论文部分内容阅读
人体运动捕捉（MOCAP）是一项重要的技术,它广泛应用于计算机动画、影视动画、体育训练等领域。实际数据捕捉过程中,即使专业的运动数据捕捉设备,也不能保证采集到的数据无失真。所以失真恢复是MOCAP数据应用之前的重要预处理步骤。而人体运动的复杂性和多样性给失真恢复带来了难度。本文通过分析和利用人体运动的特性和运动捕捉数据的特点,对人体运动捕捉数据失真恢复问题进行了研究。主要研究内容和成果如下:针对含有复杂语义的长运动序列去噪问题,本文首先根据人体运动捕捉数据的高维特性提出利用稀疏子空间聚类对人体运动捕捉数据进行语义分割,使分割后的每段数据更具低秩性。在进行语义分割的过程中,为了使分割结果更加精确,在不同处理阶段通过对MOCAP数据进行坐标系变换来突出语义信息,同时还利用MOCAP数据在时间上的连续特性对表示系数进行平滑约束。由于稀疏子空间聚类算法对噪声具有鲁棒性,所以分割的同时也去除了MOCAP数据的部分噪声,从而使剩下的噪声更具稀疏性。然后利用低秩表示（LRR）来重构每段MOCAP数据,从而去除MOCAP数据中剩余的噪声。与传统的低秩分解理论相比,低秩表示通过使用数据本身来重构数据,不再直接对数据本身进行低秩约束,而是对表示系数进行低秩约束,从而使重构后的数据同时保持时间域和空间域的结构特性。本文还同时对表示系数施加平滑约束和对称约束,使算法对噪声更具鲁棒性。最后从数据库中选取4个含有复杂语义的运动序列进行仿真实验,实验结果表明,与现有算法相比,本文算法更具鲁棒性,恢复效果更好。针对人体运动捕捉数据实际采集过程中,由于光线等因素影响而可能出现的同一帧中相邻标记点在时间域上连续缺失的情形,利用MOCAP数据中存在的潜在相关性和同一运动序列中人体骨骼长度不变特性提出一种新的MOCAP数据失真恢复算法。该算法首先1)对MOCAP数据进行预处理,使变换后的数据表示的是相邻标记点的相对位置的变化,由此得到人体骨骼长度约束项。2)再利用稀疏表示和人体骨骼长度约束项对样本进行训练,得到能够保持人体运动序列结构信息的字典。3)最后利用训练得到的字典对缺失的数据进行恢复。通过实验对比表明该算法在提高缺失点坐标恢复精度的同时,将骨骼长度恢复精度提高到10-4cm,验证了算法的可行性和有效性。