基于信息熵特征选择及聚类的人体运动捕捉数据分割方法.docxVIP

基于信息熵特征选择及聚类的人体运动捕捉数据分割方法 摘要:人体运动序列的分割是指将复杂的长运动捕捉数据进行分割，从而得到若干个具有独立语义的片段，分别表示不同的运动类型，以方便对数据进行存储、检索、编辑与合成等工作。为了实现对人体运动数据的分割，本文提出了一种基于信息熵特征选择和k均值聚类的人体运动捕捉数据分割方法，该方法首先通过计算每一维度的信息熵，提取信息量较大的维度，使用度量MDS将提取出来的数据映射到低维空间，然后通过k均值聚类算法对低维数据进行分类得到初始分割点集，最后进行相似性检测确定最终精确分割点，从而得到了若干不同类型的运动片段。实验表明该方法可以实现对运动捕捉序列的分割，且与其它算法相比，准确率有一定的改进。 关键词：信息熵，运动捕捉数据分割，k均值聚类，欧式距离 1 引言 人体运动分割是指在运动捕捉数据中找出相应的时间帧，将其两侧所属不同运动类型的数据分割开来，便于数据的存储以及在动画制作过程中对其进行重用。近年来，国内外很多科研人员对人体运动数据的分割方法进行了深入地探索和研究，取得了丰硕的成果，主要集中于以下几个方面： (1)基于特征的人体运动捕捉数据分割方法 肖俊等人[9，10]提取肢体骨骼与中心骨骼之间的夹角作为运动捕捉数据的几何特征，以启发式的方式来检测运动的分割点，然后通过人工交互实现对运动数据的精确分割，然而这种方法相对耗时，涉及过多的人工干预，而且由于特征是多维的，降低了分割的精度。Peng[3]提出了将人体的根关节与肢体其他关节的距离作为中心距离特征，使用PCA方法对中心距离特征进行降维，从而得到一条特征曲线，然后通过低通滤波查找局部极值点，最终实现对运动数据的分割。石祥滨等人[2]针对关节角度或关节点中心距离作为人体描述姿态的特征所存在的局限性，提出了一种基于关节联动特征的运动捕捉数据分割方法。 （2）基于聚类的人体运动捕捉数据分割方法 很多学者将聚类方法成功地应用到了对运动捕捉数据的处理上，郝高峰等人[1]针对人体运动捕捉数据的缺失问题，提出了一种结合模糊聚类和投影近似点算法的缺失数据数据重构恢复方法。刘晓平等人[3]针对现有方法不能在人工交互条件下实现对任意平地运动数据的足迹自动检测，提出了一种基于谱聚类的足迹自动检测方法。 （3）其他人体运动捕捉数据分割方法 Lv N等人[11] 提出了一个通用的遗传算法框架用于人体运动捕获数据分割。Schulz等人[4]提出了一种自动分割算法，该算法使用过零分割技术，利用不同的动作其过零率也不同，定义了过零率阈值，进一步完成提取不同运动。Takashi AOKI等人[5]使用惯性传感器来对人体运动进行时序分割。Samer Salamah等人[6]以分类树的形式，其中，最高级别的动作捕捉数据分为动态和静态片段，而最低级别的运动捕捉数据使用功能单一的身体部位来识别广泛的人类动作。Lin J.F.S 等人[7] 在速度峰值和零速度交叉点分割运动流，然后使用HMM对获得的片段进行提炼和分类。Carlos Orrite, Mario Rodriguez等人[8]提出了一种基于可观测的马尔科夫（OMMS）的方法来构造动作状态和中间状态的网络模型，在此模型中，通过在每一特定时间的状态进行解码来识别一个复杂的未知序列，在此基础上列入新的中间状态来模拟连续动作之间的转换，以此展开对长而复杂的运动序列的自动分割。Yan Wang等人[13]提出一种基于PCA的GMM方法能够有效探索去除每一个运动片段的运动过渡部分，从而产生干净的运动分割片段，有利于自然动作的生成。 综上所述，寻找不同动作之间的分割特征是对人体运动序列分割的关键。从以上分析中不难看出在分割算法中广泛应用到了降维技术。人体运动捕捉数据是一种多维度的数据，复杂度高，而且运动捕捉数据绝大部分都是非线性的，直接对高维数据进行处理分析费时费力，为了降低分割难度，并在保持原始数据原有拓扑结构及相关性的前提下，本文通过信息熵特征选择和度量MDS完成了对数据的降维，然后通过聚类及相似性检测得到最终的分割点，从而获得若干不同类型的运动片段。本文算法流程图如图1所示。 图1 运动序列分割流程图 2 本文分割算法介绍 本文提出了一种基于特征选择和k均值聚类的人体运动捕捉数据分割方法，该方法首先通过计算每一维度的信息熵，提取信息量较大的维度，使用度量MDS将提取出来的数据映射到低维空间，然后通过k均值聚类算法对低维数据进行分类得到初始分割点集，最后通过计算指定窗口到前一个片段的帧间欧式距离来对初始分割点进行相似性检测，提取出该窗口中与前一片段的帧间距离方差最小的一帧作为最终精确分割点，从而得到了若干不同类型的运动片段。接下来分别对本文算法中所用到的特征选择和降维、聚类及分割两个方面来进行介绍。 2.1 特征