论文部分内容阅读
在计算机中生成满足人们需要的三维人体运动是一项长期而艰巨的任务.近年来,随着计算机动画、虚拟现实、游戏、影视等产业的不断发展,人们对研究三维空间中的人体运动产生了浓厚的兴趣.但由于描述人体运动的状态空间维数非常高,运动状态空间非常巨大(从优美的舞蹈动作到激烈的体育比赛,无不是人体运动状态空间的子空间),使得三维空间中人体运动的生成变得非常困难.
当前运动捕捉技术已经成为获取真实的人体运动信息的主流技术,运动捕获数据真实地反映了人体的运动过程.由于运动数据中包含了人体关节点的三维运动信息,它具有传统的二维图像运动分析所不具有的真实、准确的优点.经过近十年的发展,人们已经积累了大量的运动捕获数据,从运动数据出发建立人体运动分析模型或者统计模型的研究条件已经具备.
三维空间人体运动的特点是运动是多刚体、多自由度的,对其直接分析具有很大的难度.但同时我们注意到人体运动具有一定的规律性,如在走路过程中,人体上肢与下肢的运动关系遵循一定的运动模式.通过对人体运动的这种规律性知识的学习可以建立人体运动的分析模型或者统计模型.这种运动分析模型或者统计模型对于计算机视觉中的人体运动跟踪、运动识别以及计算机动画制作都是十分重要的.在人体运动跟踪中加入人体运动的先验知识可以极大地提高运动跟踪的效率和准确性.通过对给定的人体运动先验模型的似然观察可以对指定的运动进行分类和识别.另外,在计算机动画中这种模型可以用于减少生成运动的状态空间,提高动画制作的自动化程度.
建立人体运动分析模型或者统计模型过程中一个很重要的方法是对人体运动的状态空间进行降维表示.本文从理论和实际应用的角度,对低维空间中的人体运动分析技术进行了研究.本文研究的目的是通过运动状态空间降维,在低维空间对运动的特征及规律进行描述,为运动跟踪及运动合成等提供先验知识,本文的主要贡献如下:
1.提出了建立包括现象模型和解剖模型的分层结构的三维人体运动模型表示思想.针对当前不同系统中三维人体运动模型表示不统一的问题,定义了两种层次的人体运动表示模型.同时在运动模型中引入特定运动的统计特征,增加了相应运动的动态约束条件.这种分层结构的运动模型可以满足不同应用的需求.
2.提出人体运动虚关节的概念,利用线性方法对人体运动的状态空间进行降维表示,将高维的运动数据映射到低维空间.并在此基础上提出了一种利用运动数据产生不同级别真实感人体运动的方法,提出了低维空间中人体运动周期的获取策略和在低维空间利用运动数据进行身份识别的方法.
3.提出了利用高斯过程动态模型(Gaussian Process Dynamical Model,GPDM)和三维曲线矩不变量(3D Curve Moment Invariant)进行运动的非线性低维描述的方法,高斯过程动态模型可以对运动序列进行非线性学习,获取低维空间的非线性运动特征,三维曲线矩不变量用来对获取的三维空间隐式曲线进行几何描述,从而实现在非线性隐式空间进行运动的特征描述和识别;
4.提出了一种空间投影模型,建立了基于投影图像的人体运动识别方法,将三维空间的人体姿态和运动识别问题转化为二维空间投影图像之间的特征提取和匹配,实现了基于姿态投影的运动识别原型系统.