当前位置：文档之家 › 基于运动序列分割的运动捕获数据关键帧提取

基于运动序列分割的运动捕获数据关键帧提取

  • 格式：pdf
  • 大小：322.24 KB
  • 文档页数：6
维普资讯
第 ２ Ｏ卷
第 ６ 期
计 算 机 辅助 设计 与图形 学 学报
Ｊ ＯＵ ＲＮＡＬ ＯＦ ＣＯＭ ＰＵＴＥＲ－ ＤＥＤ ＡＩ ＤＥＳ ＧＮ ＆ ＣＯＭ Ｐ Ｉ ＵＴＥ ＧＲＡＰＨＩ Ｒ ＣＳ
Ｖ ０．２ １ Ｏ． ＮＯ． ６ ｅ ｍ ｅ ｔ ． Ｔｈ ｐ ｓ ｓ ａ ｔ ｅ ｅ ｅ ｍ ｅ ｔ ｔｏ ｐ ｉ ｔ ａ ｅ ｈ ｎ ｅ ｉ ｅ ａ ｋ ｙ ｒ ｍｅ ． ｏ ｃ ｔｎ ｔｄ ｓ ｇ ｎ ｓ ｅ ｏ ｅ ｔ ｈ ｓ ｓ ｇ ｎ ａ ｉ ｎ ｏ ｎ ｓ ｒ ｔ ｅ ｄ ｆｎ ｄ ｓ ｅ ｆａ ｓ
（ ｄｈ ｍ ｚ ｕ＠ ｉｔ ａ ． ｎ） ｃ．ｃ ｃ
北京
１０４） ０ ０ ９
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 间 ； 低 维 状 态 空 间 中 ， 义 了 姿 态 之 间 的 相 似 性 在 定
度 量 ； 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 ， 割 点 上 的 运 动 姿 态 被 定 义 为 关 键 帧 ． 验 结 并 分 实
中图法分类号
Ｅｘ ｒ ｃ ｉ ｎ ｏ ｅ ｆ ａ ｅ ｆ ｏ Ｍ ｏ ｉ ｎ Ｃａ ｕｒ ｔ ｓ ｄ ｏ ｏ ｉ ｎ Ｓ ｑｕ ｎｃ ｔ ａ ｔｏ ｆ Ｋ ｙ ｒ ｍ ｒ ｍ ｔｏ ｐｔ ｅ Ｄａ ａ Ｂａ ｅ ｎ Ｍ ｔｏ ｅ ｅ ｅ Ｓ ｇ ｅ ａｉｎ ｅ ｍ ｎｔ ｔｏ
Ｅｘ ｒｍｅ ａ ｒ ｓ ｔ ｓ ｗ ｔ ｔ ｈｅ ｘ ｒ ｃ ｅ ｋｅ ｆ ａ ｅ ｂ ｏｕ ｍ ｅ ｈｏ ｃ ｎ ｉ ｅ ｇｏ ｄ ｉ ｕ ｌ ｐｅ ｉ ｎｔ ｌ ｅ ｕｌｓ ｈｏ ｈａ ｔ ｅ ｔ ａ ｔ ｄ ｙ ｒｍ ｓ ｙ ｒ ｔ ｄ ａ ｇ ｖ ３ ｏ ｖ ｓ ａ ｓ ｕｍｍ ａ ｉａ ｉ ｆｔ ｉ ｎａ ｏ ｉ ｎ ｓ ｑｕｅ ｅ ｒｚ ｔｏｎ ｏ ｈｅ ｏｒｇｉ ｌｍ ｔｏ ｅ ｎｃ ．
Ｚｈｕ Ｄｅ ｍ ｉ ｇ ， 。 ｎｇ ｎ ， Ｗａ ｎｇ Ｚｈａ ｑ ” ｏ ｉ ．
”（ ｉｔａ ａ ｉ ａ ｏａ ｏ ｙ，Ｉ ｓｉ ｔ ｏ ｏ ｕ ｉｇ Ｔｅｈ ｏ ｏ ｙ，Ｃ ｉ ｅｅ ａ ｅ ｆ Ｓ ｉ ｃ ｓ Ｂｅ ｉ ｇ １ ０ ９ ） Ｖ ｒｕ ｌ Ｒｅ ｌ ｙ Ｌ ｂ ｒ ｔｒ ｔ ｎ ｔ ｕ ｅ ｆ Ｃ ｍｐ ｔ ｃ ｎ ｌｇ ｔ ｎ ｈ ｎ ｓ ｄ ｍｙ ｏ ｃｅ ｅ ， ｉ ｎ ０ １ ０ Ａｃ ｎ ｊ （ ｙＬ ｂ ｒ ｔ ｒ ｆ Ｉ ｔｌｉ ｅ ｔ Ｉ ｆ ｒ ａ ｉｎ Ｐｒ ｃｓｚ ｇ，Ｉ ｓ ｔ ｔ ｏ ｏ ｕ ｉｇ Ｔ ｃ ｎ ｌｇ Ｋｅ ａ ｏ ａ ｏ ｙ ｏ ｎ ｅｌ ｎ ｎ ｏ ｍ ｔ ｏ ｅｓｎ ｇ ｏ ｎ ｔ ｕｅ ｆ Ｃ ｍｐ ｔ ｅ ｈ ｏｏ ｙ，Ｃ ｉｅ ｅ ａ ｅ ｆ Ｓ ｉｎ ｅ ，Ｂｅ ｉ ｇ ｉ ｎ ｈ ｎ ｓ Ａｃ ｄ ｍｙ ｏ ｃｅ ｃｓ ｉ ｎ ｊ
果 表 明 ： 算 法 能 够 较 好 地 提取 出 运 动 序 列 中 的 关 键 帧 ， 且 这 些 关 键 帧 能 够 很 好 地 概 括 原 始 运 动 序 列 的 内容 ． 该 并
关 键词
运 动 捕 获 数 据 ； 键 帧 ； 性 时 不 变 系 统 ； 动 分 割 关 线 运
ＴＰ ９ ． １ ３ １ ４
Ｊ ｎ ，２ ０ ｕｅ ０８
基 于运 动 序 列 分 割 的 运 动 捕获 数 据 关 键 帧 提 取
朱登明 王兆其”
北京 １０９） ０ １ ０
”（ 国科 学 院计 算 技 术研 究 所 虚 拟 现 实 技 术 实 验 室 北 京 １ ０ ９ ） 中 ０ １ ０
（ 国科 学 院 计 算技 术 研 究 所 智 能 信 息 处 理 重 点 实 验 室 中 ”（ 国科 学 院研 究 生 院 中
Ｌｉ ａｒ ｉ —ｎｖ ｒａ ｓ ｔ ｍ ｉ ｕｓ ｄ ｏ ｎｅ ｔｍｅ。 ａ ｉ ｎｔ ｙｓ ｅ ｉ ｓ ｅ ｔ ｄｅ ｉ ３ ｅ ｌｃ ｔ ａ ｐｉ ｂｅ ｗｅ ｎ ｈｅ ｇｈ・ ｒｖｅ ｎ ｘｐ ｉ ｉ ｍ ｐ ｎｇ ｔ ｅ ｔ ｈｉ —
ｄ ｍ ｅ ｓｏ ａ ｔ ｎ ｃ ｐ ｕ ｅ ｄ ｔ ｎ ｈ Ｏ ｄ ｍｅ ｓｏ ａ ｔ ｔ ａ ｉ ｂ ｅ ． Ａ ｉ ｉ ｒ ｔ ｔ ｉ ｅ ｉ ｅ ｉ ｎ ｉ ｎ ｌｍｏ ｉ ａ ｔ ｒ ａ ａ ａ ｄ ｔ ｅ ｌ Ｗ— ｉ ｎ ｉ ｎ ｌ ａ ｅ ｖ ｒａ ｌ ｓ ｏ ｓ ｓｍ ｌ ｉｙ ｍｅ ｒｃｉ ｄ ｆ ｄ ａ Ｓ ｎ
ｔ ａ ｕｒ ｔ ｄ ｆｅ ｅ ｅ ｅ ｗｅ ｎ ｉｆ ｒ ｎｔ ｐｏｓ ｓ ｎ ｈｅ ＯＷ— ｉ ｎｓｏｎ ｌ ｔ ｔ ｓ ａ ｅ．ａ ｈｅ ｔ ｏ ｍｅ ｓ ｅ ｈｅ ｉｆ ｒ ｎｃ ｂ ｔ ｅ ｄ ｆｅ ｅ ｅ ｉ ｔ ｌ ｄ ｍｅ ｉ ａ ｓ ａ ｅ ｐ ｃ ｎｄ ｔ ｎ ｈｅ ｍｅ ｈ ｏ ｍｅ ｎ ｓ ｕａ ｅ ｅ ｒ ｉ ｅ ｔ ｏｄ ｆ ａ ｑ ｒ ｄ ｒ ｏｒ ｓ ｍｐｌ ｅ ｔ ｄｉ ｄ ｔ ｅ ｏｙ ｄ ｏ ｖｉ ｅ ｈ ｍ ｏ ｉ ｎ ｅ ｕｅ ｃ ｉ ｏ ｓ ｑ ｎ ｅ ｆ ｔｏ ｓ ｑ ｎ ｅ ｎｔ ３ ｅ ｕｅ ｃ ｏ
１ ０ ９ ） ０ １ ０
（ ｒ ｄ ａ ｅＵ ｉ ｅ ｓ ｙ ｏ ｈ ｎ ｓ ａ ｅ ｆ Ｓ ｉｎ ｅ ，Ｂｅ ｉ ｇ １ ０ ４ ） Ｇ ａ ｕ ｔ ｎ ｖ ｒ ｉ ｆ Ｃ ｉ ｅｅＡｃ ｄ ｍｙ ｏ ｃｅ ｃ ｓ ｔ ｉ ｎ ０ ０ ９ ｊ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ

合集下载

基于关键点检测的鱼类游动轨迹提取

基于关键点检测的鱼类游动轨迹提取

基于关键点检测的鱼类游动轨迹提取基于关键点检测的鱼类游动轨迹提取1. 引言鱼类游动轨迹的提取和分析在水生生物学、生态学和渔业学等领域具有重要的意义。

传统的鱼类轨迹提取方法通常依靠人工标注或视频跟踪算法，但这些方法存在着效率低、精度不高和依赖于特定设备等问题。

为了克服这些问题，本文提出了一种基于关键点检测的鱼类游动轨迹提取方法。

2. 关键点检测算法关键点检测算法是计算机视觉领域中一个重要的任务，其目标是在图像中找到具有显著性和重要性的特征点。

本文采用了一种基于深度学习的关键点检测算法，该算法利用卷积神经网络（CNN）提取图像的特征，然后通过回归模型预测关键点的坐标。

为了适应鱼类游动轨迹的提取，本文还在训练数据集上进行了数据增强和标签生成。

3. 鱼类游动轨迹提取方法基于关键点检测的鱼类游动轨迹提取方法包括以下几个步骤： 3.1 数据预处理首先，对鱼类游泳的视频进行帧提取，并进行预处理。

预处理方法包括图像去噪、图像增强和图像分割等步骤，以提高关键点检测的准确性。

3.2 关键点检测在预处理后的图像中，利用已训练好的关键点检测模型检测鱼类的关键点。

检测到的关键点包括鱼类的眼睛、鱼鳍的顶点和尾巴的基部等。

3.3 轨迹提取通过对相邻帧中的关键点进行匹配，可以得到鱼类游动的轨迹。

具体方法是计算相邻帧中关键点之间的距离，并设定一个阈值，当两个关键点之间的距离小于阈值时，认为它们属于同一条轨迹。

4. 实验设计与结果分析为了验证基于关键点检测的鱼类游动轨迹提取方法的有效性，本文设计了一系列实验。

实验使用了鱼类游泳的视频片段作为训练和测试数据集，评估了方法在不同分辨率和光照条件下的表现。

实验结果表明，基于关键点检测的鱼类游动轨迹提取方法可以高效准确地提取鱼类的游动轨迹。

与传统的人工标注和视频跟踪算法相比，该方法具有更高的效率和精度，并且能够适应各种复杂的光照条件和鱼类种类。

5. 讨论与展望本文提出了一种基于关键点检测的鱼类游动轨迹提取方法，通过实验证明了其在鱼类游泳数据集上的有效性。

基于背景和帧间差分法的运动目标提取

基于背景和帧间差分法的运动目标提取

Ａｂｓ ｔ ｒ ａ ｃ ｔ ： Ｉ ｎ ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｃ ｆ ａ ｃ ｅ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｓ ｙ ｓ ｔ ｅ ｍ， ｔ ｈ ｅ ｈ ｕ ｍａ ｎ ｔ ａ ｒ ｇ ｅ ｔ ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ｉ ｓ ｏ ｎ ｅ ｏ ｆ ｔ ｈ ｅ ｋ ｅ ｙ ｓ ｔ ｅ ｐ ｓ ｔ ｏ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｚ ｅ ｆ ａ ｃ ｅ ．Ｓ ｅ ｖｅ ｒ ａ ｌ ｍｅ ｔ ｈ ｏ ｄ ｓ ｏ ｆ ｍｏ ｖ ｉ ｎｇ ｔ ａ ｒ ｇ ｅ ｔ ｄｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ，ａ ｎｄ ｔ ｈｅ ｄ ｉ ｆｅ ｒ ｅ ｎ ｃ ｅ ｍ ｅ ｔ ｈ ｏｄ ｏ ｆ ｂａ ｃ ｋ ｇ ｒ ｏ ｕ ｎｄ ａ ｎ ｄ ｆ ｒ ａ ｍｅ ｉ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ，ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｄｅ ｔ ｅ ｃ ｔ ｈ ｕ ｍａ ｎ ｔ ｒｇ ａ ｅ ｔ ｓ ｆ ａ ｓ ｔ ａ ｎｄ ｐ ｒ ｅ ｃ ｉ ｓ ｅ ｌ ｙ ．Ａｉ ｍｉ ｎ ｇ ａ ｔ ｔ ｈ ｅ ｃ ｈ ａ ｎ ｇ ｅ ｏ ｆ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎｄ ｄ ｕ ｅ ｔ ｏ ｈｅ ｔ ｍｏ ｖ ｉ ｎ ｇ ｏ ｆ ｌ ｅ ｎ ｓ ｏ ｒ ｔ ｒｇ ａ ｅ ｔ ｓ ，ａ ｆ ｅ ｗ ｍｅ ｔ ｈ ｏ ｄ ｓ ｏｆ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕ ｎ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｒ ｅ ｇ ｉ ｖ ｅ ｎ ．Ａｆ ｔ ｅ ｒ ｃ ｏ ｍｐ ｒｉ ａ ｎｇ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｍ ｅ ｈｏ ｔ ｄｓ ，ｔ ｈｅ ｍ ｅ ｄ ｉ ｎ ｍｅ ａ ｈｏ ｔ ｄ ｉ ｓ ｃ ｈ ｏ ｓ ｅ ｎ ｔ ｏ ｄ ｏ ｂ ａ ｃ ｋ ｒｏ ｇ ｎ ｄ ｕ ｍ ｏ ｄ ｅ ｌ ｉ ｎ ｇ ． Ｔｈ ｅ ａ ｄ ａ ｐｔ ｉ ｖ ｅ ｂ ａ ｃ ｋ ｇ ｒ ｏ ｕｎ ｄ ｕ ｐｄ ａ ｔ ｉ ｎ ｇ ｉ ｓ ｕｓ ｅ ｄ ｔ ｏ ｄ ｅ ｔ ｅ ｃ ｔ ｍｏ ｖ ｉ ｎ ｇ ｔ ａ ｒ ｇ ｅ ｔ ｓ ，ｃ ｏ ｍｂ ｉ ｎ ｉ ｎ ｇ ｔ ｗｏ ｋ ｉ ｎ ｄｓ ｏ ｆ ｄ ｉ ｆｅ ｒ ｅ ｎ ｃ ｅ ｍｅ ｈｏ ｔ ｄ ｓ ． Ｆｉ ｎ ａ ｌ ｌ ｙ ，ｔ ｈ ｅ
基于OpenPose的角色动作提取

基于OpenPose的角色动作提取

基于OpenPose的角色动作提取OpenPose是一种进行人体姿态估计的计算机视觉技术，在这个领域中它取得了相当显著的成果。

当前领域的研究者们借助OpenPose实现了各种复杂的动作分析，包括城市中的人类活动分析、运动员的训练与比赛监控、医学影像与治疗等等。

这里主要介绍基于OpenPose的角色动作提取。

角色动作提取应用范围广泛，例如基于OpenPose提取标准的人类舞姿的动作序列和特征，利用统计分析方法分析爵士舞乐趣和差异、音乐学声音学研究中的舞蹈步伐分析、影片剧本人物任务中的动作识别等等。

在这些应用中，角色动作提取同样是一个核心的步骤，它需要对多个身体部位的关节点进行检测和跟踪。

首先，我们需要对于人体姿态估计的输出数据进行解析。

OpenPose输出的关键点是人体主要部位（头、躯干、四肢等等）的2D坐标。

对于每个关键点，我们可以使用特定的方法计算出角度、速度、加速度和距离差等等关键特征。

其中，初始时候对于这些关键特征需要进行筛选，筛选出具有代表性和较大分布的关键特征。

接下来对于筛选出的关键特征数据，我们可以采用不同的方法来实现动作分析：1. 基于时间序列的分析方法在此类方法中，我们可以使用滑动窗口的方式，对连续的帧进行采样，将每两帧之间的关键点坐标作为数据输入。

输入数据在通常情况下会经过降噪、滤波等步骤，然后采用神经网络模型或者机器学习算法进行训练和预测。

通过对预测结果的统计分析，我们可以分析出不同的动作类型，比如踢腿、跳跃等。

2. 基于空间序列的分析方法在此类方法中，我们首先对于一个特定的动作，手工标注出每个关键点的初始位置、运动轨迹以及运动起始与停止时机，然后将其编码成向量序列。

这些向量序列形成的空间序列数据可以用于动作识别和分类的训练和测试。

3. 基于深度学习模型的动作分类方法卷积神经网络是深度学习领域中的一种经典模型，它在图像和语音处理中取得了巨大的成功。

在深度学习中，我们可以将人体姿态估计输入到卷积神经网络中，然后使用softmax分类器对于各种动作类型进行预测。

基于分块变化检测的人体肢体运动跟踪

基于分块变化检测的人体肢体运动跟踪

中图分类号 ：Ｔ ３１ Ｐ ９ 文献标识码 ：Ａ 文章编号 ：１０ —３５ （０７ ５— ０ ５ ４ ０９ １Ｘ ２０ ）０ ０４ —０
人体运 动分 析指 的是运 用某 种手 段跟 踪 、捕 捉人体 的运 动 ，获得人 体 的运动参 数 ，并从 运 动 中重建 人体 的结构 和姿 态 ，主要 目的是 对人 体运 动进行 理解 并加 以应用 ． 由于它在运 动员动 作 分 析 、制作动 画等方 面具 有广 泛 的应用 前景 ，使得 这一领 域具 有很 大 的研 究价 值 ，同时得 到 了越来 越多 国 内外 计算 机视 觉研究 者 的关注 ． 人 体运 动跟踪 的主要任 务是从 图像序列 或 视 频 中捕获 人体 的头 、躯 干和 四肢 的运 动 … ． 于 基 模 型 的 匹 配 技 术 是 常 见 的 人 体 运 动 跟 踪 方 法 『 ，实 现 过 程 是 在 “ 测— — 匹 配—— 修 ２ ］ 预
个人体关节点 ，称它们为三维特征点 ． 由于特征 点之 间 的线 段 代表 刚体 ，因此 任何 时刻 它们 在空
间 中都不会 形 变 ．
０头 项 ２右 肩 ３右 肘
分 运 动检测 和分 区域 直方 图相似 度算 法 ，自顶 向 下依 次跟踪 人 体各 部 分 ，这 些 方 法 计算 量 很 大 ，
正” 的循 环 中进 行 ，如 文献 ［ ］ 中通 过基 于差 ２
１ 人体模型
我们将 三 维人 体看 成 由关节 点连接 的刚体 的 集 合 ． 上肢是 由肘 关节 连接 的上 、下 臂两 个 刚 如 体 ． 以一条 线段 来表 示一 个 刚体 ，将 人 体运 动 简 化为 人体 骨架 的运 动 ，这样 就得 到一个 三 维人体 骨架 模型 ，如 图 １ 示 ． 人 体 模 型共 包 含 １ 所 该 ４