【摘要】：人體運動捕捉技術能夠精準地記錄人體在三維空間的運動軌跡,它被廣泛地應用在電影動畫、虛擬現(xiàn)實、運動健康等領域。人體運動捕捉技術的普及,使得如何對大量的運動捕捉數(shù)據(jù)進行有效的編輯和重用處理成為一個具有挑戰(zhàn)性的課題。運動捕捉數(shù)據(jù)的編輯與重用處理包含了一系列相關技術,本文圍繞其中的三種重要技術展開,分別對人體運動分割、運動捕捉數(shù)據(jù)關鍵巾幀提取、人體運動合成進行了研究。主要研究內容包括:在人體運動分割方面,本文提出了一種基于運動捕捉數(shù)據(jù)多層次信息的運動分割模型。該模型同時利用了運動捕捉數(shù)據(jù)的低層次物理信息和高層次數(shù)據(jù)分布信息進行運動分割:首先,引入密度峰值聚類(Density Peaks Clustering)算法用于解決運動分割問題,并對其進行了優(yōu)化,得到一個較好的初始分割結果;然后,使用對齊聚類分析(Aligned Cluster Analysis)方法對初始分割結果進行優(yōu)化分割。優(yōu)化后的密度峰值聚類算法和對齊聚類分析方法優(yōu)勢互補,提升了分割模型在分割正確率、穩(wěn)定性等方面的表現(xiàn)。在運動捕捉數(shù)據(jù)關鍵幀提取方面,本文提出了一種基于自適應量子粒子群優(yōu)化(Adaptive Quantum-Behaved Particle Swarm Optimization)算法的關鍵巾幀提取方法。該方法使用群智能優(yōu)化(Swarm Intelligent Optimization)算法解決關鍵巾幀提取問題:首先引入了量子粒子群優(yōu)化(Quantum-Behaved Particle Swarm Optimization)算法,并利用云模型(Cloud Model)對其進行自適應改進,然后迭代搜索具有最小重構誤差的關鍵幀序列。自適應改進后的量子粒子群優(yōu)化算法較強的全局收斂性和尋優(yōu)能力,保證了提取出的關鍵幀具有較好的概括性。在人體運動合成方面,本文提出了一種基于卷積自編碼器(Convolutional Autoencoder)的人體運動風格遷移(Human Motion Style Transfer)模型。從運動風格的角度出發(fā),該模型將深度學習網(wǎng)絡應用于人體運動合成,通過卷積自編碼器對人體運動序列進行運動風格遷移:首先,構建一個卷積自編碼器并對其進行訓練,用于提取運動特征;然后,利用卷積自編碼器構建風格遷移損失,根據(jù)風格遷移損失迭代計算隱層的運動數(shù)據(jù);最后,通過卷積自編碼器生成運動風格遷移后的運動序列。
【圖文】：

Ｆｉｇｕｒｅ邋１－２：邋Ｔｈｅ邋ｏｐｔｉｃａｌ邋ｍｏｔｉｏｎ邋ｃａｐｔｕｒｅ邋ｓｙｓｔｅｍ［１：１逡逑（５）慣性式逡逑慣性式運動捕捉系統(tǒng)如圖１－３所示，它由姿態(tài)傳感器、信號接收器和數(shù)據(jù)處理逡逑器構成。姿態(tài)傳感器布置在人體的關鍵部位，接收器把接收到的數(shù)據(jù)通過無線傳輸逡逑傳遞給數(shù)據(jù)處理器，從而計算出人體的姿態(tài)及位置信息。姿態(tài)傳感器集成了重力傳逡逑感器、慣性傳感器、加速度計算器、陀螺儀等。這一類運動捕捉系統(tǒng)便攜性能高、逡逑基本不受表演空間的限制；但由于原理的局限，空間定位不夠準確，且設備的自重逡逑也會對表演產生一定影響。逡逑＾邋ＩＩ逡逑圖１－３：慣性式運動捕捉系統(tǒng)Ｗ逡逑Ｆｉｇｕｒｅ邋１－３：邋Ｔｈｅ邋ｉｎｅｒｔｉａｌ邋ｍｏｔｉｏｎ邋ｃａｐｔｕｒｅ邋ｓｙｓｔｅｍ⑴逡逑３逡逑

逑一定的創(chuàng)新和改進，并且完成了對應的實驗，對實驗進行了分析。本文研究內容的逡逑結構關系如圖１－４所示，具體的研究內容如下：逡逑體運動捕捉數(shù)振逡逑Ｉ邐；邐；邐１逡逑｜邐人體運動分割ｉ＾ＫＬａｉ邐動捕｜｜｜｜層次估＊的］Ｉ逡逑對邐１邐Ｉ邐Ｉ邐邐邐＾邋本邋ｉ逡逑應邋邐ｉ邐邋｜邐！邋邐邋ｔ邋！逡逑Ｉ邋＾邐丨｜邋ｆ基于自適應是子粒子群優(yōu)化篇：法的研逡逑！邋ｇ邐關鍵幀愾邐＿佭邐究逡逑ｉ邋｜邋邐邋邋ｉ邐ｉ邐邐＾邐ｉ逡逑ｉ節(jié)邐，．丨邐！邐容逡逑ｊ邐｜邐（邐ｓ逡逑？邐基于卷積自編碼器的逡逑人體５２動０成｜邐｜邐人體運動風格遷移逡逑邐邋邋Ｉ邐Ｉ邐Ｖ，，邐Ｊ逡逑Ｌ邐Ｉ邐１逡逑新的運動序列逡逑圖１－４：研究內容框架圖逡逑Ｆｉｇｕｒｅ邋１－４：邋
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP212;TP18

【參考文獻】

相關期刊論文 前8條

1 洪小嬌;彭淑娟;柳欣;;基于拉普拉斯分值特征選擇的運動捕獲數(shù)據(jù)關鍵幀提取[J];計算機工程與科學;2015年02期

2 夏貴羽;孫懷江;;模板化的人體運動合成[J];自動化學報;2015年04期

3 彭淑娟;柳欣;;一種結合雙特征的運動捕獲數(shù)據(jù)行為分割方法[J];計算機科學;2013年08期

4 劉賢梅;郝愛民;趙丹;;基于混合遺傳算法的人體運動捕獲數(shù)據(jù)關鍵幀提取[J];模式識別與人工智能;2011年05期

5 劉云根;劉金剛;;重建誤差最優(yōu)化的運動捕獲數(shù)據(jù)關鍵幀提取[J];計算機輔助設計與圖形學學報;2010年04期

6 朱登明;王兆其;;基于運動序列分割的運動捕獲數(shù)據(jù)關鍵幀提取[J];計算機輔助設計與圖形學學報;2008年06期

7 楊濤;肖俊;吳飛;莊越挺;;基于分層曲線簡化的運動捕獲數(shù)據(jù)關鍵幀提取[J];計算機輔助設計與圖形學學報;2006年11期

8 沈軍行 ,孫守遷 ,潘云鶴;從運動捕獲數(shù)據(jù)中提取關鍵幀[J];計算機輔助設計與圖形學學報;2004年05期

相關博士學位論文 前1條

1 夏貴羽;人體運動捕獲數(shù)據(jù)的分析與重用研究[D];南京理工大學;2017年

相關碩士學位論文 前7條

1 周海鵬;自適應量子粒子群算法研究與在WSN覆蓋優(yōu)化中的應用[D];安徽農業(yè)大學;2018年

2 于曉敏;數(shù)據(jù)驅動的虛擬人運動分析與合成技術研究[D];北京交通大學;2017年

3 徐從洋;運動捕獲數(shù)據(jù)關鍵幀提取與檢索算法研究[D];鄭州大學;2016年

4 魏汝翔;基于人體運動捕捉數(shù)據(jù)的運動分析技術研究[D];北京交通大學;2016年

5 皇甫旭;改進量子粒子群優(yōu)化算法及其應用研究[D];東北石油大學;2015年

6 杜戰(zhàn)戰(zhàn);人體運動捕獲數(shù)據(jù)的分析方法研究[D];南京理工大學;2015年

7 楊濤;人體運動捕獲數(shù)據(jù)關鍵幀提取算法研究[D];南京理工大學;2014年

本文編號：2697344