随着计算机技术的快速发展三维人体动画技术在关键帧技术运动学.DOCVIP

随着计算机技术的快速发展，三维人体动画技术在关键帧技术、运动学、动力学等传统方法的基础上，演进产生了效果更加逼真的运动捕获技术。其中，对于单目视频中人体运动的姿态估计和姿态跟踪一直是运动捕获技术的热点问题。 1.基于混合高斯模型的运动物体提取 1.1理论：略?????? 1.2基于混合高斯模型的仿真测试 ????????图1的仿真结果就是使用混合高斯模型对一组视频序列的运动物体的捕获结果，三组序列自左向右依次为视频序列的第10帧，第40帧，第70帧，其中第一组为原始的视频序列，第二组为背景更新序列，第三组为提取的运动目标的灰度图。 ????????本文的前面两个小节，我们已经研究了传统的混合高斯模型和基于帧差法的高斯混合模型。通过对比基于帧差法的高斯混合模型性能优于传统的混合高斯模型。下面对这两种模型进行对比分析。 图1基于帧差法的高斯混合模型背景更新效果 ????????下面，在对另外一组运动较为复杂的测试序列进行测试，这组测试视频，是里面的运动目标在行走过程中，还发生了转外的动作。 图2基于帧差法的高斯混合模型背景更新效果 ????????从图1和图2的仿真结果可知，传统的高斯混合模型，其背景更新非常缓慢，当视频在第70帧的时候，人物干扰才逐渐更新掉，而改进后的基于帧差法的高斯混合模型，其背景更新速度较快，在第10帧，即基本完成了背景的更新。 2.基于PCA算法的低纬紧致姿态空间学习 2.1理论 人体骨骼数据如下所示： ASF骨架数据，其基本结构如下图所示： 图3?人体骨架结构数据 其中，骨架数据主要内容如下： # AST/ASF file generated using VICON BodyLanguage # ----------------------------------------------- :version 1.10 :name VICON :units ??mass 1.0 ??length 0.45 ??angle deg :documentation ???.ast/.asf automatically generated from VICON data using ???VICON BodyBuilder and BodyLanguage model FoxedUp or BRILLIANT.MOD :root ???order TX TY TZ RX RY RZ ???axis XYZ ???position 0 0 0? ???orientation 0 0 0 :bonedata ??begin ?????id 1 ?????name lhipjoint ?????direction 0.655637 -0.713449 0.247245 ?????length 2.52691 ?????axis 0 0 0??XYZ ??end ?…………………………………………… :hierarchy ??begin ????root lhipjoint rhipjoint lowerback ????lhipjoint lfemur ????lfemur ltibia ????ltibia lfoot ????lfoot ltoes ????rhipjoint rfemur ????rfemur rtibia ????rtibia rfoot ????rfoot rtoes ????lowerback upperback ????upperback thorax ????thorax lowerneck lclavicle rclavicle ????lowerneck upperneck ????upperneck head ????lclavicle lhumerus ????lhumerus lradius ????lradius lwrist ????lwrist lhand lthumb ????lhand lfingers ????rclavicle rhumerus ????rhumerus rradius ????rradius rwrist ????rwrist rhand rthumb ????rhand rfingers ??end ????????其中，bonedata是人体的骨架数据的基本参数，对于层次结构中的其他骨骼信息分别进行了描述，对每个骨骼的定义都是以“begin’，开始，以“end’’结束的。hierarchy部分描述了各段骨骼之间的层次关系。 ? 2.2?基于PCA算法的低维度紧致空间学习 ????????人体运动捕获数据数据量大、指标多，而且原始数据之间是高度相关的。举个简单的例子，在向前伸手的过程中，小臂驱动手向前运动，此时，大臂一般情况下也是向前运动的。对