基于相关性几何特征的运动相似性评估方法

摘要

本发明公开了一种基于相关性几何特征的运动相似性评估方法。本发明可以准确地计算两段同类型的运动数据的相似程度，并以一个固定范围内分值的形式表达其相似程度。本发明通过深度摄像头录制模板数据并进行实时运动数据采集；使用动态时间变形技术进行运动数据的对齐；使用相关性几何特征作为运动数据的特征表达并通过机器学的方法对这些特征进行选择；最终通过曲线拟合的方法，计算两段运动序列的相似性并给出最终的相似性得分。这种方法可以更准确、客观地描述运动序列的相似性，同时也可以将度量出来的相似值转换为直观的分数，从而方便用户的理解。

主权项

一种基于相关性几何特征的运动相似性评估的方法，其特征在于，它的步骤如下：1)接受人体运动序列数据作为样本运动序列R，并以提前准备好的参考运动序列Q作为标准姿态，所述的样本运动序列运动序列R和参考运动序列Q中的每一帧由场景深度图以及场景彩色图组成；2)当参考运动序列Q以及样本运动序列R的长度不同时，对参考运动序列Q以及样本运动序列R通过动态时间变形进行填充与对齐，使得两段运动序列的关键帧之间建立对应关系；3)在使用本方法进行运动相似性计算时，通过Adaboost方法对所选取的运动数据进行特征选择，从众多相关性几何特征中选择出最准确表达该运动数据信息的特征；4)针对步骤3)中选择出来的特征，分别从参考运动序列Q以及样本运动序列R中计算对应的相关性几何特征，并将这些特征值保存；5)通过基于曲线拟合的方法，计算参考运动序列Q以及样本运动序列R之间不同类型特征的运动相似性得分，并通过加权平均得到一个范围在0到100之间的综合运动相似性得分；所述步骤3)中的特征选择的方法：a)该方法的训练数据以{(p_t,q_t,q_t')}为格式，其中p_t是运动序列的参考姿态，q_t与q_t'表示运动序列中两个需要对比的姿态，并将q_t与q_t'中同p_t最为接近的姿态进行标注；b)对于每一个相关性几何特征f_i，通过公式(3)计算其在判断姿态q_t与q_t'时的误差值e_i：$e_i=\underset{i=1}{\overset{T}{\Sigma }}{\pi }_i\left(max\right(sign\left(\left|\right|f_i\left(p_t\right)-f_i\left(q_t\right)\left|\right|-\left|\right|f_i\left(p_t\right)-f_i\left(q_t^{\prime }\right)\left|\right|\right),0\left)\right)$   公式(3)c)在计算好所有特征的误差值后，选择具有最小误差值e_k的特征f_k，对于每个训练样本，通过公式(4)更新其权重：${\pi }_t=\frac{{\pi }_t}{2}\times \left(\begin{array}{c}\exp \left({\omega }_k\right),if\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i\left|\right|f_i\left(p_t\right)-f_i\left(q_t\right)\left|\right|>\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i\left|\right|f_i\left(p_t\right)-f_i\left(q_t^{\prime }\right)\left|\right|\\ \exp (-{\omega }_k),if\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i\left|\right|f_i\left(p_t\right)-f_i\left(q_t\right)\left|\right|<\underset{i=1}{\overset{k}{\Sigma }}{\omega }_i\left|\right|f_i\left(p_t\right)-f_i\left(q_t^{\prime }\right)\left|\right|\end{array}\right)$   公式(4)具体地，定义：ω_k＝(1/2)ln[(1‑e_k)/e_k)]d)算法运行结束后，得到一组选出来的特征以及其对应的权重，直接使用这些特征进行运动相似性的计算。