基于MVU降维捕捉数据自动分割.docVIP

基于MVU降维捕捉数据自动分割 　　摘 要随着人体运动捕捉技术的不断发展，其在辅助训练，医疗康复等领域有着越来越广阔的前景。针对人工分割运动序列错误率高，效率底下等缺点，提出了一种基于最大方差展开的非线性降维的运动分割新方法。该方法包括以下几个步骤：首先选定检测窗口，对窗口内的片段采用最大方差展开方法对进行非线性降维，得到降维后的运动序列以及残差；然后在维度参数不变的情况下增大窗口区间，对其进行降维，同时通过迭代特征值估计降低计算复杂度；最后根据残差值的幅度跳变点衡量人体运动序列的分割点。通过实验，证明了该运动分割方法在准确率和召回率上均有良好的表现。 　　【关键词】人体运动分割 最大方差展开 残差 迭代特征值 　　随着运动捕捉的不断发展，其在电影电视，游戏动画，虚拟现实等产业的发展日新月异。在对运动捕捉数据的处理中，运动分割是尤为重要的一个环节。当采集的人体运动数据很多时，这些运动都保存在人体运动数据库中，这时自动地对人体运动捕获数据进行运动类型分割，将显得极为重要。分割后的数据应包含特有的行为语义，也就是说只具有一个行为类型。分割后的数据应包含特有的行为语义，也就是说只具有一个行为类型。将运动的捕获数据C分割为C1、C2、……、Cm，每个分割点需要精确求解，同时可以得到分割段数m。 　　目前对运动序列的分割方法主要可以分为两种：人工参与操作的人工分割，无人工参与的自动分割。人工手动分割又分为纯手动分割和含有预处理分割的半自动分割。总体而言，人工参与的分割速度慢效率低下，错误率高。自动分割是通过无监督学习将运动序列自动的分成不同行为的片段，可以实现全自动化。由于人工参与的分割方法有着速度慢，准确度低，且需要耗费大量的人力资源等缺点，所以自动分割运动序列的重要性显而见之。 　　对于自动分割算法的研究，国内外已有一些学者作出了较大的贡献。Barbic等人[2]提出了3种分割方法。首先，他们根据对不同阶段动作的本征值进行比对，发现相似的运动序列拥有平缓而且较低的本征值，而引入不同的运动序列会导致本征值的激增。根据观测本征值的突变点，从而提出了PCA 方法；他们还提出了概率主成分分析（PPCA）方法。 基于PCA方法，引入概率模型，假设不同的动作具有不同的高斯分布。最后，他们假设不同的运动数据围绕各个运动中心聚集以形成一个簇，并且每个簇可以由高斯分布模型表示，从而提出了GMM方法。Chang等[3]提议在贝叶斯框架的同时进行线运动估计和运动分割。 它将该字段表示为参数字段在MAP形式中，通过光流和分割的相互依赖吉布斯分布代表。 使用最高的信心优先和迭代条件模式算法对不同的运动行为进行分割。Zhou等[4]采用对齐聚类分析对运动序列进行谱分解，对相似的动作进行聚类后通过计算最小误差能量进行分割。在国内领域，冯林等[5]提出了人体运动分割的时间流形学习方法。该方法使用动作序列的局部关节弯曲指数来分析不同阶段各运动的相干性，并观察模糊过度段数据，通过测量关节弯曲斜率过零点，发现动作序列的轨迹。杜战战等[6]通过主测地线分析，结合姿势分布的马氏距离曲线对序列进行分割。肖俊等[7]提出了一种半自动分割方法。根据生理学模型，提取肢体中心骨架的关节角度作为人的描述特征。将高维运动序列降维成一维时序信号。胡晓雁等[8]通过线性聚类分析解决了运动序列分割点。该方法通过规划运动序列的距离，衡量出不同序列的合适距离指标，从而通过各种不同聚类分析方法完成分割。 　　人体运动序列数据是一个高维数据集。直接对高维数据集进行计算，计算成本高，耗时长，对噪声敏感。这就需要对高维的人体运动做适当的降维处理，使得维度简化，剔除维度间相关性，同时保存原始数据的大部分信息量。?亩?提高运算效率和精确度。 　　在上述分割方法中，普遍利用了线性降维方法作为对运动序列做处理。然而人体时序运动序列往往并不具有线性特征。由于其复杂性和多样性，使用线性降维的过程中往往会导致不可忽视的误差，一般情况下传统线性降维难以提取出其中的线性规律。由于本方法引入了非线性降维，能够更好的概括人体运动的细节特征，从而实现准确率的提升。本文提出一种基于非线性降维的运动分割方法，采用了非线性降维算法MVU对运动序列进行降维，该方法计算效率高，收敛性强，鲁棒性高，并对各种不同的非线性序列都能取得良好的降维效果。 　　1 MVU降维 　　1.1 原始降维算法 　　最大方差扩展（ maximum variance unfolding，MVU ）是基于局部等距概念提出的非线性降维学习算法，可以被认为是可以自动学习训练数据核矩阵K的KPCA特例[10]，MVU是一个高维数据流保持映射之前和之后相邻点之间的欧氏距离的条件，具有以下两个优点：一方面不仅可以学习高维数据集中隐含的低维信息，而且可以