基于融合改进的LLE和PCA的三维人体运动关键帧提取方法

摘要

本发明提出了一种将改进的局部线性嵌入(Locally Linear Embedding，简称LLE)与主成分分析(Principal Component Analysis,简称PCA)相融合的运动关键帧提取方法。第一步采用改进的LLE对原始运动捕捉数据进行预处理降维得到具有固有维数的数据，第二步采用PCA方法对降维后的数据进一步处理提取一维主成分，采用平滑滤波去除噪声，得到一维特征曲线，第三步通过提取特征曲线上的极值点，获得初始关键帧，第四步在初始关键帧之间，根据其特征曲线幅度差值和设定的阈值插入相应的帧数，在合并过密的关键帧，得到最终的关键帧集合。

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_i(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_ij，距离公式为：$d_{\mathrm{ij}}=\left|\right|X_i-X_j\left|\right|/\sqrt{T\left(i\right)T\left(j\right)}$其中，||X_i‑X_j||表示X_i和X_j(j＝1,2,...,N)之间的欧式距离，X_i和X_j代表运动序列中的两个不同的帧，T(i)和T(j)分别表示X_i到它的K个近邻之间的距离的平均值和X_j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。