主权项 |
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X<sub>i</sub>(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d<sub>ij</sub>,距离公式为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msub><mi>d</mi><mi>ij</mi></msub><mo>=</mo><mo>|</mo><mo>|</mo><msub><mi>X</mi><mi>i</mi></msub><mo>-</mo><msub><mi>X</mi><mi>j</mi></msub><mo>|</mo><mo>|</mo><mo>/</mo><msqrt><mi>T</mi><mrow><mo>(</mo><mi>i</mi><mo>)</mo></mrow><mi>T</mi><mrow><mo>(</mo><mi>j</mi><mo>)</mo></mrow></msqrt></mrow>]]></math><img file="FDA0000597655570000011.GIF" wi="576" he="106" /></maths>其中,||X<sub>i</sub>‑X<sub>j</sub>||表示X<sub>i</sub>和X<sub>j</sub>(j=1,2,...,N)之间的欧式距离,X<sub>i</sub>和X<sub>j</sub>代表运动序列中的两个不同的帧,T(i)和T(j)分别表示X<sub>i</sub>到它的K个近邻之间的距离的平均值和X<sub>j</sub>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,合并过密的关键帧,得到最终的关键帧集合。 |