【技术实现步骤摘要】
【专利摘要】本专利技术提出了一种将改进的局部线性嵌入(Locally Linear Embedding,简称LLE)与主成分分析(Principal Component Analysis,简称PCA)相融合的运动关键帧提取方法。第一步采用改进的LLE对原始运动捕捉数据进行预处理降维得到具有固有维数的数据,第二步采用PCA方法对降维后的数据进一步处理提取一维主成分,采用平滑滤波去除噪声,得到一维特征曲线,第三步通过提取特征曲线上的极值点,获得初始关键帧,第四步在初始关键帧之间,根据其特征曲线幅度差值和设定的阈值插入相应的帧数,在合并过密的关键帧,得到最终的关键帧集合。【专利说明】基于融合改进的LLE和PCA的三维人体运动关键帧提取方 法
本专利技术涉及涉及人体运动的关键帧提取,具体讲是涉及一种基于融合改进的LLE 和PCA的三维人体运动关键帧提取方法。
技术介绍
关键帧提取技术的出现使运动捕捉数据库规模可以变得更小,关键帧提取就是针 对一段运动序列选择运动中最重要最关键的帧作为关键帧,代表整个运动序列,对此段运 动有一个较好的视觉概括性,同时又可以进行运动重建,还原原始运动,保持一个较低的误 差率。 目前从采样方式主要分为两大类:等间隔采样和自适应采样。等间隔采样有可能 出现过采样和欠采样的问题,自适应采样可以在变化小的地方少采样而在变化大的地方多 采样,于是可以解决前者的不足。 影响经典LLE算法鲁棒性的因素主要有三个方面(1)噪声源的分布(2)近邻点个 数K(3)重建权值矩阵W。针对经典LLE算法的问题,如国内的江南大 ...
【技术保护点】
基于融合改进的LLE和PCA的三维人体运动关键帧提取方法,其特征在于,其包括如下步骤:S1、采用改进的LLE算法对运动捕捉数据进行预处理降维;改进的LLE算法在经典LLE算法基础上进行改进,其分为三步:1)、选择K个近邻点;对于高维空间中的每一帧Xi(i=1,2,...,N),N为运动的总帧数,计算它与其它每帧之间的距离dij,距离公式为:dij=||Xi-Xj||/T(i)T(j)]]>其中,||Xi‑Xj||表示Xi和Xj(j=1,2,...,N)之间的欧式距离,Xi和Xj代表运动序列中的两个不同的帧,T(i)和T(j)分别表示Xi到它的K个近邻之间的距离的平均值和Xj到它的K个近邻之间的距离的平均值;2)、由每个样本点的近邻点计算出该样本点的局部重建权值矩阵W,将其初始化为单位矩阵;3)、由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。S2、对于预处理降维的数据采用PCA线性降维方法对数据进行再处理,得到一维特征曲线,并滤去噪声;S3、通过提取特征曲线上的局部极值点获得初始关键帧;S4、在初始关键帧之间,根据其特征曲线幅度差值和设定的阈值插入相应的帧数,合并过密的关 ...
【技术特征摘要】
【专利技术属性】
技术研发人员:张强,周东生,董旭龙,魏小鹏,
申请(专利权)人:大连大学,
类型:发明
国别省市:辽宁;21
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。