线;然后采用上述步骤构造运动片段的运动分量关键度曲线;最后利用梯度下降算法学习出一组能够将运动分量关键度曲线拟合成运动姿势关键度曲线的最优权值; (5)关键帧提取:利用学习得到的最优权值拟合目标数据的运动分量关键度曲线,形成相应运动的运动姿势关键度曲线,采用临界点筛选算法提取关键度曲线上的极大值点,将这些点对应的帧作为最终关键帧。2.如权利要求1所述的,其特征在于,步骤(2)所述的动静转换点是指运动分量的取值从逐渐变化到固定不变的转折点。3.如权利要求1所述的,其特征在于,步骤(2)所述采用临界点消减算法筛选出关键临界点的步骤为: Stepl:确定临界点位置;设 4.如权利要求1所述的,其特征在于,步骤(3)所述根据筛选出来的关键临界点划分运动分量曲线的方法是:设P为运动曲线的关键临界点,S = (s2,s3,*-%sr_1)为除首尾端点外各关键临界点的显著度;令,则分割点的索引 5.如权利要求1所述的,其特征在于,步骤(3)计算运动分量曲线上各数据帧的关键度的方法是:定义运动序列中各数据帧被选择成为关键帧的概率为该帧的关键度,由于每个片段中只能选取出一帧关键帧,则数据帧/s G [Ι?:^?41)的关键度为 6.如权利要求1所述的,其特征在于,所述步骤(4)中的权值学习方法如下:设选取的运动片段长度η为帧,运动分量为爾个,手工设定的运动姿势关键度序列为:Τ,各运动分量的关键度序列为Jf HJf2,JftJ本文档来自技高网...
【技术保护点】
一种运动捕捉数据关键帧提取方法,其特征在于,所述提取方法包括以下步骤:(1)特征表示:选用人体四肢与躯干的旋转角度以及肢体各关节间的相对距离等运动分量表示人体运动姿势的主要特征;(2)临界点筛选;提取运动分量曲线的极值点和动静转换点作为临界点,并采用临界点消减算法筛选出关键临界点;(3)关键度曲线构造;根据筛选出来的关键临界点划分运动分量曲线,分段计算曲线上各数据帧的关键度,形成运动分量关键度曲线;(4)权值学习:选取与目标运动同类型的典型运动片段,首先根据运动姿势手工标注片段中每帧数据的关键度,形成运动姿势关键度曲线;然后采用上述步骤构造运动片段的运动分量关键度曲线;最后利用梯度下降算法学习出一组能够将运动分量关键度曲线拟合成运动姿势关键度曲线的最优权值;(5)关键帧提取:利用学习得到的最优权值拟合目标数据的运动分量关键度曲线,形成相应运动的运动姿势关键度曲线,采用临界点筛选算法提取关键度曲线上的极大值点,将这些点对应的帧作为最终关键帧。
【技术特征摘要】
【专利技术属性】
技术研发人员:刘云根,
申请(专利权)人:南昌大学,
类型:发明
国别省市:江西;36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。