基于运动序列分割的运动捕获数据关键帧提取

第２０卷第６期

计算机辅助设计与图形学学报

ｖｏＩ．２０，Ｎｏ．６

２００８年６月

ＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲ—ＡＩＤＥＤＤＥＳＩＧＮ＆ＣＯＭＰＵＴＥＲＧＲＡＰＨＩＣＳ

Ｊｕｎｅ，２００８

基于运动序列分割的运动捕获数据关键帧提取

朱登明１’２’３’

王兆其”

１１（中国科学院计算技术研究所虚拟现实技术实验室北京

１００１９０）

２１（中国科学院计算技术研究所智能信息处理重点实验室北京１００１９０）３’（中国科学院研究生院北京１０００４９）

（ｍｄｚｈｕ＠ｉｃｔ．ａｅ．ｃｎ）

摘要采用线性时不变系统把高维运动数据映射到低维状态空问；在低维状态空间中，定义了姿态之间的相似性度量；并采用误差平方和准则对时序的低维数据点集进行运动分割，分割点上的运动姿态被定义为关键帧．实验结果表明：该算法能够较好地提取出运动序列中的关键帧，并且这些关键帧能够很好地概括原始运动序列的内容．

关键词运动捕获数据；关键帧；线性时不变系统；运动分割中图法分类号ＴＰ３９１．４１

ＥｘｔｒａｃｔｉｏｎｏｆＫｅｙｆｒａｍｅｆｒｏｍＭｏｔｉｏｎ

ＣａｐｔｕｒｅＤａｔａＢａｓｅｄ

ｏｎ

ＭｏｔｉｏｎＳｅｑｕｅｎｃｅ

Ｓｅｇｍｅｎｔａｔｉｏｎ

ＺｈｕＤｅｎｇｍｉｎ９１ ２ ３’

Ｗａｎｇ

Ｚｈａｏｑｉｌ’

”（ＶｉｒｔｕａｌＲｅａｌｉｔｙＬａｂｏｒａｔｏｒｙ，Ｉｎｓｔｉｔｕｔｅ

ｏｆＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，Ｃｈｉｒ＂ｓｅＡｃａｄｅｍｙ

ｏｆＳｃｉｅｎｃｅｓ，ＢｅＯｉｎｇ

１００１９０）

２’（ＫｅｙＬａｂｏｒａｔｏｒｙ

ｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎ，ｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，Ｉｎｓｔｉｔｕｔｅ

ｏｆＣｏｍｐｕｔｉｎｇＴｅｃｈｎｏｌｏｇｙ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ

１００１９０）

Ｕｎｉｖｅｒｓｉｔｙ

ｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ－Ｂｅｉｊｉｎｇ

１０００４９）

Ａｂｓｔｒａｃｔ

Ｌｉｎｅａｒｔｉｍｅ－ｉｎｖａｒｉａｎｔｓｙｓｔｅｍｉｓ

ｕｓｅｄｔｏｄｅｒｉｖｅ

ａｎ

ｅｘｐｌｉｃｉｔ

ｍａｐｐｉｎｇｂｅｔｗｅｅｎｔｈｅ

ｈｉｇｈ—

ｄｉｍｅｎｓｉｏｎａｌｍｏｔｉｏｎｃａｐｔｕｒｅｄａｔａａｎｄｔｈｅｌＯＷ—ｄｉｍｅｎｓｉｏｎａｌ

ｓｔａｔｅ

ｖａｒｉａｂｌｅｓ．ＡｓｉｍｉｌａｒｉｔｙｍｅｔｒｉｃｉＳｄｅｆｉｎｅｄ

ｔｏ

ｍｅａｓｕｒｅｔｈｅ

ｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｄｉｆｆｅｒｅｎｔｐｏｓｅｓｉｎｔｈｅｌｏｗ－ｄｉｍｅｎｓｉｏｎａｌｓｔａｔｅｓｐａｃｅ．ａｎｄｔｈｅｎ

ｔｈｅｍｅｔｈｏｄｏｆｍｅａｎｓｑｕａｒｅｄ

ｅｒｒｏｒ

ｉｓ

ｅｍｐｌｏｙｅｄ

ｔｏ

ｄｉｖｉｄｅ

ｔｈｅ

ｍｏｔｉｏｎ

ｓｅｑｕｅｎｃｅ

ｉｎｔｏ

ａｓｅｑｕｅｎｃｅ

ｏｆ

ｃｏｎｃａｔｅｎａｔｅｄｓｅｇｍｅｎｔｓ．Ｔｈｅｐｏｓｅｓ

ａｔ

ｔｈｅｓｅ

ｓｅｇｍｅｎｔａｔｉｏｎｐｏｉｎｔｓａｒｅ

ｔｈｅｎｄｅｆｉｎｅｄ

ａｓ

ｋｅｙｆｒａｍｅｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ

ｒｅｓｕｌｔｓ

ｓｈｏｗ

ｔｈａｔｔｈｅｅｘｔｒａｃｔｅｄｋｅｙｆｒａｍｅｓ

ｂｙ

ｏｕｒ

ｍｅｔｈｏｄ

ｃａｎ

ｇｉｖｅ

ａ

ｇｏｏｄｖｉｓｕａｌ

ｓｕｍｍａｒｉｚａｔｉｏｎｏｆｔｈｅｏｒｉｇｉｎａｌｍｏｔｉｏｎｓｅｑｕｅｎｃｅ．

Ｋｅｙｗｏｒｄｓｍｏｔｉｏｎｃａｐｔｕｒｅｄａｔａ；ｋｅｙｆｒａｍｅ；ｌｉｎｅａｒｔｉｍｅ－ｉｎｖａｒｉａｎｔｓｙｓｔｅｍ；ｍｏｔｉｏｎｓｅｇｍｅｎｔａｔｉｏｎ

运动捕获技术是一种新的动画生成技术‘卜２１，它角色动画研究的热点问题，被广泛地应用于电影广实时地检测、记录表演者的肢体在三维空间中的运告、数字娱乐、体育仿真等领域．在运动捕获技术的动轨迹，捕捉表演者的动作，并将其转化为数字化的广泛使用过程中，越来越多的三维运动数据库可供动画师选择．但在基于高频采集到的运动数据里存为直观，效果更加生动逼真．运动捕获技术是近年来

在大量的冗余信息，为了更加有效地把运动捕获

收稿日期：２００７—１０—２３；修回日期：２００８—０３—０５．基金项目：国家自然科学基金（６０５７３１６２，６０５３３０７０，６０６０３０８２）＃国家。八六三”高技术研究向为虚拟现实，多模式人机接口、人工智能等．

钉（Ｇｒａｄｕａｔｅ“抽象运动”，以驱动虚拟人模型，使动画制作过程更发展计划（２００６ＡＡ０１２３３６，２００７ＡＡ０１２３２０）；中国科学院“科技助残行动计划”项目（ＫＧＣＸ２一Ｙｗ一６１０）．朱登明，男，１９７３年生。博士研究生，副研究员，ＣＣＦ会员，主要研究方向为虚拟现实、人体动画合成等．王兆其，男，１９６６年生，博士，研究员，博士生导师，ＣＣＦ高级会员，主要研究方

７８８计算机辅助设计与图形学学报２００８焦

数据用于人体运动合成，以及更加方便地存储、传输或浏览运动数据库的内容，需要提取出表示运动数据内容的关键帧．运动数据有其内在的特征，首先，运动数据是高维向量，和视频、图像文件一样，它们对存储空间要求很大．利用提取的关键帧，可以有效地节省存储空间．其次，采用人工的方法对运动数据库进行标注，容易造成主观理解不统一的问题．而较好的关键帧提取方法可以有效地提取出表示运动序列内容的关键帧，通过浏览运动序列的关键帧，用户可以快速地了解运动数据库的内容．

由于人体运动数据是一种特殊的时序运动信号，并且表示人体运动的数据都是高维向量，不同关节之间运动的耦合性很强，如人在正常行走时，人的手臂摆动和腿部运动就存在关联．因此怎样分析蕴含在原始运动数据内的运动特征，并自动提取出表示运动序列内容的关键帧，已成为一个研究的难点．已有的运动数据的关键帧提取方法主要分为两大类：一类是等间隔采样的关键帧提取方法．对原始运动序列进行等间隔重采样，但在原始运动过程中，由于动作节奏或频率并不一样，均匀采样的方法会导致在动作缓慢部分过采样、在动作变化剧烈的地方欠采样，从而丢失了原始运动的细节信息；另一类方法就是自适应关键帧提取方法．根据运动数据的内容特征，自动提取能表示运动序列的关键帧．自适应关键帧提取方法主要分为基于聚类和曲线简化的关键帧提取方法．

Ｚｈｕａｎｇ等［３１采用无监督聚类的方法提取视频关键帧，用于视频内容分析．Ｌｉｕ等［４１采用聚类方法提取运动数据的关键帧，将每类的首帧作为关键帧，并在此基础之上构建运动索引树．Ｌｏｙ等［５］同样采用聚类的方法提取图像序列的关键帧，但其是以每类的中心作为关键帧．由于聚类方法能够很好地把相似的样本归为一类，因此利用这类方法提取的关键帧可以较好地表示原始样本的内容；但聚类方法很少考虑样本之间的时序相关性，容易导致对运动序列的分析失真．

Ｌｉｍ等［６］首先提出了一种基于曲线简化‘７１的运动数据的关键帧提取方法，将每帧运动数据作为高维空间中的一个数据点，这条曲线的凹、凸点就相当于运动序列中的关键帧；该方法的缺点是忽略了运动序列的时序相关性和不同关节运动之间的耦合性，采用简单的欧氏距离度量不同数据帧之间的相

似性，结果不能反映真实的差异．沈军行等嘲也采用类似的方法提取运动数据的关键帧，但他们采用基于四元数距离的方法度量数据帧之间的相关性．杨涛等［９］提出了一种基于分层曲线简化的方法提取运动数据的关键帧，引入骨骼夹角作为运动特征，并以此确定候选关键帧，最后采用分层曲线简化算法精选候选关键帧，以获得最终关键帧集合．Ａｓｓａ等［１０］采用多维尺度分析的方法，把高维运动数据映射到低维欧氏空间，再采用曲线简化技术提取运动数据的关键帧．同样的曲线简化技术也被用于视频序列的关键帧提取［－１１－１２］．

本文采用的关键帧提取方法类似于聚类方法，但与之又有不同：首先，本文采用线性时不变系统，把原始高维运动数据映射到低维状态空间，该方法的优点是在降维时充分地考虑了运动序列之间的时序性，同时抑制了原始高维数据中的噪声；其次，在低维状态空间中，定义姿态之间的相似性度量；最后，采用误差平方和准则对时序的低维数据点集进行运动分割，段与段之间的分割点反映了原始运动序列中姿态变化最为剧烈的关键点，也就是能表示运动序列内容的关键帧．实验结果表明，采用本文方法提取的关键帧，可以很好地概括运动序列的内容．

１运动数据分析

１．１运动数据表示

在表示复杂的人体运动时，通常都把人体模型简化为具有１６个关节、５１个自由度的骨架模型．简化的骨架模型可以看成是由关节连接的骨骼段的层次结构组成，每一个骨骼都有一个局部坐标系与之相连．其中，根关节有６个自由度，３个表示根关节在世界坐标系中的位置，３个表示根关节在世界坐的３个自由度．在该简化的骨架模型中，子关节的运动受父关节的影响进行相应的运动，而子关节又可以根据自已的特征进行运动，其父关节的运动不受帧运动数据ｍ（￡）可以表示为ｍ（￡）＝（ｐ。（￡），ｑ，（￡），标系中的朝向，而其他关节只有相对于父关节旋转影响．本文采用单位四元数来表示关节的旋转，其优点是可以避免欧拉角表示带来的奇异点．因此，每一ｑ２（￡），…，ｑＭ（￡））；其中，Ｍ表示关节数目，ｐ１（￡）表示根关节在世界坐标系中的位置，ｑ。（ｆ）∈Ｓ３表示根关节在世界坐标中的朝向，ｑ。（￡）表示第７／个关节相

６期朱登明等：基于运动序列分割的运动捕获数据关键帧提取

７８９

对于父关节的旋转．在实际应用中，通常采用对数映射把四元数从Ｓ３空间映射到Ｒ３空间［１３。４。，因此，定

义向量

只一（ｐｌ（￡），ｌｏｇ（ｑｌ（ｆ）），ｌｏｇ（ｑｚ（￡）），… ｌｏｇ（ｑＭ（ｆ）））

（１）

１．２运动数据降维

线性时不变系统［１５］是实际系统的一种理想化模型，是对实际系统经过近似化和工程化处理后所导出的一类理想化系统．很多研究者采用线性时不变系统对采集到的人体运动数据进行建模分析，用于动画的生成与合成［１６－ｔ７］．由于线性时不变系统能够有效地提取出高维运动数据里面蕴含的低维结构，因此本文采用该系统对运动数据进行降维分析．线性系统模型能被状态空间方程描述为［１刀

ｊ“２触ｔ＋帆

（２）

【Ｙ。一Ｃｒ；＋Ｈ

其中，毗和＇，。是高斯白噪声，服从高斯分布：职～Ｎ（０，Ｑ），ｎ～Ｎ（Ｏ，Ｒ），Ｑ和Ｒ是协方差矩阵；Ｙ。是捕获得到的运动数据集，维度为Ｐ，其表示见式（１），为已知参数；毛是低维的隐含状态变量，维度为ｋ，且忌《户；Ａ为状态转移矩阵，ｄｉｍ［Ａ］＝ｋ×ｋ；ｃ是输出矩阵，ｄｉｍＥＣ］－－－－ｐ×ｋ．式（２）中的未知参数｛Ａ，Ｃ，Ｒ，Ｑ，而｝可以通过ＥＭ算法求得［１引．通过式（２），可以把高维的运动数据集｛ｙ，，ｙ：，…，弘｝映射到低维

状态空间中的数据点集｛工，，勋，…，款）．这些低维的

数据点集保持了原始运动数据之间的时序相关性，反映了蕴涵在原始高维数据集里面的低维结构，揭示了原始运动数据的内在结构属性．

２关键帧提取

２．１运动姿态的相似性度■

本文将在低维隐含状态空间中度量人体姿态的相似性．考虑到运动数据是时序的运动序列，在度量姿态的相似性时，还需考虑它的运动学特征．定义姿态Ｙ；与ｙ』之间的距离为

ｄ（ｙｆ，Ｙｊ）一ｄ（ｘｉ，而）一ｄ，（置，毛）＋弘 ｄ，（ｘｉ，Ｘｊ）

（３）

其中，肛是权重参数；

ｋ

ｄｐ（毛，而）＝

∑

（工ｇ一却）２，

ｆｌｌｔ

ｄ。（置，而）＝

∑

（ｈ一％）２，

ｆ１１

峨＝（工Ｈ１一置）／ｈ，ｈ是采样时间间隔，它反映了姿态的运动学特征．

２．２运动序列分割

对时序的数据序列进行分段分析是一种被广泛

应用于模式识别、语音分析、信息检索中的非常有效的技术，它将相似的样本尽可能地归为一段，不相似的样本尽量划分到不同的段中．由于低维状态变量｛工ｌ，ｘ：，…，墨｝反映了原始高维运动数据｛Ｙ，，ｙ。，…，Ｙ。｝的内在结构属性，为了能更好地提取出运动序列中的关键帧，本文采用误差平方和准则，在低维状态空间中对状态变量进行分段分析，选取段与段之间的分割点作为原始运动序列中的关键点．由于这些关键点反映了运动序列中姿态变化最为剧烈的点，本文中这些关键点上的运动姿态就被定义为关

键帧．

设原始运动序列的样本数目为Ｔ帧，则低维状态空间中隐含状态变量的表示为｛工。，工ｚ，…，工Ｔ｝．本文采用类似于文献［６，９—１０］的方法，原始运动序列的首帧和尾帧被默认为运动序列的关键帧．设要提取的关键帧的数目为Ｎ，则原始样本序列被分割为Ｎ一１段，采用二层动态规划算法可以求出样本序列的最优分割点．由于捕获到的运动数据都有其内在的动力学属性，为了刻画运动的动力学特征，需要用户预先给定运动片断的最小帧长，设每段的最小

帧长为ｚ曲，则Ｎ一１≤ｌ产Ｉ．设第ｓ段的起始点为

Ｌ‘ｒａｉｎＪ

第ｂ帧，结束点为第ｅ帧，则第ｓ段的样本均值为

只一Ｆ晶善ｘｔ

“）

结合式（３）和式（４），定义

Ｄ，（６，Ｐ）＝芝：ｄ（工ｆ，ｔ）

（５）

则可以递归定义第咒段结束于第Ｐ帧的最优路径得分

Ｄ。（已）＝

ｍｉｎ

［Ｄ。（６，Ｐ）＋Ｄ，ｌ（６—１）］

（Ｈ一”‘ｌｍｉｎ＜６＜ｏ

（６）

其中ｅ一６≥ｚ商。．基于式（６），可以采用动态规划算法求出运动序列的全局最优分割点．算法步骤如下：

Ｓｔｅｐｌ．初始化．Ｄｏ（Ｏ）＝Ｏ，西。（Ｏ）＝ｏｏ，ｌ≤ｎ≤Ｎ－－１．Ｓｔｅｐ２．从ｅ＝ｌ曲到Ｔ，百１（Ｐ＞＝移１（１，＃），Ｚｍｊｎ≤￡≤ｔ

Ｓｔｅｐ３．递推从咒一２到Ｎ一１，使

Ｄ２（Ｐ）一ｍｉｎ＇ｒａｉｎ（Ｋ‘Ｉ－Ｄ２（６，￡）＋石ｌ（６—１）］，

２１．ｉ．≤ｅ≤丁；

百３（ｅ）＝ｍｉｎ［西３（６，ｅ）＋Ｄ２（６—１）］，

７９０

计算机辅助设计与图形学学报

３ｌ。ｉ。≤Ｐ≤丁ｆ；

ＤＮ－ｌ（Ｐ）一

ｍｉｎ［声Ｎ－１（６，Ｐ）＋ＤⅣ－２（６—１）］，‘Ⅳ一Ｚ）‘ｌｍｍ＜Ｋｔ

的运动类型来测试本文算法的有效性，并和基于均匀采样、基于瞎线简化‘争７１以及将分段算法直接用于原始运动捕获数据的关键帧提取方法进行了实验

比较．

～一ｌ

（Ｎ一２）ｌｍｌ。≤ｅ≤丁．

Ｓｔｅｐ４．最优解．｛ｅ１，Ｐ２，…，ｅＮ—ｌ｝一ａｒｇｍｉｎＤⅣ一１（丁）；

实验１．翻筋斗．选择运动序列为２８０帧的翻筋斗运动作为实验样本，采用线性时不变系统，把运动数据从５１维的高维运动空间映射到１０维的低维状态空间．设要提取的关键帧数目为６帧，ｌ耐。＝１５，则运动序列分割的计算时间为ｔ＝８．２ｍｉｎ，实验结果

如图１所示．

其中｛ｅ，，ｅ：，…，ｅ。一。｝表示该运动序列的全局最优分割点，且ｅｗ一。＝Ｔ．这些最优分割点加上运动序列的首帧就构成了该运动序列的关键帧．

３实验结果与讨论

本文采用Ｖｉｃｏｎ运动跟踪设备捕获真实的人体运动数据，运动数据的采样频率为６０Ｈｚ，每帧运动数据的自由度为５１．所有的实验都是在ＩｎｔｅｌＰＩＶ

３．４ＧＨｚＣＰＵ，１

实验２．跳跃运动．跳跃运动的序列长度为３１３帧，低维状态空间的维度为９维，要提取的关键帧数目为７帧，ｌ。。一１５，运动序列分割的计算时间为￡＝

１０．１

ＧＢ内存的ＰＣ机上进行的．

ｍｉｎ，实验结果如图２所示．

实验中，选择了翻筋斗、跳跃和跑步这３种不同

ａ基于均匀采样算法ｂ基于曲线简化算法

ｃ将分段算法直接用于原始捕获数据

ｄ本文算法

图１从翻筋斗运动序列中提取６帧关键帧

ａ基于均匀采样算法ｂ基于曲线简化算法

ｃ将分段算法直接用于原始捕获数据ｄ本文算法

图２从跳跃运动序列中提取７帧关键帧

实验３．跑步运动．跑步运动的序列长度为２５０帧，低维状态空间的维度为８维，要提取的关键帧数

目为１１帧，ｚ。ｉ。＝１０，运动序列分割的计算时间为

￡＝６．３

ｍｉｎ，实验结果如图３所示．

６期朱登明等：基于运动序列分割的运动捕获数据关键帧提取

７９１

ａ基于均匀采样算法ｂ基于曲线简化算法

ｃ将分段算法直接用于原始捕获数据ｄ本文算法

图３从跑步运动序列中提取１１帧关键帧

从图１～３中可以看出，基于均匀采样算法提取运动序列的关键帧容易在运动缓慢的部分过采样，在运动剧烈的部分欠采样；而基于曲线简化和将分段算法直接用于原始运动捕获数据的关键帧提取方法，是直接在原始运动捕获数据的空间中度量运动的相似性，由于没有考虑人体不同关节之间的运动存在耦合性，导致在度量姿态之间的相似性时，其结果不能反映真实姿态之间的差异．基于曲线简化算法只考虑了静态帧与帧之间的距离，没有考虑运动序列在时序上的相关性．本文算法在低维特征空间中度量姿态之间的相似性，采用线性系统模型降维，可以在低维空间中保持原始捕获数据之间的时序相关性，同时可以有效地抑制原始运动捕获数据中的噪声．本文算法能够更好地提取出运动序列的关键帧，并且这些关键帧能够更好地表示原始运动序列

的内容．

归进行的，需要搜索的空间范围较大、比较耗时．因此，本文算法对运动数据的规模有一定的限制，运动序列的长度在１５００帧以下比较合适．

到目前为止，判断关键帧提取结果的好坏并没有一个统一的客观度量标准，主要是从视觉效果来判断，带有一定的主观性．从实验结果看，与基于均匀采样、曲线简化、将分段算法直接用于原始捕获数据的关键帧提取方法相比，本文方法能更好地提取出运动序列的关键帧，更好地表示原始运动序列的内容．基于曲线简化算法很难控制要提取的关键帧数目，需要反复地尝试不同的误差阈值以满足需求，这个过程相当耗时；而本文算法可以很容易地控制关键帧的提取数目．

参

［１２

考文献

Ｄａｓｇｕｐｔａ

Ａ，ＮａｋａｍｕｒａＹ．Ｍａｋｉｎｇｆｅａｓｉｂｌｅｗａｌｋｉｎｇｍｏｔｉｏｎ

ｃａｐｔｕｒｅ

４

结论

ｏｆｈｕｍａｎｏｉｄｒｏｂｏｔｓｆｒｏｍｈｕｍａｎｍｏｔｉｏｎＰｒｏｃｅｅｄｉｎｇｓｏｆ

ＩＥＥＥ

ｄａｔａ［ｃ］／／

ｏｎ

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅＲｏｂｏｔｉｃｓ

ａｎｄＡｕｔｏｍａｔｉｏｎ，Ｄｅｔｒｏｉｔ，ＭＩ。１９９９。２：１０４４－１０４９

本文提出了一种新的关键帧提取方法，首先采用线性时不变系统把高维的运动数据映射到低维的隐含状态空间，这些低维的状态变量保持了原始高维运动数据之间的时序相关性，它反映了原始高维运动数据内在的结构属性，同时线性系统模型能够有效地抑制原始捕获数据中的噪声；其次在低维状态空间中，采用误差平方和准则对时序的低维状态变量进行运动分割，段与段之间的分割点反映了运动序列中姿态变化最为剧烈的关键点，本文中这些关键点被定义为运动序列的关键帧，它能很好地表示原始运动序列的内容．由于本文采用动态规划算法对运动序列进行自动分割，而动态规划算法是递

Ｅ２］Ｄｅｌａｎｅｙ

ｏｆ

Ｂ．Ｏｎｔｈｅｔｒａｉｌｏｆｔｈｅｓｈａｄｏｗｗｏｍａｎｌｔｈｅｍｙｓｔｅｒｙ

ｍｏｔｉｏｎ

ｃａｐｔｕｒｅ口］．ＩＥＥＥ

１４—１９

ＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓ

ａｎｄ

Ａｐｐｌｉｃａｔｉｏｎｓ，１９９８，１８（５）ｌ

［３］Ｚｈｕａｎｇ

Ｙ

Ｔ，ＲｕｉＹ，ＨｕａｎｇＴＳ，ｅｔａ１．Ａｄａｐｔｉｖｅｋｅｙｆｒａｍｅ

ｅｘｔｒａｃｔｉｏｎｕｓｉｎｇｕｎｓｕｐｅｒｖｉｓｅｄ

ｏｎ

ｃｌｕｓｔｅｒｉｎｇ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｏｆ

ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＩＣＩＰ９８）。

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ

Ｃｈｉｃａｇｏ，ＩＬ，１９９８，１：８６６－８７０

［４］ＬｉｕＦ，Ｚｈｕａｎｇ

ｍｏｔｉｏｎ

ｉｎｄｅｘ

Ｙ

Ｔ，Ｗｕ

Ｆ，ｅｔａ１．３Ｄｍｏｔｉｏｎｒｅｔｒｉｅｖａｌｗｉｔｈ

Ｖｉｓｉｏｎ

ｔｒｅｅ［Ｊ］．

Ｃｏｍｐｕｔｅｒａｎｄ．Ｉｍａｇｅ

Ｕｎｄｅｒｓｔａｎｄｉｎｇ，２００３。９２（２／３）：２６５—２８４

［５］ＤｏｙＧ。ＳｕｌｌｉｖａｎＪ，ＣａｒｌｓｓｏｎＳ．Ｐｏｓｅ—ｂａｓｅｄｃｌｕｓｔｅｒｉｎｇｉｎ

ａｃｔｉｏｎ

ｓｅｑｕｅｎｃｅｓ［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ

Ｗｏｒｋｓｈｏｐ

ｏｎ

ｏｆｔｈｅ１ｓｔＩＥＥＥ

ｉｎ

３Ｄ

Ｉｎｔｅｒｎａｔｉｏｎａｌ

Ｈｉｇｈｅｒ—ＬｅｖｅｌＫｎｏｗｌｅｄｇｅ

ＭｏｄｅｌｉｎｇａｎｄＭｏｔｉｏｎ

Ａｎａｌｙｓｉｓ。Ｎｉｃｅ，２００３：６６－７２

７９２

计算机辅助设计与图形学学报

２００８年

［６Ｊ

Ｌｉｒａ

ＩＳ，Ｔｈａｌｍａｎｎ

Ｄ．Ｋｅｙ—ｐｏｓｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｕｔｏｆｈｕｍａｎ

ｍｏｔｉｏｎｄａｔａｂｙｃｕｒｖｅ

ｓｉｍｐｌｉｆｉｃａｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆｔｈｅ２３ｒｄ

Ａｎｎｕａｌ

Ｉｎｔｅｒｎａｔｉｏｎａｌ

Ｃｏｎｆｅｒｅｎｃｅｏｆ

ｔｈｅ

ＩＥＥＥ

Ｅｎｇｉｎｅｅｒｉｎｇ

ｉｎ

Ｍｅｄｉｃｉｎｅａｎｄ

Ｂｉｏｌｏｇｙ

Ｓｏｃｉｅｔｙ，Ｉｓｔａｎｂｕｌ，

２００１，２：１１６７－１１６９

［７］Ｒａｍｅｒ

Ｕ．Ａｎ

ｉｔｅｒａｔｉｖｅ

ｐｒｏｃｅｄｕｒｅ

ｆｏｒ

ｔｈｅ

ｐｏｌｙｇｏｎａｌ

ａｐｐｒｏｘｉｍａｔｉｏｎｏｆ

ｐｌａｎｅ

ｃｕｒｖｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ

Ｇｒａｐｈｉｃｓ

ａｎｄ

ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．１９７２，１（３）Ｉ

２４４－２５６

［８］Ｓｈｅｎｊｕｎｘｉｎｇ，Ｓｕｎ

Ｓｈｏｕｑｉａｎ，Ｐａｎ

Ｙｕｎｈｅ．Ｋｅｙ—ｆｒａｍｅ

ｅｘｔｒａｃｔｉｏｎｆｒｏｍ

ｍｏｔｉｏｎ

ｃａｐｔｕｒｅ

ｄａｔａ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆ

Ｃｏｍｐｕｔｅｒ—ＡｉｄｅｄＤｅｓｉｇｎ＆Ｃｏｍｐｕｔｅｒ

Ｇｒａｐｈｉｃｓ。２００４．１６

（５）：７１９－７２３（ｉｎＣｈｉｎｅｓｅ）

（沈军行，孙守迁，潘云鹤．从运动捕获数据中提取关键帧［Ｊ］．计算机辅助设计与图形学学报，２００４，１６（５）：７１９—

７２３）

［９］ＹａｎｇＴａｏ，Ｘｉａｏ

Ｊｕｎ，Ｗｕ

Ｆｅｉ，ｅｔａ１．Ｅｘｔｒａｃｔｉｏｎｏｆｋｅｙｆｒａｍｅ

ｏｆｍｏｔｉｏｎ

ｃａｐｔｕｒｅ

ｄａｔａｂａｓｅｄ

ｏｎ

ｌａｙｅｒｅｄ

ｃｕｒｖｅ

ｓｉｍｐｌｉｆｉｃａｔｉｏｎ

ＥＪ］．Ｊｏｕｒｎａｌ

ｏｆ

Ｃｏｍｐｕｔｅｒ—ＡｉｄｅｄＤｅｓｉｇｎ＆Ｃｏｍｐｕｔｅｒ

Ｇｒａｐｈｉｃｓ，２００６，１８（１１）：１６９１—１６９７（ｉｎＣｈｉｎｅｓｅ）（杨涛，肖俊，吴飞，等．基于分层曲线简化的运动捕获数据关键帧提取［Ｊ］．计算机辅助设计与图形学学报，

２００６，１８（１１）：１６９１－１６９７）

［１０］ＡｓｓａＪ，ＣａｓｐｉＹ，Ｃｏｈｅｎ—Ｏｒ

Ｄ．Ａｃｔｉｏｎ

ｓｙｎｏｐｓｉｓ：ｐｏｓｅｓｅｌｅｃｔｉｏｎ

ａｎｄ

ｉｌｌｕｓｔｒａｔｉｏｎ［Ｊ］．

ＡＣＭ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

Ｇｒａｐｈｉｃｓ，２００５，２４（３）：６６７—６７６

［１１］ＤｅＭｅｎｔｈｏｎ

Ｄ，Ｋｏｂｌａ

Ｖ，ＤｏｅｒｍａｎｎＤ．Ｖｉｄｅｏｓｕｍｍａｒｉｚａｔｉｏｎ

ｂｙ

ｃｕｒｖｅ

ｓｉｍｐｌｉｆｉｃａｔｉｏｎ

Ｉｔ］／／Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆ

ｔｈｅ

６ｔｈ

ＡＣＭ

ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｅｅｏｎ

Ｍｕｌｔｉｍｅｄｉａ，Ｂｒｉｓｔｏｌ，１９９８：２ｉｌ一

２１８

［１２］ＺｈａｏＬ，ＱｉＷ，Ｌｉ

Ｓｚ，ｅｔａｌ．Ｋｅｙ—ｆｒａｍｅｅｘｔｒａｃｔｉｏｎａｎｄ

ｓｈｏｔ

ｒｅｔｒｉｅｖａｌｕｓｉｎｇｎｅａｒｅｓｔ

ｆｅａｔｕｒｅ

ｌｉｎｅ（ＮＦＬ）［ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆ

ＡＣＭ

Ｗｏｒｋｓｈｏｐｓｏｎ

Ｍｕｌｔｉｍｅｄｉａ，Ｌｏｓ

Ａｎｇｅｌｅｓ，ＣＡ，

２０００：２１７－２２０

［１３］Ｇｒａｓｓｉａ

Ｆ

Ｓ．Ｐｒａｃｔｉｃａｌｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ

ｏｆｒｏｔａｔｉｏｎｓｕｓｉｎｇ

ｔｈｅ

ｅｘｐｏｎｅｎｔｉａｌ

ｍａｐ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆ

Ｇｒａｐｈｉｃｓ

Ｔｏｏｌｓ，１９９８，３

（３）：２９－４８

［１４］ＬｅｅＪ，ＣｈａｉＪ，Ｒｅｉｔｓｍａ

ＰＳＡ，ｅｔａ１．Ｉｎｔｅｒａｅｔｉｖｅｃｏｎｔｒｏｌｏｆ

ａｖａｔａｒｓ

ａｎｉｍａｔｅｄ

ｗｉｔｈ

ｈｕｍａｎ

ｍｏｔｉｏｎ

ｄａｔａ［Ｊ］．ＡＣＭ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

Ｇｒａｐｈｉｃｓ，２００２，２１（３）：４９１１－５００

［１５］Ｌｊｕｎｇ

Ｌ．Ｓｙｓｔｅｍｓ

ｉｄｅｎｔｉｆｉｃａｔｉｏｎ－－ｔｈｅｏｒｙ

ｆｏｒｔｈｅ

ｕｓｅｒ［Ｍ］．

２ｎｄ

ｅｄ．Ｂｅｉｊｉｎｇ：Ｔｓｉｎｇｈｕａ

ＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００２：９７－１０４

［１６］ＬｉＹ，Ｗａｎｇ

Ｔ

Ｓ，ＳｈｕｍＨ

Ｙ．Ｍｏｔｉｏｎ

ｔｅｘｔｕｒｅ：ａ

ｔｗｏ—ｌｅｖｅｌ

ｓｔａｔｉｓｔｉｃａｌ

ｍｏｄｅｌ

ｆｏｒ

ｃｈａｒａｃｔｅｒ

ｍｏｔｉｏｎ

ｓｙｎｔｈｅｓｉｓ［Ｊ］．ＡＣＭ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

Ｇｒａｐｈｉｃｓ，２００２。２１（３）：４６５－４７２

［１７］Ｈｓｕ

Ｅ，Ｐｕｌｌｉ

Ｋ，Ｐｏｐｏｖｉ６Ｊ．Ｓｔｙｌｅ

ｔｒａｎｓｌａｔｉｏｎ

ｆｏｒｈｕｍａｎ

ｍｏｔｉｏｎ［Ｊ］．ＡＣＭ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

Ｇｒａｐｈｉｃｓ，２００５，２４（３）２

１０８２－１０８９

［１８］Ｇｈａｈｒａｍａｎｉ

ｚ，ＨｉｎｔｏｎＧＥ．Ｐａｒａｍｅｔｅｒｅｓｔｉｍａｔｉｏｎ

ｆｏｒｌｉｎｅａｒｄｙｎａｍｉｃａｌ

ｓｙｓｔｅｍｓ［Ｒ］．Ｔｏｒｏｎｔｏ＃Ｕｎｉｖｅｒｓｉｔｙ

ｏｆ

Ｔｏｒｏｎｔｏ。

１９９６

基于运动序列分割的运动捕获数据关键帧提取

作者：作者单位：

朱登明， 王兆其， Zhu Dengming， Wang Zhaoqi

朱登明,Zhu Dengming(中国科学院计算技术研究所虚拟现实技术实验室,北京100190;中国科学院计算技术研究所智能信息处理重点实验室,北京100190;中国科学院研究生院,北京100049)， 王兆其,Wang Zhaoqi(中国科学院计算技术研究所虚拟现实技术实验室,北京,100190)

计算机辅助设计与图形学学报

JOURNAL OF COMPUTER-AIDED DESIGN & COMPUTER GRAPHICS2008,20(6)2次

刊名：英文刊名：年，卷(期)：被引用次数：

参考文献(18条)

1.Lee J;Chai J;Reitsma P S A Interactive control of avatars animated with human motion data[外文期刊] 2002(03)

2.Grassia F S Practical parameterization of rotations using the exponential map[外文期刊] 1998(03)3.Zhao L;Qi W;Li S Z Key-frame extraction and shot retrieval using nearest feature line (NFL) 20004.杨涛;肖俊;吴飞 基于分层曲线简化的运动捕获数据关键帧提取[期刊论文]-计算机辅助设计与图形学学报2006(11)

5.沈军行;孙守迁;潘云鹤 从运动捕获数据中提取关键帧[期刊论文]-计算机辅助设计与图形学学报 2004(05)6.Ramer U An iterative procedure for the polygonal approximation of plane curves[外文期刊] 1972(03)7.Lim I S;Thalmann D Key-posture extraction out of human motion data by curve simplification 20018.Loy G;Sullivan J;Carlsson S Pose-based clustering in action sequences 2003

9.Liu F;Zhuang Y T;Wu F 3D motion retrieval with motion index tree[外文期刊] 2003(2-3)10.Zhuang Y T;Rui Y;Huang T S Adaptive key frame extraction using unsupervised clustering 199811.Delaney B On the trail of the shadow woman:the mystery of motion capture[外文期刊] 1998(05)12.Ghahramani Z;Hinton G E Parameter estimation for linear dynamical systems 199613.Hsu E;Pulli K;Popovic J Style translation for human motion[外文期刊] 2005(03)

14.Li Y;Wang T S;Shum H Y Motion texture:a two-level statistical model for character motionsynthesis[外文期刊] 2002(03)

15.Ljung L Systems identification-theory for the user 2002

16.DeMenthon D;Kobla V;Doermann D Video summarization by curve simplification 1998

17.Assa J;Caspi Y;Cohen-Or D Action synopsis:pose selection and illustration[外文期刊] 2005(03)18.Dasgupta A;Nakamura Y Making feasible walking motion of humanoid robots from human motion capturedata 1999

引证文献(3条)

1.刘贤梅.郝爱民.赵丹 基于混合遗传算法的人体运动捕获数据关键帧提取[期刊论文]-模式识别与人工智能2011(5)

2.夏利民.邓克捷 基于自分裂竞争学习算法的关键帧提取[期刊论文]-计算机工程与应用 2011(2)

3.刘更代.潘志庚.程熙.李灵.张明敏 人体运动合成中的机器学习技术综述[期刊论文]-计算机辅助设计与图形学学报 2010(9)

本文链接：/Periodical_jsjfzsjytxxxb200806018.aspx

本文来源：https://www.bwwdw.com/article/kh44.html